ElasticSearch地理空间数据了解

news2024/10/6 4:05:48

ElasticSearch地理空间数据了解

使用场景

Elasticsearch 的地理空间数据处理功能在现代社会中有着广泛的应用，以下是一些常见的使用场景和方向：

1. 位置搜索和导航

  • 本地服务发现：应用程序可以使用 Elasticsearch 查找用户附近的餐馆、商店、医院等服务。
  • 导航系统：基于地理空间数据提供路线规划和实时交通信息。
  • 实时位置跟踪：例如共享单车、外卖配送的实时位置追踪和展示。

2. 地理围栏（Geofencing）

  • 安全区域管理：例如设定虚拟边界，当设备进入或离开某个区域时触发警报。
  • 营销活动：根据用户位置发送定向广告或优惠信息。

3. 灾害管理和应急响应

  • 自然灾害预警：利用地理空间数据监测和预测地震、洪水等自然灾害。
  • 应急响应调度：在灾害发生时，快速定位和调度最近的应急服务资源。

4. 智能城市和物联网（IoT）

  • 城市规划：通过分析城市的地理空间数据，优化公共设施布局和交通流量。
  • 环境监测：传感器网络监测空气质量、水质等环境参数，并基于地理位置进行数据分析。

5. 房地产和物业管理

  • 房产搜索：根据用户的地理位置需求，查找和推荐符合条件的房产。
  • 物业管理：管理和维护物业的地理空间数据，进行资产跟踪和设施管理。

6. 物流和供应链管理

  • 运输路线优化：分析运输路线，优化物流配送路径，减少运输时间和成本。
  • 库存管理：跟踪和管理仓库的地理位置及库存分布。

7. 社交媒体和用户行为分析

  • 位置打卡：社交媒体应用通过地理空间数据实现用户位置打卡功能。
  • 用户行为分析：分析用户地理位置数据，了解用户活动模式和偏好。

8. 旅游和娱乐

  • 旅游景点推荐：根据游客的当前位置和偏好，推荐附近的旅游景点和活动。
  • 活动定位：例如音乐节、体育赛事等大型活动的地理位置管理和观众引导。

9. 零售和电子商务

  • 店铺选址：分析地理数据，选择最佳的店铺开设位置。
  • 库存分布优化：根据地理数据调整库存分布，优化供应链。

10. 公共安全和执法

  • 犯罪热点分析：基于地理空间数据分析犯罪热点，制定更有效的执法策略。
  • 巡逻路径优化：优化巡逻车辆的路径，提高巡逻效率和覆盖范围。

这些场景展示了 Elasticsearch 在处理和分析地理空间数据方面的强大能力，它能够帮助企业和机构更好地理解地理位置数据，做出更明智的决策，提高运营效率和服务质量。

ES与PostGIS对比

在地理信息行业中PostGIS是广大GISer常用的数据库工具。

Elasticsearch 和 PostGIS 都是处理地理空间数据的强大工具，但它们有不同的优点和用途。下面是对比这两者各自优点和应用场景的详细分析：

Elasticsearch

img

优点
  1. 分布式架构：Elasticsearch 是一个分布式搜索和分析引擎，能够处理大规模的数据集并提供高可用性和容错性。
  2. 全文搜索：除了地理空间查询，Elasticsearch 还擅长处理全文搜索，可以将地理空间数据与文本数据结合进行复杂查询。
  3. 实时性：Elasticsearch 擅长处理实时数据，能够快速索引和查询，适用于需要实时搜索和分析的场景。
  4. 地理空间聚合：支持地理空间聚合，可以进行复杂的地理空间分析，例如按距离或区域分组。
  5. 生态系统：Elasticsearch 是 Elastic Stack 的一部分，易于与 Kibana、Logstash 等工具集成，提供可视化和数据处理能力。
用途
  • 本地服务和导航应用：例如本地商店搜索、地图导航、实时位置跟踪等。
  • 社交媒体和用户行为分析：结合位置数据进行用户行为分析和内容推荐。
  • 实时数据分析：适用于需要实时索引和查询地理空间数据的场景，如灾害预警、应急响应等。
  • 搜索引擎优化：结合文本搜索和地理空间搜索，为用户提供更加精准的搜索结果。

