聚簇索引、哈希索引、覆盖索引、索引分类、最左前缀原则、判断索引使用情况、索引失效条件、优化查询性能
聚簇索引
聚簇索引像一本按目录排版的书，用空间换时间，适合读多写少的场景。设计数据库时，主键的选择（如自增ID vs 随机UUID）会直接影响聚簇索引的性能。
什么是聚簇索引？
-
数据即索引：聚簇索引的叶子节点直接存储整行数据（而不是指向数据的指针），因此表中的数据行物理上按索引键的顺序存储。
-
唯一性：一张表只能有一个聚簇索引（就像一本书只能按一种顺序排版）。
类比生活场景：
-
普通索引（非聚簇索引）：像一本书末尾的“关键词索引”，每个关键词后标注页码，你需要先查索引，再翻到对应页。
-
聚簇索引：像书的目录本身，章节内容严格按照目录顺序排版。找某一章时，直接按目录顺序翻到对应页即可，无需二次跳转。
优点：
-
查询快：范围查询（如
WHERE id BETWEEN 1000 AND 2000）效率高，因为数据在磁盘上是连续的。 -
排序快：如果按聚簇索引的字段排序（如主键），数据库可以直接按物理顺序读取，无需额外操作。
缺点：
-
插入/更新慢：新增数据时，如果新数据需要插入到中间位置，可能导致数据页分裂（类似电话簿插页时需要撕开重新装订）。
-
依赖主键设计：如果主键设计不合理（例如用随机UUID），可能导致存储碎片化，降低性能。
常见应用：
-
主键默认是聚簇索引（如MySQL的InnoDB引擎）。
-
适合频繁查询的字段：比如用户表的用户ID、订单表的订单时间。
哈希索引
哈希索引通过哈希函数将数据的关键字（如手机号）直接转换成存储位置，适合快速等值查找，但无法支持范围查询或排序。
什么是哈希索引？
-
哈希函数：将任意长度的输入（如字符串、数字）转换成固定长度的哈希值（如
0x3A7F）。 -
直接定位数据：通过哈希值直接找到数据在内存或磁盘上的存储位置，无需遍历。
类比生活场景：
-
普通索引（如B树索引）：像图书馆按书名首字母分类的书架，需要按顺序查找。
-
哈希索引：像快递柜的编号，输入手机号就能秒定位到具体柜子。
优点：
-
查询极快：等值查询（如
WHERE id = 123）的时间复杂度接近 O(1)。 -
无数据顺序要求：适合随机读写场景（如用户登录、缓存）。
缺点：
-
不支持范围查询：无法高效执行
WHERE id > 100或ORDER BY。 -
哈希冲突：不同关键字可能生成相同的哈希值（如手机号A和B被分配到同一个柜子），需要额外处理（如链表串联）。
-
动态扩容成本高：数据量增长时，哈希表可能需要重新分配空间并重新计算所有哈希值。
常见应用：
-
内存数据库：如Redis的键值存储。
-
快速查找表：如用户Session、短链映射。
-
数据库的Hash Join：关联查询时临时使用哈希表加速。
哈希索引 vs B树索引
覆盖索引
使用普通索引时通常需要两步1.查找索引2.回表操作
使用覆盖索引则通常是直接从索引中直接获取数据，也就是省略了回表步骤
覆盖索引的优点：
减少IO操作：查询时直接从索引中获取数据，无需访问表中的数据行，显著提高查询性能，特别是在数据量很大或者磁盘IO成本很高。
索引中的数据：索引通常由被索引的列及其指向的行标识符组成，覆盖索引会存储更多的数据以满足查询需求
索引分类
按物理存储方式分类：
聚簇索引、非聚簇索引
按功能分类：
唯一索引、普通索引、全文索引、空间索引
按索引结构分类：
BTree索引、Hash索引
按应用场景分类：
单列索引、复合索引、覆盖索引
按存储引擎支持情况分类：
- InnoDB 支持 B-Tree 索引、唯一索引、全文索引（从 MySQL 5.6 开始）。
- MyISAM 支持 B-Tree 索引、全文索引。
- Memory 支持 Hash 索引和 B-Tree 索引。
最左前缀原则
“最左前缀原则”是数据库（尤其是 MySQL 中）在使用复合索引时的一条重要规则，它规定：在复合索引中，查询条件必须从索引的最左侧开始，连续地使用索引列，才能使该索引被有效利用。
如果创建了一个复合索引(col1, col2, col3)，当使用索引时必须是从左到右使用，如果跳过前面的去使用后面的话就会导致索引失效。
-
提高查询效率：
通过利用复合索引，数据库可以直接定位到符合条件的数据行，减少扫描数据量，显著提升查询速度。 -
优化设计索引：
