Elasticsearch：通过例子快速入门

news2024/11/25 14:45:40

Elasticsearch 是业界最流行的开源企业搜索引擎，应用广泛。 在我们的手机里的 App 背后的搜索引擎好多都是 Elasticsearch，比如我们熟知的抖音，滴滴，美团，携程，点评，银行 app，保险，证券，交友，健康宝等等。如果你想初步了解 Elasticsearch，请阅读我之前的文章 “Elasticsearch 简介”。 我们还学习了如何在 Python 中使用 Elasticsearch。 索引 laptops-demo 已创建并填充了一些示例数据，本文中的查询将基于这些数据。 如果你还没有读过这篇文章，建议先读一读。 但是，如你已经对 Elasticsearch 有所了解，则可以毫无问题地继续阅读本文。

安装

如果你还没有安装好自己的 Elasticsearch 及 Kibana，请参考如下的两篇文章来进行安装：

  • 如何在 Linux，MacOS 及 Windows 上进行安装 Elasticsearch
  • Kibana：如何在 Linux，MacOS 及 Windows上安装 Elastic 栈中的 Kibana

针对一些还没有对 Elasticsearch 及 Kibana 有所认识的开发者来说，我强烈建议参考文章 “Elasticsearch：如何在 Docker 上运行 Elasticsearch 8.x 进行本地开发” 来进行一键安装。我们先不考虑安全的问题。请参考文章中的 “使用 Docker Compose 运行 Elasticsearch 和 Kibana” 章节来进行一键安装 Elasticsearch 及 Kibana。

准备数据

我们有如下的两种方法写入数据： 

1）针对有一定 Python 开发经验的开发者来说，你可以参考文章 “Elasticsearch：关于在 Python 中使用 Elasticsearch 你需要知道的一切 - 8.x” 把我们所需要的数据写入到 Elasticsearch 中。

2）在 Kibana 的 Dev Tools 中打入如下的命令：

PUT laptops-demo
{
  "settings": {
    "index": {
      "number_of_replicas": 1
    },
    "analysis": {
      "filter": {
        "ngram_filter": {
          "type": "edge_ngram",
          "min_gram": 2,
          "max_gram": 15
        }
      },
      "analyzer": {
        "ngram_analyzer": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "ngram_filter"
          ]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "id": {
        "type": "long"
      },
      "name": {
        "type": "text",
        "analyzer": "standard",
        "fields": {
          "keyword": {
            "type": "keyword"
          },
          "ngrams": {
            "type": "text",
            "analyzer": "ngram_analyzer"
          }
        }
      },
      "brand": {
        "type": "text",
        "fields": {
          "keyword": {
            "type": "keyword"
          }
        }
      },
      "price": {
        "type": "float"
      },
      "attributes": {
        "type": "nested",
        "properties": {
          "attribute_name": {
            "type": "text"
          },
          "attribute_value": {
            "type": "text"
          }
        }
      }
    }
  }
}

我们到地址 https://github.com/liu-xiao-guo/py-elasticsearch8 下载 aptops_demo.json 文件。然后在电脑上打入如下的命令：

curl -s -H "Content-Type: application/x-ndjson" -XPOST "http://localhost:9200/_bulk" --data-binary "@laptops_demo.json"

上面的有些字段的类型可能对初学的开发者并不熟悉。我们先可以不管这些。在我的这篇文章 “Elastic：开发者上手指南” 中的很多文章都有介绍。

 这样我们就完成了数据的写入部分了。我们可以通过如下的命令来查看文档的个数：

GET laptops-demo/_count
{
  "count": 200,
  "_shards": {
    "total": 1,
    "successful": 1,
    "skipped": 0,
    "failed": 0
  }
}