PostGIS

img

优点
  1. 关系型数据库扩展：PostGIS 是 PostgreSQL 的地理空间扩展，继承了 PostgreSQL 的关系型数据库优势，支持复杂的 SQL 查询和事务处理。
  2. 丰富的地理空间功能：PostGIS 提供了大量的地理空间函数和操作，支持复杂的地理空间分析和处理。
  3. 精确性：PostGIS 在处理精确的地理空间计算方面表现出色，适用于需要高精度地理空间数据处理的场景。
  4. 标准化支持：完全支持 OGC 标准（Open Geospatial Consortium），确保与其他 GIS 系统的兼容性。
  5. 复杂查询：可以进行复杂的多表联接、嵌套查询和子查询，适用于复杂的数据分析和处理。
用途
  • 地理信息系统（GIS）：广泛用于 GIS 系统中，用于存储、查询和分析复杂的地理空间数据。
  • 城市规划和管理：适用于城市规划、土地管理等需要精确地理空间数据处理的领域。
  • 环境监测和管理：例如监测水质、空气质量、自然资源管理等。
  • 基础设施管理：用于管理和分析基础设施数据，如电网、水管、交通网络等。
  • 科学研究：适用于地理空间数据密集的科学研究，如地质调查、生态研究等。

对比总结

特性ElasticsearchPostGIS
架构分布式搜索和分析引擎关系型数据库的地理空间扩展
实时性强，适合实时数据处理较弱，主要用于批处理和精确查询
全文搜索强，适合结合地理数据的全文搜索不支持
地理空间功能丰富，但不如 PostGIS 详细非常丰富，支持复杂地理空间分析
精确性较高，但不如 PostGIS非常高，适用于精确地理计算
复杂查询较弱，适合简单和聚合查询强，支持复杂的多表联接和子查询
标准化支持部分支持 OGC 标准完全支持 OGC 标准
集成生态系统Elastic Stack（Kibana、Logstash）PostgreSQL 及其扩展

选择建议

  • Elasticsearch 适合需要实时搜索、分析以及处理大规模数据的应用，如本地服务发现、导航、社交媒体分析等。
  • PostGIS 适合需要精确地理空间分析、复杂查询和事务处理的应用，如 GIS 系统、城市规划、环境监测等。

根据具体的应用需求和数据处理要求，选择合适的工具可以更好地满足业务需求。

ES空间数据类型

ES支持的坐标系是WGS84经纬度坐标（EPSG:4326）。主要原因如下：

  • 全球标准：WGS 84 是全球标准的地理坐标系，被广泛应用于全球定位系统（GPS）和许多地理信息系统（GIS）。
  • 简单性：通过支持一个主要的坐标系，简化了 Elasticsearch 的内部实现和优化。
  • 兼容性：大多数地理空间数据和服务默认使用 WGS 84 坐标系，这使得与其他系统和服务的集成更加顺畅。

1. 地理空间字段类型

Elasticsearch 支持多种地理空间字段类型，主要包括：

  • geo_point：用于表示单个地理点（经度和纬度）。
  • geo_shape：用于表示复杂的地理形状，如多边形、线、多点、组合形状等。
geo_point

geo_point 字段类型用于表示单个地理点（即经度和纬度）。这是最常用的地理空间字段类型之一，适用于存储和查询具体的地理位置。

示例

定义一个包含 geo_point 字段的索引：

PUT /my_index
{
  "mappings": {
    "properties": {
      "location": {
        "type": "geo_point"
      }
    }
  }
}

