【Elasticsearch】inference ingest pipeline
Elasticsearch 的 Ingest Pipeline 功能允许你在数据索引之前对其进行预处理。通过使用 Ingest Pipeline，你可以执行各种数据转换和富化操作，包括使用机器学习模型进行推理（inference）。这在处理词嵌入、情感分析、图像识别等场景中非常有用。
### 使用 Inference Ingest Pipeline
以下是一个详细的步骤，展示如何使用 Inference Ingest Pipeline 在 Elasticsearch 中加载和使用预训练的机器学习模型来进行推理。
### 步骤 1: 准备机器学习模型
首先，你需要准备一个预训练的机器学习模型，并将其部署到 Elasticsearch 的机器学习模块中。Elasticsearch 支持多种模型格式，包括 TensorFlow、PyTorch、ONNX 等。
#### 示例：上传 TensorFlow 模型
1. **下载或训练模型**：确保你有一个 TensorFlow 模型文件（例如，`.pb` 文件）。
2. **上传模型**：使用 Elasticsearch 的机器学习 API 将模型上传到 Elasticsearch。
```json
PUT _ml/trained_models/my_word_embedding_model
{
"input": {
"field_names": ["text"]
},
"inference_config": {
"natural_language_inference": {
"results_field": "inference_results"
}
},
"model": {
"definition": {
"path": "path/to/your/model.pb"
}
}
}
```
### 步骤 2: 创建 Ingest Pipeline
创建一个 Ingest Pipeline，使用刚刚上传的模型进行推理。
```json
PUT _ingest/pipeline/word_embedding_pipeline
{
"description": "Pipeline to add word embeddings using a trained model",
"processors": [
{
"inference": {
"model_id": "my_word_embedding_model",
"target_field": "embedding"
}
}
]
}
```
### 步骤 3: 使用 Ingest Pipeline 索引数据
在索引数据时，指定使用创建的 Ingest Pipeline。
```json
POST word_embeddings/_doc?pipeline=word_embedding_pipeline
{
"word": "example"
}
```
### 示例：完整流程
以下是一个完整的示例，展示如何从头开始创建和使用 Inference Ingest Pipeline。
#### 1. 上传模型
```json
PUT _ml/trained_models/my_word_embedding_model
{
"input": {
"field_names": ["text"]
},
"inference_config": {
"natural_language_inference": {
"results_field": "inference_results"
}
},
"model": {
"definition": {
"path": "path/to/your/model.pb"
}
}
}
```
#### 2. 创建 Ingest Pipeline
```json
PUT _ingest/pipeline/word_embedding_pipeline
{
"description": "Pipeline to add word embeddings using a trained model",
"processors": [
{
"inference": {
"model_id": "my_word_embedding_model",
"target_field": "embedding"
}
]
}
```
#### 3. 创建索引
```json
PUT word_embeddings
{
"mappings": {
"properties": {
"word": {
"type": "keyword"
},
"embedding": {
"type": "dense_vector",
"dims": 100 // 根据你的词嵌入模型的维度设置
}
}
}
}
```
#### 4. 索引数据
```json
POST word_embeddings/_doc?pipeline=word_embedding_pipeline
{
"word": "example"
}
```
### 验证结果
你可以通过查询索引来验证数据是否正确索引，并且词嵌入向量是否已添加。
```json
GET word_embeddings/_search
{
"query": {
"match": {
"word": "example"
}
}
}
```
### 注意事项
1. **模型路径**：确保模型文件路径正确，并且 Elasticsearch 有权限访问该路径。
2. **模型格式**：Elasticsearch 支持多种模型格式，确保你使用的模型格式与 Elasticsearch 兼容。
3. **性能**：Inference Ingest Pipeline 可能会影响索引性能，特别是在处理大量数据时。考虑在生产环境中进行性能测试。
通过以上步骤，你可以在 Elasticsearch 中使用 Inference Ingest Pipeline 对数据进行预处理，从而实现词嵌入的自动计算和存储。希望这些示例和说明能帮助你更好地理解和使用 Elasticsearch 的 Inference Ingest Pipeline 功能。