Dev Tools 操作

我们在 Dev Tools 中可以向 Elasticsearch 发送 REST API 请求并完成我们许多的指令。

创建一个索引

我们可以使用如下的命令来创建一个索引：

PUT /test-index

你只能运行此命令一次，否则，你将看到资源已存在的错误。 请注意，前导正斜杠 (/) 是可选的，你可以省略它并且结果相同。

检查集群中的索引

 我们可以通过如下的命令来检查集群中的索引：

GET _cat/indices

更新索引的设置

我们可以通过如下命令来更新一个索引的设置：

PUT test-index/_settings
{
  "settings": {
    "number_of_replicas": 2
  }
}

你需要指定 _settings 端点，否则你将看到使用现有名称创建索引的相同错误。

删除索引

我们通过如下的命令来删除一个索引：

DELETE test-index

针对文档的创建（create）、读取（read）、更新（update）和删除（delete）这些 CRUD 操作的基本 Elasticsearch 查询。

在 Elasticsearch 中，索引就像一张表，文档就像一行数据。 但是，与 MySQL 等关系型数据库中的列式数据不同，Elasticsearch 中的数据是 JSON 对象。

创建一个文档

PUT test-index/_doc/1
{
  "name": "John Doe"
}

如果索引尚不存在，此查询将自动创建索引。 此外，还会创建一个带有 name 字段的新文档。

读取一个文档

GET test-index/_doc/1

更新一个文档

通过如下的命令添加一个叫做 age 的字段：

POST test-index/_update/1
{
  "doc": {
    "age": 30
  }
}

请注意，你必须使用 POST 命令来更新文档。 要更新的字段在 doc 字段中指定。更新完后，我们可以使用如下的命令来进行查看：

GET test-index/_doc/1
{
  "_index": "test-index",
  "_id": "1",
  "_version": 2,
  "_seq_no": 1,
  "_primary_term": 1,
  "found": true,
  "_source": {
    "name": "John Doe",
    "age": 30
  }
}

我们可以更新一个已有的字段，比如：

POST test-index/_update/1
{
  "doc": {
    "name": "liuxg"
  }
}

我们再次查询：

GET test-index/_doc/1
{
  "_index": "test-index",
  "_id": "1",
  "_version": 3,
  "_seq_no": 2,
  "_primary_term": 1,
  "found": true,
  "_source": {
    "name": "liuxg",
    "age": 30
  }
}

删除一个文档

DELETE test-index/_doc/1

现在我们对 Elasticsearch 索引和文档的 CRUD 操作有了一些感受。 我们可以看到，编写 Elasticsearch 查询就像使用 GET、POST、PUT 和 DELETE 方法发出 RESTful API 请求一样。 但是，主要区别在于我们可以将 JSON 对象传递给 GET 方法，这在常规 REST GET 方法中是不允许的。

查询索引

要检查索引中的所有文档，请运行以下命令：

GET laptops-demo/_search

它是以下的简短版本：

GET laptops-demo/_search
{
  "query": {
    "match_all": {}
  }
}

从上面我们可以看出来有 200 个文档被搜索到了。你应该能够看到从 JSON 文件添加的所有文档。 现在索引和文档都准备好了，我们可以开始搜索了。

我们已经知道如何检查索引中的所有文档。 默认情况下，返回所有可能难以阅读的字段。 要仅显示特定字段，我们可以指定 _sources 关键字：

GET laptops-demo/_search
{
  "query": {
    "match_all": {}
  },
  "_source": ["name"]
}

如果你根本不想看到来源，你可以将 _source 设置为 false：

GET laptops-demo/_search
{
  "query": {
    "match_all": {}
  },
  "_source": false
}

事实上，在最新的 Elasticsearch 发布版中，我们更倾向于如下的一种方式来获取我们想要的字段：

GET laptops-demo/_search
{
  "fields": [
    "name",
    "price"
  ], 
  "query": {
    "match_all": {}
  },
  "_source": false
}

我们使用 fields 来指定想要返回的字段。

顾名思义，match_all 匹配所有内容。 要根据某些条件进行搜索，我们可以使用匹配关键字。 例如，要搜索名称中包含 Apple 的所有笔记本电脑：

GET laptops-demo/_search
{
  "query": {
    "match": {
      "name": "Apple"
    }
  }
}