索引一个地理点：

PUT /my_index/_doc/1
{
  "location": {
    "lat": 40.73,
    "lon": -74.1
  }
}
支持的格式
  • 字符串格式：例如 "40.73,-74.1"
  • 对象格式：例如 {"lat": 40.73, "lon": -74.1}
  • 数组格式：例如 [ -74.1, 40.73 ] （注意顺序：经度，纬度）
geo_shape

geo_shape 字段类型用于表示复杂的地理形状，例如多边形、线、多点、组合形状等。这种类型适用于需要存储和查询复杂地理区域的场景。

示例

定义一个包含 geo_shape 字段的索引：

PUT /my_index
{
  "mappings": {
    "properties": {
      "location": {
        "type": "geo_shape"
      }
    }
  }
}

索引一个多边形：

PUT /my_index/_doc/1
{
  "location": {
    "type": "polygon",
    "coordinates": [
      [
        [-77.03653, 38.897676],
        [-77.009051, 38.889939],
        [-77.020945, 38.881091],
        [-77.03653, 38.897676]
      ]
    ]
  }
}
支持的几何形状类型
  • point：单个点。
  • linestring：线，由一系列点连接而成。
  • polygon：多边形，由一系列点构成，形成闭合区域。
  • multipoint：多个点。
  • multilinestring：多条线。
  • multipolygon：多个多边形。
  • geometrycollection：几何集合，可以包含上述任意组合。

3. 地理空间查询

Elasticsearch 提供多种地理空间查询，用于查找和过滤地理空间数据，包括：

  • geo_bounding_box：查找位于指定的矩形边界框内的地理点。
  • geo_distance：查找距离某个地理点一定范围内的地理点。
  • geo_polygon：查找位于指定多边形内的地理点。
  • geo_shape：基于形状的查询，支持查找与指定形状相交、包含或被包含的地理形状。
geo_bounding_box

查找位于指定的矩形边界框内的地理点。

GET /my_index/_search
{
  "query": {
    "geo_bounding_box": {
      "location": {
        "top_left": {
          "lat": 40.73,
          "lon": -74.1
        },
        "bottom_right": {
          "lat": 40.01,
          "lon": -71.12
        }
      }
    }
  }
}
geo_distance

查找距离某个地理点一定范围内的地理点。

GET /my_index/_search
{
  "query": {
    "geo_distance": {
      "distance": "200km",
      "location": {
        "lat": 40.73,
        "lon": -74.1
      }
    }
  }
}
geo_polygon

查找位于指定多边形内的地理点。

GET /my_index/_search
{
  "query": {
    "geo_polygon": {
      "location": {
        "points": [
          {"lat": 40.73, "lon": -74.1},
          {"lat": 40.01, "lon": -71.12},
          {"lat": 40.10, "lon": -72.12}
        ]
      }
    }
  }
}
geo_shape 查询

上面的查询主要针对的是geo_point类型进行的查询。下面介绍geo_shape的查询（基于形状的查询），支持查找与指定形状相交、包含或被包含的地理形状。

常见的关系包括：

  • intersects：查找与查询形状相交的索引形状
  • disjoint：查找与查询形状不相交的索引形状
  • within：查找被查询形状包含的索引形状
  • contains：查找包含查询形状的索引形状
查询相交的形状

查找与查询形状相交的索引形状：

GET /my_index/_search
{
  "query": {
    "geo_shape": {
      "location": {
        "shape": {
          "type": "polygon",
          "coordinates": [
            [
              [-77.05, 38.90],
              [-77.00, 38.88],
              [-77.04, 38.85],
              [-77.05, 38.90]
            ]
          ]
        },
        "relation": "intersects"
      }
    }
  }
}
查询包含的形状

查找包含查询形状的索引形状：

GET /my_index/_search
{
  "query": {
    "geo_shape": {
      "location": {
        "shape": {
          "type": "point",
          "coordinates": [-77.03653, 38.897676]
        },
        "relation": "contains"
      }
    }
  }
}
查询被包含的形状

查找被查询形状包含的索引形状：

GET /my_index/_search
{
  "query": {
    "geo_shape": {
      "location": {
        "shape": {
          "type": "envelope",
          "coordinates" : [[-77.05, 38.90], [-77.00, 38.85]]
        },
        "relation": "within"
      }
    }
  }
}
查询不相交的形状