当你执行以下查询时，Elasticsearch 会返回与 `word` 字段匹配 "example" 的所有文档及其相关信息。假设你已经按照前面的步骤创建了索引并插入了数据，查询结果将包含文档的 `_id`、`_source` 等字段。
### 查询示例
```json
GET word_embeddings/_search
{
"query": {
"match": {
"word": "example"
}
}
}
```
### 返回结果示例
假设你已经索引了一些文档，查询结果可能如下所示：
```json
{
"took": 1,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 1,
"relation": "eq"
},
"max_score": 0.2876821,
"hits": [
{
"_index": "word_embeddings",
"_type": "_doc",
"_id": "1",
"_score": 0.2876821,
"_source": {
"word": "example",
"embedding": [0.1, 0.2, ..., 0.100]
}
}
]
}
}
```
### 解释
- **`took`**: 查询花费的时间（毫秒）。
- **`timed_out`**: 查询是否超时。
- **`_shards`**: 分片信息，包括总分片数、成功分片数、跳过分片数和失败分片数。
- **`hits`**: 匹配的文档列表。
- **`total`**: 匹配的文档总数。
- **`max_score`**: 最高评分。
- **`hits`**: 匹配的文档列表，每个文档包含以下字段：
- **`_index`**: 文档所属的索引名称。
- **`_type`**: 文档类型（在Elasticsearch 7.x及更高版本中，类型总是`_doc`）。
- **`_id`**: 文档的唯一标识符。
- **`_score`**: 文档的相关性评分。
- **`_source`**: 文档的原始内容，包括所有字段及其值。
### 示例解释
假设你索引了一个文档，其中 `word` 字段为 "example"，`embedding` 字段为 `[0.1, 0.2, ..., 0.100]`，查询结果将返回这个文档的信息。
- **`_index`**: 文档所属的索引名称，这里是 `word_embeddings`。
- **`_type`**: 文档类型，这里是 `_doc`。
- **`_id`**: 文档的唯一标识符，假设为 `1`。
- **`_score`**: 文档的相关性评分，这里是 `0.2876821`。
- **`_source`**: 文档的原始内容，包括 `word` 和 `embedding` 字段。
### 进一步操作
如果你需要进一步处理或过滤结果，可以在查询中添加更多的条件。例如，你可以使用 `size` 参数来限制返回的文档数量，或者使用 `sort` 参数来按特定字段排序。
```json
GET word_embeddings/_search
{
"query": {
"match": {
"word": "example"
}
},
"size": 10,
"sort": [
{ "_score": { "order": "desc" } }
]
}
```
希望这些解释和示例能帮助你更好地理解和使用 Elasticsearch 的查询结果。
PUT _ingest/pipeline/word_embedding_pipeline
{
"description": "Pipeline to add word embeddings using a trained model",
"processors": [
{
"inference": {
"model_id": "my_word_embedding_model",
"target_field": "embedding"
}
]
}这段是干嘛的？
这段代码用于在 Elasticsearch 中创建一个 Ingest Pipeline，该管道将在数据索引之前使用预训练的机器学习模型进行推理（inference），并将推理结果（词嵌入向量）添加到文档中。具体来说，这段代码做了以下几件事：
### 1. 创建 Ingest Pipeline
```json
PUT _ingest/pipeline/word_embedding_pipeline
{
"description": "Pipeline to add word embeddings using a trained model",
"processors": [
{
"inference": {
"model_id": "my_word_embedding_model",
"target_field": "embedding"
}
}
]
}
```
### 详细解释
- **`PUT _ingest/pipeline/word_embedding_pipeline`**:
- 这是一个 HTTP PUT 请求，用于创建一个新的 Ingest Pipeline。`word_embedding_pipeline` 是管道的名称，你可以根据需要选择一个合适的名称。
- **`description`**:
- 这是一个可选字段，用于描述管道的目的。在这里，描述为 "Pipeline to add word embeddings using a trained model"，表示这个管道用于使用预训练模型添加词嵌入向量。
- **`processors`**:
- 这是一个数组，包含一个或多个处理器（processors）。每个处理器定义了一个数据处理步骤。
- **`inference`**:
- 这是一个处理器，用于执行机器学习模型的推理。它有两个主要参数：
- **`model_id`**: 指定要使用的预训练模型的 ID。在这个例子中，模型 ID 是 `my_word_embedding_model`。
- **`target_field`**: 指定将推理结果存储到文档中的哪个字段。在这个例子中，推理结果将存储在 `embedding` 字段中。