从上面的映射我们知道，name 字段是一个 text 字段，会被解析。 简单来说，分析就是将文本字符串小写，拆分成t oken，去掉标点符号。 你可以在此链接上阅读有关分析的更多信息。

要查看如何分析文本，我们可以使用 _analyze 端点：

GET laptops-demo/_analyze
{
  "text": "Apple MackBook!",
  "analyzer": "standard"
}

这里我们使用 standard 分析器，如上所述，它将小写文本，将其拆分为标记并删除标点符号：

{
  "tokens": [
    {
      "token": "apple",
      "start_offset": 0,
      "end_offset": 5,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "mackbook",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    }
  ]
}

更多关于 Elasticsearch analyzer 的文章，请阅读 “Elasticsearch: analyzer”。

由于我们在索引的设置中定义了一个特殊的分析器 ngram_analyzer ，让我们使用这个分析器来分析我们的文本，看看我们会得到什么：

GET laptops-demo/_analyze
{
  "text": "Apple MackBook!",
  "analyzer": "ngram_analyzer"
}

我们可以看到生成了一堆N-gram：

{
  "tokens": [
    {
      "token": "ap",
      "start_offset": 0,
      "end_offset": 5,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "app",
      "start_offset": 0,
      "end_offset": 5,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "appl",
      "start_offset": 0,
      "end_offset": 5,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "apple",
      "start_offset": 0,
      "end_offset": 5,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "ma",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "mac",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "mack",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "mackb",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "mackbo",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "mackboo",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "mackbook",
      "start_offset": 6,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    }
  ]
}

这些 N-grams 对于输入即搜索或自动完成很有用，让我们尝试通过部分输入进行搜索：

GET laptops-demo/_search
{
  "query": {
    "match": {
      "name.ngrams": "Appl"
    }
  }
}

在此查询中，你还可以获得所有 Apple 笔记本电脑。 如果你在 name 字段而不是 name.ngrams 字段中按 Appl 搜索，你将找不到任何内容，因为 name 字段由standard 分析器分析，因此没有 N-gram。

你可能想知道 name 字段和 name.ngrams 字段之间的关系是什么。 嗯，这就是所谓的多字段（multi-fields），就是为了不同的目的，用不同的方式索引同一个字段。 由于始终分析文本字段，因此我们经常为其添加一些额外的字段。 例如，keyword 类型字段通常被添加到文本字段中。 keyword 类型意味着文本将按原样处理，不会被分析。 同一字段的多个字段可以用不同的分析器进行分析。 在本文中，使用 standard 分析器分析 name 字段，使用自定义 ngram_analyzer 分析 name.ngrams 字段，这在不同情况下很有用。

我们已经学习了如何使用匹配查询来搜索文本字段。 还有 long、float 等其他类型的字段，这些字段类似于文本字段的关键字类型，不做分析。 如果我们不想在搜索中分析查询输入，我们可以使用 term 查询：

GET laptops-demo/_search
{
  "query": {
    "term": {
      "name.keyword": {
        "value": "Apple MacBook Model 131"
      }
    }
  }
}

通过这个查询，我们得到了名字恰好是 “Apple MacBook Model 131” 的笔记本电脑。 如果我们将查询中的任何单词更改为小写或删除任何单词，我们将一无所获。 这是因为，对于 term 查询，我们按原样搜索查询字符串，不会对其进行分析。  Elasticsearch 搜索引擎中存储的文本字段数据不是原始字符串，而是上面用分析器演示的一堆 token。这种搜索也通常被称之为精确匹配。

如果我们想搜索多个值（原样），我们可以使用 terms 查询。 例如，如果我们要搜索 id 为 1、10 和 100 的笔记本电脑：

GET laptops-demo/_search
{
  "query": {
    "terms": {
      "id": [
        1,
        10,
        100
      ]
    }
  }
}

我们可以使用 range 查询来搜索包含具有给定范围的术语的文档。 例如，让我们搜索价格在 10,000 到 20,000 Kr 之间的笔记本电脑。

GET laptops-demo/_search
{
  "query": {
    "range": {
      "price": {
        "gte": 10000,
        "lte": 20000
      }
    }
  }
}