在设计复合索引时，应考虑查询的常用模式，将最常用的查询条件放在索引的最左侧。例如，如果大多数查询都是根据col1进行过滤，再根据col2进行细分，那么将col1放在最前面可以最大程度发挥索引优势。 -
避免索引失效：
如果查询条件没有覆盖复合索引的最左前缀，那么索引将无法被利用，这样会导致查询性能下降。因此在编写 SQL 语句和设计索引时，必须充分考虑这一原则。
判断索引使用情况
以MySQL为例：
查看索引的使用统计：
-- 查看表的索引使用情况（需开启性能模式）
SELECT * FROM INFORMATION_SCHEMA.STATISTICS
WHERE TABLE_NAME = 'your_table';-- 查看索引的碎片化程度
SHOW INDEX FROM your_table;分析查询是否使用索引：
EXPLAIN SELECT * FROM your_table WHERE indexed_column = 'value';-
关键字段：
-
type：ref或range表示使用了索引。 -
key：显示实际使用的索引名称。 -
rows：扫描的行数，值越小效率越高。
-
优化数据库表
OPTIMIZE TABLE table_name;
作用
-
回收未使用的磁盘空间：
删除大量数据后，会有空闲的磁盘空间，OPTIMIZE TABLE可以释放这些空间。 -
重新组织索引：
对于索引密集的表，优化索引布局可以提高查询性能。 -
提高数据读取速度：
通过整理数据和索引，可以减少磁盘 I/O 操作，提升读取速度。
索引失效条件
使用范围查询、不满足最左前缀原则、使用了不等于运算符、使用函数或表达式、隐式类型转换、模糊查询以通配符开头、使用OR、查询返回过多数据、数据分布不均匀、索引未覆盖查询（无法使用覆盖索引）、表统计信息不准确（数据库优化器依赖表的统计信息进行查询计划的选择。如果统计信息过时或不准确，可能导致错误地放弃索引）、使用了不支持索引的操作
如果避免索引失效：
- 遵循最左前缀原则，合理设计索引。
- 避免在索引列上使用函数、表达式或隐式类型转换。
- 在模糊查询中尽量避免
%开头。 - 对
OR条件进行优化，例如重构为UNION ALL。 - 确保表的统计信息及时更新。
- 使用覆盖索引，减少回表查询。
- 确保查询返回的数据量较少。
优化查询性能的方法
减少请求的数据量：
- 只返回必要的列，最好不要使用SELECT *语句、使用LIMIT语句来限制返回的数据。
- 缓存重复查询的数据：使用缓存可以避免在数据库中进行查询，特别是在要查询的数据经常被查询时，使用缓存会极大的提升查询性能
减少服务器端扫描的行数：
- 使用索引来覆盖查询
- 避免索引失效
查询重构优化：
- 避免使用复杂的JOIN和子查询
- 批量操作代替循环操作（循环执行单条 SQL 会增加网络和事务开销。）
-- 不推荐：循环插入 INSERT INTO logs (message) VALUES ('log1'); INSERT INTO logs (message) VALUES ('log2');-- 推荐：批量插入 INSERT INTO logs (message) VALUES ('log1'), ('log2');
数据库配置优化：
- 调整缓冲区大小
-- 增加 InnoDB 缓冲池大小（通常设为物理内存的 70%~80%） SET GLOBAL innodb_buffer_pool_size = 4G; - 配置数据库连接池（避免短连接：使用连接池（如 HikariCP、Druid）复用连接。
参数调优：设置合理的最大连接数和空闲超时时间）
架构层面优化：
读写分离
-
主库：处理写操作和高一致性读。
-
从库：处理读操作，通过复制同步数据。
分库分表
-
垂直分表：将大字段（如 TEXT、BLOB）拆分到独立表。
-
水平分库：按业务分库（如订单库、用户库）。
-
水平分表：按哈希或范围分表（如
user_0、user_1）。
相关文章：
聚簇索引、哈希索引、覆盖索引、索引分类、最左前缀原则、判断索引使用情况、索引失效条件、优化查询性能
聚簇索引 聚簇索引像一本按目录排版的书，用空间换时间，适合读多写少的场景。设计数据库时，主键的选择（如自增ID vs 随机UUID）会直接影响聚簇索引的性能。 什么是聚簇索引？ 数据即索引：聚簇索引…...