查找被查询形状不想交的索引形状：

GET /my_index/_search
{
  "query": {
    "geo_shape": {
      "location": {
        "shape": {
          "type": "polygon",
          "coordinates": [
            [
              [-77.05, 38.90],
              [-77.04, 38.88],
              [-77.03, 38.87],
              [-77.02, 38.86],
              [-77.05, 38.90]
            ]
          ]
        },
        "relation": "disjoint"
      }
    }
  }
}
组合查询

在 Elasticsearch 中，可以通过组合不同的地理空间查询来实现更复杂的查询需求。虽然 Elasticsearch 不直接支持在单个 geo_shape 查询中组合多个关系，但可以使用布尔查询 (bool query) 来组合多个地理空间查询。这种方法允许你在一个查询中使用多个 geo_shape 查询，每个查询可以使用不同的关系。

我们想组合以下查询

  • 查找与查询形状相交的形状
  • 查找与查询形状不相交的形状
  • 查找被查询形状包含的形状
  • 查找包含查询形状的形状

可以使用布尔查询来实现：

GET /my_index/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "geo_shape": {
            "location": {
              "shape": {
                "type": "polygon",
                "coordinates": [
                  [
                    [-77.05, 38.90],
                    [-77.04, 38.88],
                    [-77.03, 38.87],
                    [-77.02, 38.86],
                    [-77.05, 38.90]
                  ]
                ]
              },
              "relation": "intersects"
            }
          }
        },
        {
          "geo_shape": {
            "location": {
              "shape": {
                "type": "polygon",
                "coordinates": [
                  [
                    [-77.06, 38.91],
                    [-77.05, 38.89],
                    [-77.04, 38.88],
                    [-77.06, 38.91]
                  ]
                ]
              },
              "relation": "disjoint"
            }
          }
        }
      ],
      "should": [
        {
          "geo_shape": {
            "location": {
              "shape": {
                "type": "polygon",
                "coordinates": [
                  [
                    [-77.07, 38.92],
                    [-77.06, 38.90],
                    [-77.05, 38.89],
                    [-77.07, 38.92]
                  ]
                ]
              },
              "relation": "within"
            }
          }
        },
        {
          "geo_shape": {
            "location": {
              "shape": {
                "type": "polygon",
                "coordinates": [
                  [
                    [-77.08, 38.93],
                    [-77.07, 38.91],
                    [-77.06, 38.90],
                    [-77.08, 38.93]
                  ]
                ]
              },
              "relation": "contains"
            }
          }
        }
      ],
      "minimum_should_match": 1
    }
  }
}

解释

  • bool 查询：允许组合多个查询条件。
    • must 子句：必须满足的条件。这里包括两个 geo_shape 查询，一个使用 intersects 关系，一个使用 disjoint 关系。
    • should 子句：可选条件。如果至少有一个 should 子句满足，则文档符合查询条件。这里包括两个 geo_shape 查询，一个使用 within 关系，一个使用 contains 关系。
    • minimum_should_match：设置 should 子句中至少有一个条件必须满足。

结果

这个组合查询将查找满足以下条件的文档：

  • 必须与第一个查询形状相交
  • 必须与第二个查询形状不相交
  • 以及/或者：
    • 被第三个查询形状包含
    • 包含第四个查询形状

通过这种方式，可以组合多个地理空间查询来实现复杂的查询需求。使用布尔查询，可以灵活地构建各种组合条件，从而满足不同的业务需求。

4. 地理空间聚合

Elasticsearch 提供了一些地理空间聚合功能，可以对地理空间数据进行分析和汇总，包括：

  • geo_distance 聚合：按距离分桶，将地理点按与指定点的距离进行分组。
  • geohash_grid 聚合：按 geohash 网格分桶，将地理点按地理区域分组。
  • geo_centroid 聚合：计算地理点的中心点（质心）。
geo_distance 聚合

geo_distance 聚合按距离分桶，将地理点按与指定点的距离进行分组。它可以帮助分析某个地点周围的分布情况。

解释
  • field：指定地理字段。
  • origin：指定中心点（经纬度）。
  • ranges：定义距离范围（分桶）。
示例
GET /locations/_search
{
  "size": 0,
  "aggs": {
    "by_distance": {
      "geo_distance": {
        "field": "location",
        "origin": "40.73, -74.1",
        "unit": "km",
        "ranges": [
          { "to": 10 },
          { "from": 10, "to": 20 },
          { "from": 20 }
        ]
      }
    }
  }
}
结果解释