我们已经知道如何通过 ID 更新和删除单个文档。 有时我们需要更新或删除许多满足某些条件的文件。 在这种情况下，我们可以使用 update_by_query 和 delete_by_query：

POST laptops-demo/_update_by_query
{
  "script": {
    "source": "ctx._source.price += params.increase",
    "lang": "painless",
    "params" : {
      "increase" : 2000
    }    
  },
  "query": {
    "match": {
      "brand": "Apple"
    }
  }
}

在此示例中，我们将所有 Apple 笔记本电脑的价格提高 2,000 Kr。

关键点：

  • 在 query 部分，我们使用常规搜索查询来查找需要更新的文档。
  • 在script 部分，我们指定如何处理查询找到的结果。 在这里，我们正在进行脚本更新。
  • lang 指定要使用的语言。 在 Elasticsearch 中，默认的脚本语言称为 painless，我会说这是一个奇怪的名字。 由于它是要使用的默认语言，因此你可以省略此字段。
  • params 指定将在脚本中使用的参数。
  • source 指定要运行的源代码。 源码中 ctx 为上下文数据，ctx._source.price 代表查询到的每个文档的 price 字段。

更多关于脚本的学习，你可以参考文章 “Elastic：开发者上手指南” 中的 “Painless 编程” 部分。

对于delete_by_query，就简单多了，因为我们不需要指定源代码来运行。 让我们删除 id 为 1、11、111 的笔记本电脑，仅用于演示目的。

POST laptops-demo/_delete_by_query
{
  "query": {
    "terms": {
      "id": [
        1,
        11,
        111
      ]
    }
  }
}

默认情况下，查询结果按相关性得分降序排列。 我们也可以按照我们指定的一些字段对结果进行排序。 例如，让我们搜索所有 Apple MacBook 并按价格降序对结果进行排序：

GET laptops-demo/_search
{
  "query": {
    "match": {
      "name": "Apple MacBook"
    }
  },
  "sort": [
    {
      "price": {
        "order": "desc"
      }
    }
  ]
}

sort 字段需要一个对象列表，这意味着我们可以按多个字段排序。

让我们检查一个更高级的排序示例。 让我们将 Apple 笔记本电脑放在其他品牌之前，然后按 price 升序排列。 为了这个排序目的，我们需要写一些 painless 脚本：

GET laptops-demo/_search
{
  "sort": [
    {
      "_script": {
        "type": "number",
        "script": {
          "lang": "painless",
          "source": """
              if (doc['brand.keyword'].value == 'Apple') {
                return 1;
              } else {
                return 0;
              }
            """
        },
        "order": "desc"
      }
    },
    {
      "price": {
        "order": "asc"
      }
    }
  ]
}

_script 关键字指定我们将按脚本返回的结果排序。 注意，我们不能直接按布尔条件排序，而是需要将布尔结果转化为数值，然后再按它们排序。 type 字段指定从脚本返回的结果的类型，这里我们希望返回一个 number。

在 source 字段指定的 painless 脚本中，doc 变量包含了当前文档的所有字段。 对于常规字段，可以通过 doc['fieldname'].value 访问该值。 对于 keyword 等多字段，可以通过 doc['fieldname.keyword'].value 访问值。

到目前为止，我们只使用了一个查询。 如果我们希望文档满足多个条件，我们可以使用 bool 查询，它使用一个或多个布尔子句构建，包括 must、should、filter 和 must_not。 这就是 Elasticsearch 查询可能变得非常复杂的地方。

默认情况下，Elasticsearch 按相关性分数对匹配结果进行排序，相关性分数衡量每个文档与查询的匹配程度。 相关性分数是一个正浮点数，在搜索 API 的 _score 元数据字段中返回。 _score 越高，文档越相关。 每种查询类型都会以不同方式计算相关性分数。 布尔子句可以在所谓的查询或过滤器上下文中运行。