克隆OpenAI（基于openai API和streamlit）
utils.py： from langchain_openai import ChatOpenAI from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationChain import osdef get_chat_response(api_key,prompt,memory): # memory不能是函数的内部局部变量&…...
DeepSeek技术深度解析：从不同技术角度的全面探讨
DeepSeek技术深度解析：从不同技术角度的全面探讨 引言 DeepSeek是一个集成了多种先进技术的平台，旨在通过深度学习和其他前沿技术来解决复杂的问题。本文将从算法、架构、数据处理以及应用等不同技术角度对DeepSeek进行详细分析。 一、算法层面 深度学…...
完全卸载mysql server步骤
1. 在控制面板中卸载mysql 2. 打开注册表，运行regedit, 删除mysql信息 HKEY_LOCAL_MACHINE-> SYSTEM->CurrentContolSet->Services->EventLog->Application->Mysql HKEY_LOCAL_MACHINE-> SYSTEM->CurrentContolSet->Services->Mysql …...
2025年大年初一篇，C#调用GPU并行计算推荐
C#调用GPU库的主要目的是利用GPU的并行计算能力，加速计算密集型任务，提高程序性能，支持大规模数据处理，优化资源利用，满足特定应用场景的需求，并提升用户体验。在需要处理大量并行数据或进行复杂计算的场景…...
机器学习优化算法：从梯度下降到Adam及其实验改进
机器学习优化算法：从梯度下降到Adam及其实验改进 在机器学习和深度学习领域，模型的训练过程本质上是一个优化问题。优化算法的作用是通过调整模型参数，使得模型在给定的数据 集上实现最优性能。而优化算法的效率和效果直接决定了模型的收敛速…...
在 Ubuntu 中使用 Conda 创建和管理虚拟环境
Conda 是一个广泛使用的包管理和环境管理系统，尤其适用于数据科学和 Python 开发。本文将指导你如何在 Ubuntu 系统中安装 Conda 并创建基于 python3.11 的虚拟环境。 1. 安装 Miniconda 或 Anaconda 方法 1：下载并安装 Miniconda Miniconda 是一个轻量…...
【深度学习】搭建卷积神经网络并进行参数解读
第一步 导包 import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchvision import datasets,transforms import matplotlib.pyplot as plt import numpy as np %matplotlib inline transforms 模块是 torchvision 库的…...
稀疏进化训练：机器学习优化算法中的高效解决方案
稀疏进化训练：机器学习优化算法中的高效解决方案 稀疏进化训练：机器学习优化算法中的高效解决方案引言第一部分：背景与动机1.1 传统优化算法的局限性1.2 进化策略的优势1.3 稀疏性的重要性 第二部分：稀疏进化训练的核心思想2.1 稀…...
Vue - Suspense的使用
在 Vue 3 中，Suspense 是一个用于处理异步组件的 API。它允许在加载异步组件时提供一个后备内容（例如加载指示器），从而改善用户体验。在加载期间，可以在页面上显示一个占位符，而不是让用户看到一个空白或错…...
在K8S中，pending状态一般由什么原因导致的？
在Kubernetes中，资源或Pod处于Pending状态可能有多种原因引起。以下是一些常见的原因和详细解释： 资源不足 概述：当集群中的资源不足以满足Pod或服务的需求时，它们可能会被至于Pending状态。这通常涉及到CPU、内存、存储或其他资…...
【算法】回溯算法专题② ——组合型回溯 + 剪枝 python
目录 前置知识进入正题小试牛刀实战演练总结 前置知识 【算法】回溯算法专题① ——子集型回溯 python 进入正题 组合https://leetcode.cn/problems/combinations/submissions/596357179/ 给定两个整数 n 和 k，返回范围 [1, n] 中所有可能的 k 个数的组合。 你可以…...
理解红黑树
简介：红黑树是一种自平衡二叉查找树，由鲁道夫贝尔（Rudolf Bayer）在1972年发明，最初称为“对称二叉B树”。它的设计旨在解决普通二叉查找树在频繁插入和删除操作时可能退化为链表的问题，从而保持高效的查找、…...
从0开始使用面对对象C语言搭建一个基于OLED的图形显示框架（OLED设备层封装）
目录 OLED设备层驱动开发 如何抽象一个OLED 完成OLED的功能 初始化OLED 清空屏幕 刷新屏幕与光标设置1 刷新屏幕与光标设置2 刷新屏幕与光标设置3 绘制一个点 反色 区域化操作 区域置位 区域反色 区域更新 区域清空 测试我们的抽象 整理一下，我们应…...