### 2. 使用 Ingest Pipeline 索引数据
一旦创建了 Ingest Pipeline，你可以在索引数据时指定使用该管道。这样，Elasticsearch 会在数据索引之前自动执行推理，并将结果添加到文档中。
```json
POST word_embeddings/_doc?pipeline=word_embedding_pipeline
{
"word": "example"
}
```
### 示例流程
1. **上传模型**：
- 首先，你需要将预训练的机器学习模型上传到 Elasticsearch。假设你已经上传了一个名为 `my_word_embedding_model` 的模型。
2. **创建 Ingest Pipeline**：
- 使用上述代码创建一个 Ingest Pipeline，该管道将使用 `my_word_embedding_model` 模型进行推理，并将结果存储在 `embedding` 字段中。
3. **索引数据**：
- 在索引数据时，指定使用创建的 Ingest Pipeline。Elasticsearch 将在数据索引之前执行推理，并将结果添加到文档中。
### 示例
假设你已经上传了一个名为 `my_word_embedding_model` 的模型，并创建了 `word_embedding_pipeline` 管道。以下是一个完整的示例：
#### 1. 上传模型
```json
PUT _ml/trained_models/my_word_embedding_model
{
"input": {
"field_names": ["text"]
},
"inference_config": {
"natural_language_inference": {
"results_field": "inference_results"
}
},
"model": {
"definition": {
"path": "path/to/your/model.pb"
}
}
}
```
#### 2. 创建 Ingest Pipeline
```json
PUT _ingest/pipeline/word_embedding_pipeline
{
"description": "Pipeline to add word embeddings using a trained model",
"processors": [
{
"inference": {
"model_id": "my_word_embedding_model",
"target_field": "embedding"
}
}
]
}
```
#### 3. 创建索引
```json
PUT word_embeddings
{
"mappings": {
"properties": {
"word": {
"type": "keyword"
},
"embedding": {
"type": "dense_vector",
"dims": 100 // 根据你的词嵌入模型的维度设置
}
}
}
}
```
#### 4. 索引数据
```json
POST word_embeddings/_doc?pipeline=word_embedding_pipeline
{
"word": "example"
}
```
### 验证结果
你可以通过查询索引来验证数据是否正确索引，并且词嵌入向量是否已添加。
```json
GET word_embeddings/_search
{
"query": {
"match": {
"word": "example"
}
}
}
```
### 返回结果示例
```json
{
"took": 1,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 1,
"relation": "eq"
},
"max_score": 0.2876821,
"hits": [
{
"_index": "word_embeddings",
"_type": "_doc",
"_id": "1",
"_score": 0.2876821,
"_source": {
"word": "example",
"embedding": [0.1, 0.2, ..., 0.100]
}
}
]
}
}
```
通过以上步骤，你可以在 Elasticsearch 中使用 Ingest Pipeline 自动处理数据，将词嵌入向量添加到文档中。希望这些解释和示例能帮助你更好地理解和使用 Ingest Pipeline。如果有任何进一步的问题，请随时提问！
相关文章：
【Elasticsearch】inference ingest pipeline
Elasticsearch 的 Ingest Pipeline 功能允许你在数据索引之前对其进行预处理。通过使用 Ingest Pipeline，你可以执行各种数据转换和富化操作，包括使用机器学习模型进行推理（inference）。这在处理词嵌入、情感分析、图像识别等场景…...
Linux的基本指令（上）
1.ls指令 语法：ls [选项] [目录或文件] 功能：对于⽬录，该命令列出该⽬录下的所有⼦⽬录与⽂件。对于⽂件，将列出⽂件名以及其他信息。 常用选项： -a 列出⽬录下的所有⽂件，包括以 . 开头的隐含⽂件。 -d 将…...
【贪心算法】洛谷P1106 - 删数问题
2025 - 01 - 22 - 第 46 篇 【洛谷】贪心算法题单 - 【贪心算法】 - 【学习笔记】 作者(Author): 郑龙浩 / 仟濹(CSND账号名) 目录 文章目录 目录P1106 删数问题题目描述输入格式输出格式样例 #1样例输入 #1样例输出 #1 提示思路代码 P1106 删数问题 题目描述 键盘输入一个高…...
【人工智能】Python中的知识图谱构建与应用
《Python OpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门！ 解锁Python编程的无限可能：《奇妙的Python》带你漫游代码世界 随着人工智能技术的不断发展，知识图谱已成为信息检索、推荐系统、自然语言处理等领域的重要技术之一。本文将详细介绍如何使用Python构建知…...