查询上下文：

  • must：子句（query）必须出现在匹配的文档中，并将有助于得分。
  • should：子句（query）应该出现在匹配的文档中，也就是说它实际上可能出现也可能不出现。 我们可以通过 minimum_should_match 字段指定应该出现多少个 should 子句，如下所示。

must 和 should 查询在查询上下文中执行。 除了决定文档是否匹配之外，查询子句还在 _score 元数据字段中计算相关性分数。

过滤器上下文：

  • filter：子句（query）必须出现在匹配的文档中。 但是，与 must 不同的是，查询的分数将被忽略。
  • must_not：子句（查询）不得出现在匹配文档中。

filter 和 must_not 查询在过滤器上下文中执行，其中忽略评分并考虑缓存子句，这可以使以后使用相同子句的搜索更快。

作为演示，让我们找到满足以下条件的 Apple 笔记本电脑：

  • brand 字段必须包含“Apple”。
  • name 应包含 “MacBook” 或 “Pro”，或两者（如果有）。
  • price 不得低于 5,000 Kr 或高于 50,000 Kr。
  • memory 必须是 8GB。

这是要使用的查询：

GET laptops-demo/_search
{
  "query": {
    "bool": {
      "must": {
        "match": {
          "brand": "Apple"
        }
      },
      "should": [
        {
          "match": {
            "name": "MacBook"
          }
        },
        {
          "match": {
            "name": "Pro"
          }
        }
      ],
      "must_not": {
        "range": {
          "price": {
            "gt": 50000,
            "lt": 5000
          }
        }
      },
      "filter": {
        "nested": {
          "path": "attributes",
          "query": {
            "bool": {
              "must": [
                {
                  "match": {
                    "attributes.attribute_name": "memory"
                  }
                },
                {
                  "match": {
                    "attributes.attribute_value": "16GB"
                  }
                }
              ]
            }
          }
        }
      },
      "minimum_should_match": 1
    }
  }
}

这个演示可能看起来很愚蠢，因为我们在文档中没有很多字段。 在实际情况下，一个文档中可以有几十个字段，布尔查询可以变得非常强大。 本例中使用的 nested 查询将在稍后介绍。简单一句话，如果是针对一个数组来进行查询，需要同时满足其中的两个及以上的属性的查询，我们需要使用到 nested 数据类型。比如，我们需要查询 attribute 的名称为 memory，并且它的值也为 16G，那么我们在这种情况下需要使用到 nested 数据类型。需要特别指出的是 nested 目前在 Kibana 中支持的不是很好。不能使用 nested 字段来进行可视化。

到目前为止，我们还没有解释 laptops-demo 索引的属性字段。 attributes 字段的特殊之处在于它是一个 nested 字段，包含 attribute_name 和 attribure_value 字段作为子字段。 nested 类型是对象数据类型的特殊版本，它允许对象数组以一种可以彼此独立查询的方式进行索引。 我们应该始终为 nested 字段创建映射，如本例所示，因为 Elasticsearch 没有内部对象的概念。 因此，它将对象层次结构扁平化为字段名称和值的简单列表。 如果你查询展平的对象，你将得不到预期的结果。

要查询 nested 字段，我们可以使用 nested 查询。 让我们找出内存为 16GB 的所有笔记本电脑：

GET laptops-demo/_search
{
  "query": {
    "nested": {
      "path": "attributes",
      "query": {
        "bool": {
          "must": [
            { "match": { "attributes.attribute_name": "memory" }},
            { "match": { "attributes.attribute_value":  "16GB" }} 
          ]
        }
      }
    }
  }
}

关键点：

  • nested 关键字指定我们正在查询 nested 字段。
  • path 指定 nested 字段的名称，在本例中为 attributes。
  • bool 表示我们正在使用布尔查询，因为我们希望 attribute_name 和 attribute_value 字段都满足某些条件。
  • must 表示子查询必须全部出现在文档中。
  • match 表示全文搜索，因为 attribute_name 和 attribute_value 字段都是文本字段。 如果其中一些不是文本字段，我们需要使用 term、terms 或 range 查询。