大模型能力评估数据集都有哪些?
大模型能力的评估数据集种类繁多，涵盖了语言理解、推理、生成、代码能力、安全性和鲁棒性等多个方面。以下是一些主要的评估数据集及其特点： 通用能力评估数据集： MMLU：多模态大规模多语言任务理解数据集，覆盖从基础教育到高级专业水平的57个科目，用于评估模型的知识储备…...
：理解概率图模型的两个要点：关于推理和学习的知识)
论文阅读(二)：理解概率图模型的两个要点：关于推理和学习的知识
1.论文链接：Essentials to Understand Probabilistic Graphical Models: A Tutorial about Inference and Learning 摘要： 本章的目的是为没有概率图形模型背景或没有深入背景的科学家提供一个高级教程。对于更熟悉这些模型的读者，本章将作为…...
《OpenCV》——图像透视转换
图像透视转换简介 在 OpenCV 里，图像透视转换属于重要的几何变换，也被叫做投影变换。下面从原理、实现步骤、相关函数和应用场景几个方面为你详细介绍。 原理 实现步骤 选取对应点：要在源图像和目标图像上分别找出至少四个对应的点。这些对…...
【16届蓝桥杯寒假刷题营】第2期DAY4
【16届蓝桥杯寒假刷题营】第2期DAY4 - 蓝桥云课 问题描述 幼儿园小班的浩楠同学有一个序列 a。 他想知道有多少个整数三元组 (i,j,k) 满足 1≤i,j,k≤n 且 aiajak。 输入格式 共2行，第一行一个整数 n，表示序列的长度。 第二行 n 个整数&#x…...
用 HTML、CSS 和 JavaScript 实现抽奖转盘效果
顺序抽奖 前言 这段代码实现了一个简单的抽奖转盘效果。页面上有一个九宫格布局的抽奖区域，周围八个格子分别放置了不同的奖品名称，中间是一个 “开始抽奖” 的按钮。点击按钮后，抽奖区域的格子会快速滚动，颜色不断变化…...
【人工智能学习笔记 一】 AI分层架构、基本概念分类与产品技术架构
新的一年2025要对AI以及LLM有个强化的学习，所以第一篇先对整体有个大概的认知，一直分不清LLM和AI的关系，在整个体系里的位置，以及AIGC是什么东西，AI AGENT类似豆包等和大语言模型的具体关系是什么，整个AI的…...
windows10 配置使用json server作为图片服务器
步骤1：在vs code中安装json server, npm i -g json-server 注意：需要安装对应版本的json server，不然可能会报错，比如： npm i -g json-server 0.16.3 步骤2：出现如下报错： json-server 不是…...
【Elasticsearch 基础入门】Centos7下Elasticsearch 7.x安装与配置（单机）
Elasticsearch系列文章目录 【Elasticsearch 基础入门】一文带你了解Elasticsearch！！！【Elasticsearch 基础入门】Centos7下Elasticsearch 7.x安装与配置（单机） 目录 Elasticsearch系列文章目录前言单机模式1. 安装 J…...
【MySQL】语言连接
语言连接 一、下载二、mysql_get_client_info1、函数2、介绍3、示例 三、其他函数1、mysql_init2、mysql_real_connect3、mysql_query4、mysql_store_result5、mysql_free_result6、mysql_num_fields7、mysql_num_rows8、mysql_fetch_fields9、mysql_fetch_row10、mysql_close …...
【零拷贝】
目录 一：了解IO基础概念 二：数据流动的层次结构 三：零拷贝 1.传统IO文件读写 2.mmap 零拷贝技术 3.sendFile 零拷贝技术 一：了解IO基础概念 理解CPU拷贝和DMA拷贝 我们知道，操作系统对于内存空间&…...
四、GPIO中断实现按键功能
4.1 GPIO简介 输入输出（I/O）是一个非常重要的概念。I/O泛指所有类型的输入输出端口，包括单向的端口如逻辑门电路的输入输出管脚和双向的GPIO端口。而GPIO（General-Purpose Input/Output）则是一个常见的术语，…...
qt-Quick3D笔记之官方例程Runtimeloader Example运行笔记
qt-Quick3D笔记之官方例程Runtimeloader Example运行笔记 文章目录 qt-Quick3D笔记之官方例程Runtimeloader Example运行笔记1.例程运行效果2.例程缩略图3.项目文件列表4.main.qml5.main.cpp6.CMakeLists.txt 1.例程运行效果 运行该项目需要自己准备一个模型文件 2.例程缩略图…...