Spring WebSocket 与 STOMP 协议结合实现私聊私信功能
目录 后端pom.xmlConfig配置类Controller类DTO 前端安装相关依赖websocketService.js接口javascripthtmlCSS 效果展示简单测试连接： 报错解决方法1、vue3 使用SockJS报错 ReferenceError: global is not defined 功能补充拓展1. 安全性和身份验证2. 异常处理3. 消息…...
【Matlab高端绘图SCI绘图模板】第05期 绘制高阶折线图
1.折线图简介 折线图是一个由点和线组成的统计图表，常用来表示数值随连续时间间隔或有序类别的变化。在折线图中，x 轴通常用作连续时间间隔或有序类别（比如阶段1，阶段2，阶段3）。y 轴用于量化的数据&#x…...
java后端之事务管理
Transactional注解：作用于业务层的方法、类、接口上，将当前方法交给spring进行事务管理，执行前开启事务，成功执行则提交事务，执行异常回滚事务 spring事务管理日志： 默认情况下，只有出现Runti…...
常见的多媒体框架（FFmpeg GStreamer DirectShow AVFoundation OpenMax）
1.FFmpeg FFmpeg是一个非常强大的开源多媒体处理框架，它提供了一系列用于处理音频、视频和多媒体流的工具和库。它也是最流行且应用最广泛的框架！ 官方网址：https://ffmpeg.org/ FFmpeg 的主要特点和功能： 编解码器支持: FFmpe…...
如何移植ftp服务器到arm板子？
很多厂家提供的sdk，一般都不自带ftp服务器功能， 需要要发人员自己移植ftp服务器程序。 本文手把手教大家如何移植ftp server到arm板子。 环境 sdk：复旦微 Buildroot 2018.02.31. 解压 $ mkdir ~/vsftpd $ cp vsftpd-3.0.2.tar.gz ~/vs…...
牛批，吾爱出品
可能是因为从事IT的原因，我身边的大多数朋友也是从事相关工作的，而IT工作往往需要长时间对着电脑。这样就很容易眼睛疲劳。今天给大家推荐几款，希望有对有需要的小伙伴有所帮助，大家可以收藏以来哦。 CareUEyes CareUEyes是一款绿…...
基于 Android 的日程管理系统的设计与实现
标题:基于 Android 的日程管理系统的设计与实现 内容:1.摘要 基于 Android 的日程管理系统旨在帮助用户更高效地管理个人日程安排。该系统采用了 Android 平台的优势，结合了简洁的界面设计和强大的功能，为用户提供了便捷的日程管理体验。 在设计与实现过…...
Kubectl 与 Helm 详解
在 Kubernetes 生态中，kubectl 和 Helm 是两个核心工具，分别用于直接管理 Kubernetes 资源和简化应用的部署与管理。本文将深入探讨 kubectl 和 Helm 的功能、使用场景、部署与更新方式，并对比它们的优缺点。 1. Kubectl 详解 1.1 什么是 Kubectl？ kubectl 是 Kubernetes…...
centos搭建docker registry镜像仓库
centos搭建docker registry镜像仓库 简介 Docker Registry是一个存储和分发Docker镜像的服务。它允许用户上传、下载和管理 Docker 镜像，为容器化应用的部署提供了便利。 拉取镜像 docker image pull registry证书配置 创建镜像仓库的镜像数据目录和证书目录&…...
Pyecharts之饼图与多饼图的应用
在数据可视化领域，饼图是一种常用的图表类型，特别适合展示数据的比例关系。Pyecharts 为我们提供了强大的饼图绘制功能，不仅可以轻松绘制各种饼图，还能对饼图的样式和数据标签进行深度定制，并且可以组合多个饼图以满足…...
概述(使用STC89C52芯片；使用到的硬件及课程安排))
51单片机入门_01_单片机(MCU)概述(使用STC89C52芯片；使用到的硬件及课程安排)
文章目录 1. 什么是单片机1.1 微型计算机的组成1.2 微型计算机的应用形态1.3 单板微型计算机1.4 单片机(MCU)1.4.1 单片机内部结构1.4.2 单片机应用系统的组成 1.5 80C51单片机系列1.5.1 STC公司的51单片机1.5.1 STC公司单片机的命名规则 2. 单片机的特点及应用领域2.1 单片机的…...