结果会按指定距离范围分桶，比如 0-10 公里，10-20 公里，以及 20 公里以上的地理点的数量。

geohash_grid 聚合

geohash_grid 聚合按 geohash 网格分桶，将地理点按地理区域分组。geohash 是一种将经纬度编码为字符串的方法，每个字符串表示一个区域。

解释
  • field：指定地理字段。
  • precision：指定 geohash 精度（长度越大，网格越小）。
示例

执行 geohash_grid 聚合查询：

GET /locations/_search
{
  "size": 0,
  "aggs": {
    "by_geohash": {
      "geohash_grid": {
        "field": "location",
        "precision": 5
      }
    }
  }
}
结果解释

结果会按 geohash 网格分桶，每个桶包含在该网格区域内的地理点数量。precision 参数控制网格的大小，值越大，网格越小。

geo_centroid 聚合

geo_centroid 聚合计算地理点的中心点（质心），即所有点的平均位置。

解释
  • field：指定地理字段。
示例

假设我们有一个相同的 locations 索引。

执行 geo_centroid 聚合查询：

GET /locations/_search
{
  "size": 0,
  "aggs": {
    "centroid": {
      "geo_centroid": {
        "field": "location"
      }
    }
  }
}
结果解释

结果会包含所有地理点的中心点的经纬度值。

组合查询

我们可以组合多个聚合查询来进行复杂的地理空间分析。假设我们需要按距离分桶，然后在每个桶内计算中心点。

GET /locations/_search
{
  "size": 0,
  "aggs": {
    "by_distance": {
      "geo_distance": {
        "field": "location",
        "origin": "40.73, -74.1",
        "unit": "km",
        "ranges": [
          { "to": 10 },
          { "from": 10, "to": 20 },
          { "from": 20 }
        ]
      },
      "aggs": {
        "centroid": {
          "geo_centroid": {
            "field": "location"
          }
        }
      }
    }
  }
}
结果解释

结果会按距离分桶，每个桶内再计算该桶内地理点的中心点。这样可以得到不同距离范围内地理点的分布情况和每个范围内的中心点。

通过这些聚合功能，Elasticsearch 可以进行强大的地理空间数据分析，适用于各种需要地理数据分析和可视化的应用场景。

5. 地理空间索引配置

为了优化地理空间查询的性能，可以在创建索引时配置地理空间字段的属性。例如，可以设置 precision 参数来控制 geo_shape 字段的精度。

geo_point 字段的配置
示例

假设我们有一个包含地理点数据的索引 locations，我们可以配置 geo_point 字段来优化查询性能。

PUT /locations
{
  "mappings": {
    "properties": {
      "location": {
        "type": "geo_point"
      }
    }
  }
}