IM 即时通讯系统-01-概览
前言 有时候希望有一个 IM 工具，比如日常聊天，或者接受报警信息。 其实主要是工作使用，如果是接收报警等场景，其实DD这种比较符合场景。 那么有没有必要再创造一个DD呢？ 答案是如果处于个人的私有化使用࿰…...
二叉树——429，515，116
今天继续做关于二叉树层序遍历的相关题目，一共有三道题，思路都借鉴于最基础的二叉树的层序遍历。 LeetCode429.N叉树的层序遍历 这道题不再是二叉树了，变成了N叉树，也就是该树每一个节点的子节点数量不确定，可能为2&a…...
Baklib构建高效协同的基于云的内容中台解决方案
内容概要 随着云计算技术的飞速发展，内容管理的方式也在不断演变。企业面临着如何在数字化转型过程中高效管理和协同处理内容的新挑战。为应对这些挑战，引入基于云的内容中台解决方案显得尤为重要。 Baklib作为创新型解决方案提供商，致力于…...
MP4基础
一、什么是MP4？ MP4是一套用于音频、视频信息的压缩编码标准，由国际标准化组织（ISO）和国际电工委员会（IEC）下属的“动态图像专家组”（Moving Picture Experts Group，即MPEGÿ…...
年化18%-39.3%的策略集 | backtrader通过xtquant连接qmt实战
原创内容第785篇，专注量化投资、个人成长与财富自由。 大年初五，年很快就过完了。 其实就是本身也只是休假一周，但是我们赋予了它太多意义。 周五咱们发布发aitrader v4.1，带了backtraderctp期货的实盘接口： aitra…...
通过Redisson构建延时队列并实现注解式消费
目录 一、序言二、延迟队列实现1、Redisson延时消息监听注解和消息体2、Redisson延时消息发布器3、Redisson延时消息监听处理器 三、测试用例四、结语 一、序言 两个月前接了一个4万的私活，做一个线上商城小程序，在交易过程中不可避免的一个问题就是用户…...
RAG是否被取代（缓存增强生成-CAG）吗？
引言： 本文深入研究一种名为缓存增强生成（CAG）的新技术如何工作并减少/消除检索增强生成（RAG）弱点和瓶颈。 LLMs 可以根据输入给他的信息给出对应的输出，但是这样的工作方式很快就不能满足应用的需要: 因…...
MiniMax：人工智能领域的创新先锋
MiniMax：人工智能领域的创新先锋 在人工智能领域，MiniMax正以其强大的技术实力和创新的模型架构，成为全球关注的焦点。作为一家成立于2021年12月的通用人工智能科技公司，MiniMax专注于开发多模态、万亿参数的MoE（Mixt…...
pytorch基于GloVe实现的词嵌入
PyTorch 实现 GloVe（Global Vectors for Word Representation） 的完整代码，使用 中文语料 进行训练，包括 共现矩阵构建、模型定义、训练和测试。 1. GloVe 介绍 基于词的共现信息（不像 Word2Vec 使用滑动窗口预测&…...
Unity实现按键设置功能代码
一、前言 最近在学习unity2D，想做一个横版过关游戏，需要按键设置功能，让用户可以自定义方向键与攻击键等。 自己写了一个，总结如下。 二、界面效果图 这个是一个csv文件，准备第一列是中文按键说明，第二列…...
C++ 入门速通-第3章【黑马】
内容来源于：黑马 集成开发环境：CLion 先前学习完了C第1章的内容： C 入门速通-第1章【黑马】-CSDN博客 C 入门速通-第2章【黑马】-CSDN博客 下面继续学习第3章： 数组： 字符数组： 多维数组： …...
JavaScript 中的 CSS 与页面响应式设计
JavaScript 中的 CSS 与页面响应式设计 JavaScript 中的 CSS 与页面响应式设计1. 引言2. JavaScript 与 CSS 的基本概念2.1 CSS 的作用2.2 JavaScript 的作用3. 动态控制样式：JavaScript 修改 CSS 的方法3.1 使用 `document.styleSheets` API3.2 使用 `classList` 修改类3.3 使…...