蓝桥杯LQ1044 求完数
题目描述 因子：因子也叫因数，例如3515，那么3和5是15的因子。 同时15115，那么1和15也是15的因子。 1，3，5，15 这四个因子是15的所有因子。 完数：如果一个数等于不含它本身的其他因子之…...
Django 日志配置实战指南
日志是 Django 项目中不可或缺的一部分，它帮助我们记录应用程序的运行状态、调试信息、错误信息等。通过合理配置日志，我们可以更好地监控和调试应用程序。本文将详细介绍如何在 Django 项目中实现日志文件分割、日志级别控制以及多环境日志配置，并结合最佳实践和代码示例，…...
[笔记] 极狐GitLab实例 : 手动备份步骤总结
官方备份文档 : 备份和恢复极狐GitLab 一. 要求 为了能够进行备份和恢复，请确保您系统已安装 Rsync。 如果您安装了极狐GitLab： 如果您使用 Omnibus 软件包，则无需额外操作。如果您使用源代码安装，您需要确定是否安装了 rsync。…...
函数漏洞)
php代码审计2 piwigo CMS in_array()函数漏洞
php代码审计2 piwigo CMS in_array()函数漏洞 一、目的 本次学习目的是了解in_array()函数和对项目piwigo中关于in_array()函数存在漏洞的一个审计并利用漏洞获得管理员帐号。 二、in_array函数学习 in_array() 函数搜索数组中是否存在指定的值。 in_array($search,$array…...
随机矩阵投影长度保持引理及其证明
原论文中的引理 2 \textbf{2} 2 1. \textbf{1. } 1. 引理 1 \textbf{1} 1(前提之一) 1.1. \textbf{1.1. } 1.1. 引理 1 \textbf{1} 1的内容 👉前提： X ∼ N ( 0 , σ ) X\sim{}N(0,\sigma) X∼N(0,σ)即 f ( x ) 1 2 π σ e – x 2 2 σ 2 f(x)\text{}…...
蓝桥杯真题 - 三国游戏 - 题解
题目链接：https://www.lanqiao.cn/problems/3518/learning/ 个人评价：难度 2 星（满星：5） 前置知识：贪心 整体思路 先假设魏蜀吴中的某一个势力最终获胜的情况下，如何求出事件发生的最大数量&a…...
Spring 源码学习（七）——注解后处理器-2
五 InitDestroyAnnotationBeanPostProcessor 类 1 属性 InitDestroyAnnotationBeanPostProcessor 类用于处理初始化与销毁注解；其中第一个属性为用于标识初始化方法与销毁方法注解类型的 initAnnotationType 与 destroyAnnotationType 属性、还有一个用于标识执行顺…...
即梦（Dreamina）技术浅析（一）
1.技术架构与核心组件 2.生成模型的具体实现 3.多模态融合技术 4.训练数据与模型优化 5.用户交互与创作流程 6.技术挑战与解决方案 7.未来发展方向 1. 技术架构与核心组件 即梦的技术架构可以分为以下几个核心组件： 1.1 前端用户界面（UI） 功能模块： 文字输入框：用…...
Spring MVC（二）
介绍 Cookie 与 Session Session 类似哈希表，存储了一些键值对结构，Key 就是 SessionID，Vaule 就是用户信息，客户端发起会话的时候，服务器一旦接收，就会创建会话【也就是 Session】，通过 Sessi…...
java求职学习day15
多线程 1 基本概念 1.1 程序和进程的概念 （1）程序 - 数据结构 算法，主要指存放在硬盘上的可执行文件。 （2）进程 - 主要指运行在内存中的可执行文件。 （3）目前主流的操作系统都支持多进程&a…...
Typesrcipt泛型约束详细解读
代码示例： // 如果我们直接对一个泛型参数取 length 属性, 会报错, 因为这个泛型根本就不知道它有这个属性 (() > {// 定义一个接口,用来约束将来的某个类型中必须要有length这个属性interface ILength{// 接口中有一个属性lengthlength:number}function getLen…...
[操作系统] 进程地址空间管理
虚拟地址空间的初始化 缺页中断 缺页中断的概念 缺页中断（Page Fault Interrupt） 是指当程序访问的虚拟地址在页表中不存在有效映射（即该页未加载到内存中）时，CPU 会发出一个中断信号，请求操作系统加载所…...