对于 geo_point 字段，配置选项相对简单，主要是字段类型的声明。

geo_shape 字段的配置
示例

假设我们有一个包含复杂地理形状数据的索引 regions，我们可以配置 geo_shape 字段来优化查询性能。

PUT /regions
{
  "mappings": {
    "properties": {
      "boundary": {
        "type": "geo_shape",
        "tree": "quadtree",
        "precision": "1m",
        "tree_levels": 26,
        "distance_error_pct": 0.025
      }
    }
  }
}
参数解释
  • type：字段类型，这里为 geo_shape。
  • tree：用于索引地理形状的树结构类型。常用的有 quadtree 和 geohash。
  • precision：控制索引的精度。它决定了树的每个节点代表的地理区域的大小。值可以是距离单位（如 1m 表示 1 米，1km 表示 1 公里）或地理精度（如 1 表示 1 个地理单元）。
  • tree_levels：指定树的最大层级数。更多的层级数会带来更高的精度，但也会增加索引的大小和复杂性。
  • distance_error_pct：允许的最大距离误差百分比。较低的误差会提高精度，但也会增加索引的复杂度和大小。
参数详细解释
tree（树结构类型）
  • quadtree：一种将空间递归细分为四个象限的树结构。适用于大多数地理形状的索引。
  • geohash：使用 Geohash 算法将地理空间编码为字符串。适用于简单的地理点和矩形区域。

选择树结构类型取决于数据的特点和查询需求。quadtree 通常适用于需要高精度的复杂形状，geohash 则适用于较简单的形状和点。

precision（精度）
  • 精度越高，索引越精细，查询的精确度也越高，但索引的大小和生成时间也会增加。
  • 精度的值可以是具体的距离单位，例如 1m（1 米）、10m（10 米）等，或地理精度的具体值。

示例：精度设置为 1m 表示每个树节点代表的地理区域的大小为 1 米。

tree_levels（树层级数）
  • 控制树的最大层级数，更多的层级数意味着更高的索引精度，但也会增加索引的大小和复杂性。
  • 通常，树层级数与精度参数一起使用，以平衡索引的精度和大小。

示例：设置 tree_levels 为 26，表示树的最大层级数为 26 级。

distance_error_pct（距离误差百分比）
  • 控制允许的最大距离误差百分比。较低的误差百分比意味着更高的索引精度，但也会增加索引的复杂性和大小。
  • 这个参数帮助平衡查询精度和索引大小。

示例：设置 distance_error_pct 为 0.025，表示允许最大 2.5% 的距离误差。

综合示例

假设我们有一个复杂的地理形状数据，包含城市边界，我们希望在查询时能获得高精度的结果，同时考虑索引大小和性能。可以这样配置索引：

PUT /city_boundaries
{
  "mappings": {
    "properties": {
      "boundary": {
        "type": "geo_shape",
        "tree": "quadtree",
        "precision": "10m",
        "tree_levels": 15,
        "distance_error_pct": 0.01
      }
    }
  }
}

在这个示例中：

  • 使用 quadtree 作为树结构类型，以获得更高的精度。
  • 设置 precision 为 10m，表示每个节点代表的区域大小为 10 米。
  • 设置 tree_levels 为 15，限制树的最大层级数。
  • 设置 distance_error_pct 为 0.01，允许最大 1% 的距离误差。

通过合理配置地理空间字段的属性，可以显著优化地理空间查询的性能，满足不同应用场景的需求。

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/1829103.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

大数据入门实践一：mac安装Hadoop，Hbase，FLume

大数据入门实践一：mac安装Hadoop，Hbase，FLume

一、安装Hadoop 安装hadoop参考此文，关键点是安装JDK和Hadoop的配置，为避免引用文章变收费，我把关键信息摘录如下： jdk安装和配置就不说了(我本机安装了1.8/15/17/21，以17为主），hadoop安装过程…
阅读更多...
基于 SSM 框架的二手书交易系统

基于 SSM 框架的二手书交易系统

基于 SSM 框架的二手书交易系统 一、项目介绍二、项目技术栈三、项目运行四、项目演示总结 大家好，这里是程序猿代码之路。在当今环保意识日益增强和资源节约型社会建设的背景下，二手交易作为一种节省资源和降低成本的消费方式越来越受到人们的欢迎。特别…
阅读更多...
自定义MyBatis插件

自定义MyBatis插件

插件原理回顾 在前面，我们通过 MyBatis插件机制介绍与原理 分析了 MyBatis 插件的基本原理，但是可能还只是理论上的分析，没有实战的锻炼可能理解的还是不够透彻。接下来，我们通过自定义插件实例来进一步深度理解 MyBatis 插件的插…
阅读更多...
【gitcode】idea 在本地拉取和push本地代码到gitcode仓库