Elasticsearch 不仅仅是一个搜索引擎，它还提供了非常强大的分析功能。 在 Elasticsearch 中，分析通常是通过 aggregations 来完成的，聚合将我们的数据汇总为指标、统计数据或其他分析。

你可以通过指定搜索 API 的 aggs 参数来运行聚合作为搜索的一部分。 最常见的聚合类型是 terms 聚合，它是一种基于多桶值的聚合，其中桶（bucket）是动态构建的 —— 每个唯一值一个。 请注意，此处的术语字段与查询中使用的字段不同。 terms in aggs 表示聚合方法是多桶聚合，而 terms in query 表示返回在给定字段中包含一个或多个确切术语的文档。 terms 查询与 term 查询相同，只是你可以搜索多个值。

让我们计算每个品牌的产品数量。 请注意，术语聚合应该是 keyword 类型的字段或任何其他适合桶聚合的数据类型，例如离散数值。

GET laptops-demo/_search
{
  "aggs": {
    "brand-count-agg": {
      "terms": {
        "field": "brand.keyword"
      }
    }
  }
}

默认情况下，搜索结果显示在聚合结果之前，这会使后者难以阅读。 如果我们只想看到聚合结果，我们将 size 设置为 0，这意味着不会显示任何查询结果。

GET laptops-demo/_search
{
  "size":0,
  "aggs": {
    "brand-count-agg": {
      "terms": {
        "field": "brand.keyword"
      }
    }
  }
}

我们也可以在聚合前指定搜索条件。 例如，我们只统计价格超过 20,000 Kr 的笔记本电脑。

GET laptops-demo/_search
{
  "size": 0,
  "aggs": {
    "brand-count-agg": {
      "terms": {
        "field": "brand.keyword"
      }
    }
  },
  "query": {
    "range": {
      "price": {
        "gte": 20000
      }
    }
  }
}

当你有更多要求时，聚合可能会变得复杂。 可以基于多个字段进行聚合，通过正则表达式过滤值，写一些脚本在聚合前转换数据等。如果你想有更高级的聚合，可以查看官方文档。更多关于聚合的文章，请参阅文章  “Elastic：开发者上手指南” 中的 “Aggregations” 章节。

我们在本文中介绍了很多关于 Elasticsearch 的内容。 如果你已经了解了基本知识和查询，那么你可以开始在工作中编写自己的查询。 但是，还有很多东西需要学习，本文无法涵盖。 这篇文章的目的是给大家一个大概的介绍，如何在不同的场合使用 Elasticsearch 查询，让大家可以快速上手或初步对 Elasticsearch 有所了解。 我希望你喜欢这篇文章。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/169221.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

ssh反向代理实现内网穿透【亲测可用】

ssh反向代理实现内网穿透【亲测可用】

常用内网穿透方式 1、网卡层映射&#xff0c;包括购买公网ip 推荐指数&#xff1a;&#x1f44d;&#x1f3fb;&#x1f44d;&#x1f3fb;&#x1f44d;&#x1f3fb;&#x1f44d;&#x1f3fb;&#x1f44d;&#x1f3fb;。 缺点&#xff1a;主要申请困难。 2、自己搭建内网…
阅读更多...
JavaWeb-HTTPTomcatServlet

JavaWeb-HTTPTomcatServlet

JavaWeb-HTTP&Tomcat&Servlet 1&#xff0c;Web概述 1.1 Web和JavaWeb的概念 Web是全球广域网&#xff0c;也称为万维网(www)&#xff0c;能够通过浏览器访问的网站。 在我们日常的生活中&#xff0c;经常会使用浏览器去访问百度、京东、传智官网等这些网站&#xf…
阅读更多...
韩顺平老师的linux基础课（复习笔记）

韩顺平老师的linux基础课（复习笔记）

今天听了韩老师的课程&#xff0c;深受启发啊&#xff01;&#xff01;&#xff01; 卖油翁的“我亦无他&#xff0c;唯手熟尔”&#xff0c;只是手法熟练罢了&#xff01;&#xff01; 还有老黄牛的坚持&#xff0c;别人把时间都放在努力上&#xff0c;而我把时间放在选择上&a…
阅读更多...
微信小程序分类菜单激活状态跟随列表滚动自动切换