【fly-iot飞凡物联】（20）：2025年总体规划，把物联网整套技术方案和实现并落地，完成项目开发和课程录制。
前言 fly-iot飞凡物联专栏： https://blog.csdn.net/freewebsys/category_12219758.html 1，开源项目地址进行项目开发 https://gitee.com/fly-iot/fly-iot-platform 完成项目开发，接口开发。 把相关内容总结成文档，并录制课程。…...
14-6-1C++STL的list
(一）list容器的基本概念 list容器简介： 1.list是一个双向链表容器，可高效地进行插入删除元素 2.list不可以随机存取元素，所以不支持at.(pos)函数与[ ]操作符 （二）list容器头部和尾部的操作 list对象的默…...
vue2和vue3指令
Vue 2 和 Vue 3 的指令系统非常相似，但 Vue 3 在指令方面进行了优化和扩展。以下是 Vue 2 和 Vue 3 中指令的对比： 1. 通用指令 这些指令在 Vue 2 和 Vue 3 中都可以使用，功能一致： 指令说明v-bind绑定 HTML 属性或组件 propsv-…...
求整数的和与均值（信息学奥赛一本通-1061）
【题目描述】 读入n(1≤n≤10000)个整数，求它们的和与均值。 【输入】 输入第一行是一个整数n，表示有n个整数。 第2~n1行每行包含1个整数。每个整数的绝对值均不超过10000。 【输出】 输出一行，先输出和，再输出平均值(保留到小数点…...
CodeForces 611：New Year and Domino ← 二维前缀和
【题目来源】 https://codeforces.com/contest/611/problem/C 【题目描述】 They say "years are like dominoes, tumbling one after the other". But would a year fit into a grid? I dont think so. Limak is a little polar bear who loves to play. He has r…...
【ROS2】RViz2界面类 VisualizationFrame 详解
1、简述 VisualizationFrame 继承自 QMainWindow 和 WindowManagerInterface； 窗口顶部是常规布局：菜单栏 和 工具栏 窗口中心是 RenderPanel，用来渲染3D画面 周围是dock区域，包括：DisplaysPanel、ViewsPanel、TimePanel、SelectionPanel 和 ToolPropertiesPanel Windo…...
 算法详解及案例分析)
梯度下降法 (Gradient Descent) 算法详解及案例分析
梯度下降法 (Gradient Descent) 算法详解及案例分析 目录 梯度下降法 (Gradient Descent) 算法详解及案例分析1. 引言2. 梯度下降法 (Gradient Descent) 算法原理2.1 基本概念2.2 算法步骤2.3 梯度下降法的变种3. 梯度下降法的优势与局限性3.1 优势3.2 局限性4. 案例分析4.1 案…...
【Flutter】旋转元素（Transform、RotatedBox ）
这里写自定义目录标题 Transform旋转元素可以改变宽高约束的旋转 - RotatedBox Transform旋转元素 说明：Transform旋转操作改变了元素的方向，但并没有改变它的布局约束。因此，虽然视觉上元素看起来是旋转了，但它仍然遵循原始的宽…...
大数运算之C语言实现
一、 前言 在我们代码编程过程中，我们经常需要处理各种规模的数值。从日常工作中的一些简单算术在到科学研究中的复杂计算，数字无处不在。然而，当数值变的异常庞大时，就需要用到大数运算来进行实现。本文我们将介绍大数运算的基本…...
三高“高性能、高并发、高可靠”系统架构设计系列文章
目录 高并发系统的艺术：如何在流量洪峰中游刃有余 《数据密集型应用系统设计》读后感与高并发高性能实践案例 系统稳定性与高可用保障的几种思路 软件系统限流的底层原理解析 技术解决方案调研 延迟队列调研 重试调研 异步回调调研 分库分表调研 分布式事…...
)
Java设计模式 十八 状态模式 (State Pattern)
状态模式 (State Pattern) 状态模式是一种行为型设计模式，它允许对象在其内部状态改变时改变其行为。状态模式让一个对象在其状态改变时，其行为也随之改变，看起来就像是改变了对象的类。通过将状态的变化封装到不同的状态对象中，…...
Django创建纯净版项目并启动
1.Django的基本目录结构 2. 创建app项目 python manage.py startapp user# python manage.py 是固定的，代表python脚本，主要用于django中的项目管理 # startapp 创建app # user 你的app名字，也就是功能模块名称3.数据库 进入settings.…...