的原理，并说明如何选择配对股票以及设计交易信号)
100.3 AI量化面试题：解释配对交易(Pairs Trading)的原理，并说明如何选择配对股票以及设计交易信号
目录 0. 承前1. 配对交易基本原理1.1 什么是配对交易1.2 基本假设 2. 配对选择方法2.1 相关性分析2.2 协整性检验 3. 价差计算方法3.1 简单价格比率3.2 回归系数法 4. 交易信号设计4.1 标准差方法4.2 动态阈值方法 5. 风险管理5.1 止损设计5.2 仓位管理 6. 策略评估6.1 回测框架…...
[SAP ABAP] Debug Skill
SAP ABAP Debug相关资料 [SAP ABAP] DEBUG ABAP程序中的循环语句 [SAP ABAP] 静态断点的使用 [SAP ABAP] 在ABAP Debugger调试器中设置断点 [SAP ABAP] SE11 / SE16N 修改标准表(慎用)...
WSL2中安装的ubuntu开启与关闭探讨
1. PC开机后，查询wsl状态 在cmd或者powersell中输入 wsl -l -vNAME STATE VERSION * Ubuntu Stopped 22. 从windows访问WSL2 wsl -l -vNAME STATE VERSION * Ubuntu Stopped 23. 在ubuntu中打开一个工作区后…...
走向基于大语言模型的新一代推荐系统：综述与展望
HightLight 论文题目：Towards Next-Generation LLM-based Recommender Systems: A Survey and Beyond作者机构：吉林大学、香港理工大学、悉尼科技大学、Meta AI论文地址： https://arxiv.org/abs/2410.1974 基于大语言模型的下一代推荐系统&…...
【深度分析】DeepSeek 遭暴力破解，攻击 IP 均来自美国，造成影响有多大？有哪些好的防御措施？
技术铁幕下的暗战：当算力博弈演变为代码战争 一场针对中国AI独角兽的全球首例国家级密码爆破，揭开了数字时代技术博弈的残酷真相。DeepSeek服务器日志中持续跳动的美国IP地址，不仅是网络攻击的地理坐标，更是技术霸权对新兴挑战者的…...
双指针算法思想——OJ例题扩展算法解析思路
大家好！上一期我发布了关于双指针的OJ平台上的典型例题思路解析，基于上一期的内容，我们这一期从其中内容扩展出来相似例题进行剖析和运用，一起来试一下吧！ 目录 一、 基于移动零的举一反三 题一：27. 移除…...
：认识进程（下）)
初始Linux(7)：认识进程（下）
1. 进程优先级 cpu 资源分配的先后顺序，就是指进程的优先权（ priority ）。 优先权高的进程有优先执行权利。配置进程优先权对多任务环境的 linux 很有用，可以改善系统性能。 还可以把进程运行到指定的CPU 上，这样一来…...
人工智能第2章-知识点与学习笔记
结合教材2.1节，阐述什么是知识、知识的特性,以及知识的表示。人工智能最早应用的两种逻辑是什么？阐述你对这两种逻辑表示的内涵理解。什么谓词，什么是谓词逻辑，什么是谓词公式。谈谈你对谓词逻辑中的量词的理解。阐述谓词公式的解…...
Kotlin 协程 与 Java 虚拟线程对比测试（娱乐性质，请勿严谨看待本次测试）
起因 昨天在群里聊到虚拟线程的执行效率问题的时候虽然最后的结论是虚拟线程在针对IO密集型任务时具有很大的优势。但是讨论到虚拟线程和Kotlin 的协程的优势对比的话，这时候所有人都沉默了。所以有了本次的测试 提前声明：本次测试是不严谨的࿰…...
C++中的拷贝构造器（Copy Constructor）
在C中，拷贝构造器（Copy Constructor）是一种特殊的构造函数，用于创建一个新对象，该对象是另一个同类型对象的副本。当使用一个已存在的对象来初始化一个新对象时，拷贝构造器会被调用。 拷贝构造器的定义 拷…...
Spring Boot项目如何使用MyBatis实现分页查询
写在前面：大家好！我是晴空๓。如果博客中有不足或者的错误的地方欢迎在评论区或者私信我指正，感谢大家的不吝赐教。我的唯一博客更新地址是：https://ac-fun.blog.csdn.net/。非常感谢大家的支持。一起加油，冲鸭&#x…...
独立开发经验谈：如何借助 AI 辅助产品 UI 设计
我在业余时间开发了一款自己的独立产品：升讯威在线客服与营销系统。陆陆续续开发了几年，从一开始的偶有用户尝试，到如今线上环境和私有化部署均有了越来越多的稳定用户，在这个过程中，我也积累了不少如何开发运营一款独…...