微信小程序分类菜单激活状态跟随列表滚动自动切换

这里主要用到微信小程序提供的SelectorQuery获取页面节点信息实现&#xff0c;组件用的是微信小程序的scroll-view 逻辑就是获取右侧盒子的节点信息&#xff0c;获取右侧子分类的节点信息&#xff0c;当子分类滑动到顶部的之后&#xff0c;则切换左侧分类状态&#xff0c;而且当…
阅读更多...
【java】冒泡排序/选择排序/希尔排序

【java】冒泡排序/选择排序/希尔排序

文章目录排序分类/排序算法的分类冒泡排序代码1&#xff1a;代码2&#xff08;优化代码3&#xff08;算法优化 --当次排序没有进行交换则退出循环代码4&#xff08;封装为方法代码5&#xff08;检测冒泡排序时间复杂度选择排序代码1代码2&#xff08;优化算法代码3&#xff08;…
阅读更多...
FinalShell的下载安装简单使用

FinalShell的下载安装简单使用

目录 一、下载 二、安装 三、简单使用 一、下载 下载地址&#xff1a;SSH工具 SSH客户端 1、进去后选择第一个 FinalSheel SSH工具,远程桌面加速软件,支持Windows,macOS,Linux,版本3.9.7,更新时间2022.10.26&#xff1b; 2、选择需要的版本下载&#xff0c;我选择的是&…
阅读更多...
80. 循环神经网络的简洁实现

80. 循环神经网络的简洁实现

虽然从零开始实现循环神经网络对了解循环神经网络的实现方式具有指导意义&#xff0c;但并不方便。 本节将展示如何使用深度学习框架的高级API提供的函数更有效地实现相同的语言模型。 我们仍然从读取时光机器数据集开始。 import torch from torch import nn from torch.nn i…
阅读更多...
【SpringCloud13】SpringCloud Config分布式配置中心

【SpringCloud13】SpringCloud Config分布式配置中心

1.概述 1.1 分布式系统面临的配置问题 微服务意味着要将单体应用中的业务拆分成一个个子服务&#xff0c;每个服务的粒度相对较小&#xff0c;因此系统中会出现大量的服务。由于每个服务都需要必要的配置信息才能运行&#xff0c;所以一套集中式的、动态的配置管理设施是必不…
阅读更多...
PointNext论文解读

PointNext论文解读

论文地址&#xff1a;https://arxiv.org/abs/2206.04670 github地址&#xff1a;GitHub - guochengqian/PointNeXt: [NeurIPS22] PointNeXt: Revisiting PointNet with Improved Training and Scaling Strategies 本文主要提出优化PointNet的两大关键点. 1) 好的训练策略 2…
阅读更多...
如何搭建一个专业的知识库

如何搭建一个专业的知识库

当客户跟你达成合作关系后&#xff0c;需要持续的关系维护&#xff0c;在一定的销售点&#xff0c;定期和客户沟通&#xff0c;据调查&#xff0c;赢得一个新客户的成本可能是保留一个现有客户的5到25倍&#xff0c;作为营销策略&#xff0c;客户服务支持必须满足他们的期望。建…
阅读更多...
[BJDCTF2020]Easy MD5（浅谈PHP弱类型hash比较缺陷）

[BJDCTF2020]Easy MD5（浅谈PHP弱类型hash比较缺陷）

目录 信息收集 构造payload PHP弱类型hash比较缺陷 0e碰撞 数组MD5 总结 信息收集 看题目应该和MD5加密相关 select * from admin where passwordmd5($pass,true) PHP的MD5函数 string必需。规定要计算的字符串。raw 可选。规定十六进制或二进制输出格式&#xff1a; …
阅读更多...
2023-01-17 PostgreSQL 并行查询概述