【gitcode】idea 在本地拉取和push本地代码到gitcode仓库

【首次使用】 1、idea 拉取代码，很容易这里就不记录了。 2、push代码时，总是弹窗登录输入在gitcode.com登录能成功。但是在idea 怎么都不成功。控制台提示 remote: HTTP Basic: Access denied fatal: Authentication failed for ******* 认证失败 3…
阅读更多...
如何解决javadoc一直找不到路径的问题？

如何解决javadoc一直找不到路径的问题？

目录 一、什么是javadoc二、javadoc为什么会找不到路径三、如何解决javadoc一直找不到路径的问题 一、什么是javadoc Javadoc是一种用于生成Java源代码文档的工具，它可以帮助开发者生成易于阅读和理解的文档。Javadoc通过解析Java源代码中的注释，提取其…
阅读更多...
Docker：在DockerHub上创建私有仓库

Docker：在DockerHub上创建私有仓库

文章目录 Busybox创建仓库推送镜像到仓库 本篇开始要学习在DockerHub上搭建一个自己的私有仓库 Busybox Busybox是一个集成了三百多个最常用Linux命令和工具的软件，BusyBox包含了很多工具，这里拉取该镜像推送到仓库中： 安装 apt install …
阅读更多...
Javaweb06-Jsp技术

Javaweb06-Jsp技术

Jsp技术 一.Jsp的运行原理 **概述：**JSP是Java服务器页面，既可以写静态页面代码，也可以写动态页面代码 **特点：**跨平台性，业务代码相分离，组件重用，预编译 运行原理： 客户端发生…
阅读更多...
页面置换算法的模拟实现

页面置换算法的模拟实现

一. 实验内容 1. 假设某一个进程&#xff0c;在运行过程中需要访问的内容依次在320个地址中。为了模拟产生320个地址的值。首先实现在main函数中调用下面的函数随机产生320个地址的地址序列。 #include<unistd.h> void randarray(int a[],int k) { int i; float s;…
阅读更多...
使用自定义注解进行权限校验

使用自定义注解进行权限校验

一&#xff0c;前言 对于一些重复性的操作我们可以用提取为util的方式进行处理&#xff0c;但也可以更简便一些&#xff0c;比如自定义个注解进行。选择看这篇文章的小伙伴想必都对注解不陌生&#xff0c;但是可能对它的工作原理不太清楚。这里我们用注解实现对接口的权限校验…
阅读更多...
长亭网络通信基础2

长亭网络通信基础2

DNAT 默认路由配置方式 VRRP 买两个路由器 拥有两个虚拟网关地址 当一个路由器坏了还能进行正常上网 相当于三层闭合 提供功能 长亭笔试考题解析 三层交换机结合了路由器和交换机的特点 交换机没有路由表 不在同一网段 不能直接通信 可以给交换机VLANif 给接口配置ip地址 先…
阅读更多...
【云岚到家】-day03-1-门户等缓存方案选择

【云岚到家】-day03-1-门户等缓存方案选择

【云岚到家】-day03-1-门户-缓存方案选择 1 门户1.1 门户简介1.2 常见的技术方案1.2.1 需求1.2.2 常见门户1.2.2.1 Web门户1.2.2.2 移动应用门户1.2.2.3 总结 2 缓存技术方案2.1 需求分析2.1.1 界面原型2.2.2 缓存需求 3 SpringCache入门3.1 基础概念3.1.1 Redis客户端3.1.2 Sp…
阅读更多...
循环队列

循环队列

循环队列是一种线性数据结构&#xff0c;其操作表现基于 FIFO&#xff08;First In First Out&#xff0c;先进先出&#xff09;原则并且队尾被连接在队首以形成一个循环。 这种结构克服了普通队列在元素入队和出队时需要移动大量元素的缺点。 在循环队列中&#xff0c;当元素…
阅读更多...
轻松上手MYSQL：探索MySQL索引数据结构的奥秘-让数据库飞起来