[b01lers2020]Life on Mars1
打开题目页面如下 看了旁边的链接，也没有什么注入点，是正常的科普 利用burp suite抓包，发现传参 访问一下 http://5edaec92-dd87-4fec-b0e3-501ff24d3650.node5.buuoj.cn:81/query?searchtharsis_rise 接下来进行sql注入 方法一…...
element-plus 的table section如何实现单选
如果是单选那么全新的按钮应该隐藏或者不可编辑的状态。但是我没找到改变成不可编辑的方法，只能采取隐藏 <template><!-- 注意要包一层div根元素，否则css样式可能会不生效，原因不详 --><div><el-table ref"proTab…...
利用Qt5.15.2编写Android程序时遇到的问题及解决方法
文章目录 背景1.文件读写 背景 目前我用的是Qt5.15.2来编写Qt程序，环境的配置看我这篇文章【Qt5.15.2配置Android开发环境】 项目中的一些配置的截图： 1.文件读写 假如直接用 QFileDialog::getExistingDirectory来获取路径的话，会得到类…...
奇怪的单词（快速扩张200个单词）
这是一些非常奇怪的单词： screw n.螺丝；螺丝钉 screwdriver n.起子，螺丝刀，改锥 copulation n.连接 copulate a.配合的 bonk n.撞击；猛击 v.轻击；碰撞ebony n.黑檀couple n.夫妇blonde n.金发女郎intimacy…...
:THREE.Line2的射线检测问题（注意本篇说的是Line2，同样也不是阈值方面的问题）)
three.js+WebGL踩坑经验合集(4.1):THREE.Line2的射线检测问题（注意本篇说的是Line2，同样也不是阈值方面的问题）
上篇大家消化得如何了？ 笔者说过，1级编号不同的两篇博文相对独立，所以这里笔者还是先给出完整代码，哪怕跟（3）没有太大区别。 这里我们把线的粗细调成5（排除难选中的因素）ÿ…...
postgresql根据主键ID字段分批删除表数据
生产环境针对大表的处理相对比较麻烦。 方案1、直接truncate，可能会遇到系统卡主的情况，因为truncate的过程中会对表进行加锁，会导致数据不能正常的写入 方案2、创建一个同结构的表结构，rename旧表，不停业务rename表担…...
NIO 和 Netty 在 Spring Boot 中的集成与使用
Netty到底是个啥，有啥子作用 1. Netty 的本质：对 NIO 的封装 NIO 的原生问题： Java 的 NIO 提供了非阻塞 I/O 和多路复用机制，但其使用较为复杂（如 Selector、Channel、Buffer 的配置和管理）。开发者需要自…...
【AI论文】Sigma：对查询、键和值进行差分缩放，以实现高效语言模型
摘要：我们推出了Sigma，这是一个专为系统领域设计的高效大型语言模型，其独特之处在于采用了包括DiffQKV注意力机制在内的新型架构，并在我们精心收集的系统领域数据上进行了预训练。DiffQKV注意力机制通过根据查询（Q&…...
ThinkPHP 8请求处理-获取请求对象与请求上下文
【图书介绍】《ThinkPHP 8高效构建Web应用》-CSDN博客 《2025新书 ThinkPHP 8高效构建Web应用 编程与应用开发丛书 夏磊 清华大学出版社教材书籍 9787302678236 ThinkPHP 8高效构建Web应用》【摘要 书评 试读】- 京东图书 使用Composer初始化ThinkPHP 8应用_thinkphp8 compos…...
【设计模式】JAVA 策略 工厂 模式 彻底告别switch if 等
【设计模式】JAVA 策略 工厂 模式 彻底告别switch if 等 目录 【设计模式】JAVA 策略 工厂 模式 彻底告别switch if 等 优势 适用场景 项目结构 关键代码 优势 消除 switch：将分支逻辑分散到独立的策略类中。 开闭原则：新增类型只需添加新的 TypeHa…...
Pyecharts之词云图、面积图与堆叠面积图
在数据可视化的精彩世界里，我们可以运用各种各样的图表来展现数据的魅力，帮助我们更好地理解和分析数据。Pyecharts 作为一款功能强大的数据可视化工具，为我们提供了丰富的图表类型，今天我们将深入探讨词云图、面积图和堆叠面积图…...