2023-01-17 PostgreSQL 并行查询概述

简介&#xff1a; 大数据时代&#xff0c;人们使用数据库系统处理的数据量越来越大&#xff0c;请求越来越复杂&#xff0c;对数据库系统的大数据处理能力和混合负载能力提出更高的要求。PostgreSQL 作为世界上最先进的开源数据库&#xff0c;在大数据处理方面做了很多工作&…
阅读更多...
详谈ORB-SLAM2的单目初始化器Initializer

详谈ORB-SLAM2的单目初始化器Initializer

单目初始化器Initializer类&#xff0c;这个类只用于单目初始化&#xff0c;因为这是ORB-SLAM里遗留的一个类&#xff0c;也是祖传代码&#xff0c;双目和RGBD相机只需要一帧就能初始化&#xff0c;因为双目和RGBD相机拍到的点都是有信息的&#xff0c;但是单目相机就不一定了&…
阅读更多...
六种方法在云平台和远程桌面中使用Kali

六种方法在云平台和远程桌面中使用Kali

一、说明 本篇主要介绍方便在云服务器&#xff0c;或者以远程桌面&#xff08;GUI&#xff09;形式使用kali配置教程&#xff0c;帮助渗透更加方便顺利。 二、方法 2.1 方法一 云服务提供商预装 备注&#xff1a;预算充足&#xff0c;可以首考虑此方法 优点&#xff1a; 云服…
阅读更多...
java 探花交友项目实战 day3 完善个人信息 阿里云OSS文件存储 百度人脸识别

java 探花交友项目实战 day3 完善个人信息 阿里云OSS文件存储 百度人脸识别

完善用户信息 业务概述 阿里云OSS Data ConfigurationProperties(prefix "tanhua.oss") public class OssProperties { private String accessKey; private String secret; private String bucketName; private String url; //域名 private Strin…
阅读更多...
微分方程的特征值解法：斯图姆-刘维尔方程

微分方程的特征值解法：斯图姆-刘维尔方程

一.基础概念 前置：福克斯定理和奇点理论 常点的级数解 奇异点的级数解 则至少存在一个如下形式的解（弗罗贝尼乌斯级数）： 19世纪中期，常微分方程的研究到了新的阶段，存在定理和斯图姆-刘维尔理论都假设微分方程区域内含解析函数或至少包含连续函数，而另一方面，以前研究…
阅读更多...
东莞注塑MES管理系统具有哪些功能

东莞注塑MES管理系统具有哪些功能

伴随着人们对于物质生活的品质要求越来越高&#xff0c;日用品、医疗保健、汽车工业、电子行业、新能源、家电、包装行业以及建筑等行业对注塑产品的需求量日益突出。注塑企业提供的各种各样的塑料产品已渗透到经济生活的各个领域&#xff0c;为国家经济的各个部门包括轻工业和…
阅读更多...
ARM SD卡启动详解

ARM SD卡启动详解

一、主流的外存设备介绍 内存和外存的区别&#xff1a;一般是把这种 RAM(random access memory&#xff0c;随机访问存储器&#xff0c;特点是任意字节读写&#xff0c;掉电丢失)叫内存&#xff0c;把 ROM&#xff08;read only memory&#xff0c;只读存储器&#xff0c;类似…
阅读更多...
15子空间投影

15子空间投影

子空间投影 从向量的投影入手&#xff0c;延伸到高维投影&#xff0c;并将投影使用矩阵形式给出。做投影也即向另一个向量上做垂线。上一章讨论的Axb无解时的最优解求解时&#xff0c;并没有解释这个最优解为何“最优”&#xff0c;本节课给出相应的解释。相对简单的二维空间的…
阅读更多...
MyBatis -- resultType 和 resultMap

MyBatis -- resultType 和 resultMap

MyBatis -- resultType 和 resultMap一、返回类型&#xff1a;resultType二、返回字典映射&#xff1a;resultMap一、返回类型&#xff1a;resultType 绝⼤数查询场景可以使用 resultType 进⾏返回&#xff0c;如下代码所示&#xff1a; <select id"getNameById"…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023