轻松上手MYSQL：探索MySQL索引数据结构的奥秘-让数据库飞起来

​&#x1f308; 个人主页&#xff1a;danci_&#x1f525; 系列专栏&#xff1a;《设计模式》《MYSQL》&#x1f4aa;&#x1f3fb; 制定明确可量化的目标&#xff0c;坚持默默的做事。 ✨欢迎加入探索MYSQL索引数据结构之旅✨ &#x1f44b; 大家好&#xff01;文本学习研…
阅读更多...
Hadoop的读写流程

Hadoop的读写流程

Hadoop分布式文件系统（HDFS）是Apache Hadoop项目的核心组件，它为大数据存储提供了一个可靠、可扩展的存储解决方案。本文将详细介绍HDFS的读写数据流程，包括数据的存储原理、读写过程以及优化策略。 一、HDFS简介 HDFS是一个高度容错的分布式文件系统，它设计用于运行在通…
阅读更多...
python包管理器--- pip、conda、mamba的比较

python包管理器--- pip、conda、mamba的比较

1 pip 1.1 简介 pip是一个 Python 的包&#xff08;Package&#xff09;管理工具&#xff0c;用于从 PyPI 安装和管理 Python 标准库之外的其他包&#xff08;第三方包&#xff09;。从 Python 3.4 起&#xff0c;pip 已经成为 Python 安装程序的一部分&#xff0c;也是官方标准…
阅读更多...
【chatbot-api开源项目】开发文档

【chatbot-api开源项目】开发文档

chatbot-api 1. 需求分析1-1. 需求分析1-2. 系统流程图 2. 技术选型3. 项目开发3-1. 项目初始化3-2. 爬取接口获取问题接口回答问题接口创建对应对象 3-3. 调用AI3-4. 定时自动化回答 4. Docker部署5. 扩展5-1. 如果cookie失效了怎么处理5-2. 如何更好的对接多个回答系统 Gitee…
阅读更多...
各种机器学习算法的应用场景分别是什么（比如朴素贝叶斯、决策树、K 近邻、SVM、逻辑回归最大熵模型）？

各种机器学习算法的应用场景分别是什么（比如朴素贝叶斯、决策树、K 近邻、SVM、逻辑回归最大熵模型）？

2023简直被人工智能相关话题席卷的一年。关于机器学习算法的热度&#xff0c;也再次飙升&#xff0c;网络上一些分享已经比较老了。那么今天借着查询和学习的机会&#xff0c;我也来浅浅分享下目前各种机器学习算法及其应用场景。 为了方便非专业的朋友阅读&#xff0c;我会从算…
阅读更多...
揭秘神秘的种子：Adobe联合宾夕法尼亚大学发布文本到图像扩散模型大规模种子分析

揭秘神秘的种子：Adobe联合宾夕法尼亚大学发布文本到图像扩散模型大规模种子分析

文章链接&#xff1a;https://arxiv.org/pdf/2405.14828 最近对文本到图像&#xff08;T2I&#xff09;扩散模型的进展促进了创造性和逼真的图像合成。通过变化随机种子&#xff0c;可以为固定的文本提示生成各种图像。在技术上&#xff0c;种子控制着初始噪声&#xff0c;并…
阅读更多...
FineReport简单介绍(2)

FineReport简单介绍(2)

一、报表类型 模板设计是 FineReport 学习过程中的主要难题所在&#xff0c;FineReport 模板设计主要包括普通报表、聚合报表、决策报表三种设计类型。 报表类型简介- FineReport帮助文档 - 全面的报表使用教程和学习资料 二、聚合报表 2-1 介绍 聚合报表指一个报表中包含多个…
阅读更多...
电商秒杀系统

电商秒杀系统

一&#xff0c;细节 二&#xff0c;需要注意的细节 1.库存超卖问题 使用mysql数据库的 悲观锁 机制。在事务中使用 for update 语句&#xff0c;此时数据库会加锁&#xff0c;其他想要当前读的线程都会被阻塞&#xff0c;在事务处理完成之后释放这一条数据。该方法的缺点在于…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023