Elasticsearch(十三)搜索---搜索匹配功能④--Constant Score查询、Function Score查询

news2024/11/24 18:44:08

一、前言

之前我们学习了布尔查询，知道了filter查询只在乎查询条件和文档的匹配程度，但不会根据匹配程度对文档进行打分，而对于must、should这两个布尔查询会对文档进行打分，那如果我想在查询的时候同时不去在乎文档的打分（对搜索结果的排序），只想过滤文本字段是否包含这个词，除了filter查询，我们还会介绍Constant Score查询。相反，如果想干预这个分数，我们会使用Function Score查询，这些都会在后面介绍到。

二、Constant Score查询

如果不想让检索词频率TF（Term Frequency）对搜索结果排序有影响，只想过滤某个文本字段是否包含某个词，可以使用Constant Score将查询语句包装起来。
假设需要查询city字段是否包含关键词“上海”的酒店，则请求的DSL如下：

POST /hotel/_search
{
  "query": {
    "constant_score": {    //满足条件即打分为1（默认值是1）
      "filter": {
        "term": {   //term查询city中是上海的城市
           "city": "上海"
        }
      }
    }
  }
}

查询结果如下：

{
  ...
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 1.0,
    "hits" : [
      {
        "_index" : "hotel",
        "_type" : "_doc",
        "_id" : "004",
        "_score" : 1.0,
        "_source" : {
          "title" : "京盛集团酒店",
          "city" : "上海",
          "price" : "800.00",
          "create_time" : "2021-05-29 21:35:00",
          "amenities" : "浴池(假日需预订),室内游泳池,普通停车场/充电停车场",
          "full_room" : true,
          "location" : {
            "lat" : 36.940243,
            "lon" : 120.394
          },
          "praise" : 100
        }
      },
      {
        "_index" : "hotel",
        "_type" : "_doc",
        "_id" : "006",
        "_score" : 1.0,
        "_source" : {
          "title" : "京盛集团精选酒店",
          "city" : "上海",
          "price" : "500.00",
          "create_time" : "2022-01-29 22:50:00",
          "full_room" : true,
          "location" : {
            "lat" : 40.918229,
            "lon" : 118.422011
          },
          "praise" : 20
        }
      }
    ]
  }
}

通过结果可以看到，使用Constant Score搜索时，命中的酒店文档对应的city字段都包含“上海”一词。但是不论该词在文档中出现多少次，这些文档的得分都是一样的1.0.
PS：很多人可能会把constant_score查询中的filter和布尔查询的filter搞混，constant_score中的filter可以把它想象成普通的query，它后面接的就是各种各样的查询子句。如term,terms,exists,bool等等。
比如我想同时使用must查询创建时间大于等于2022-01-29 22:50:00的hotel且不在乎打分，那么可以使用下面的DSL：

POST /hotel/_search
{
  "query": {
    "constant_score": {
      "filter": {
        "bool": {
          "must": [
        {
          "range": {
            "create_time": {
              "gte": "2022-01-29 22:50:00"
            }
          }
        }
      ]
        }
      }
    }
  }
}

在Constant Score搜索中，参数boost可以控制命中文档的得分，默认值都是1.0，以下为更改boost参数为2.0的例子：

POST /hotel/_search
{
  "query": {
    "constant_score": {
      "boost":2.0,
      "filter": {
        "term": {
           "city": "上海"
        }
      }
    }
  }
}

查询结果如下：

{
  ...
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 2.0,
    "hits" : [
      {
        "_index" : "hotel",
        "_type" : "_doc",
        "_id" : "004",
        "_score" : 2.0,
        "_source" : {
          "title" : "京盛集团酒店",
          "city" : "上海",
          "price" : "800.00",
          "create_time" : "2021-05-29 21:35:00",
          "amenities" : "浴池(假日需预订),室内游泳池,普通停车场/充电停车场",
          "full_room" : true,
          "location" : {
            "lat" : 36.940243,
            "lon" : 120.394
          },
          "praise" : 100
        }
      },
      {
        "_index" : "hotel",
        "_type" : "_doc",
        "_id" : "006",
        "_score" : 2.0,
        "_source" : {
          "title" : "京盛集团精选酒店",
          "city" : "上海",
          "price" : "500.00",
          "create_time" : "2022-01-29 22:50:00",
          "full_room" : true,
          "location" : {
            "lat" : 40.918229,
            "lon" : 118.422011
          },
          "praise" : 20
        }
      }
    ]
  }
}

根据搜索结果可以看到，设定Boost值为2.0后，所有的命中的文档得分都为2.0。
然后对于Constant Score的效率问题，我们拿它和上一节讲到的filter查询做一个对比：

  1. Constant Score查询实际上就是一个没有分值函数的查询,它会将所有匹配文档的分值设置为一个常量。这种查询不需要计算每个匹配文档的相关度,所以效率会比普通查询高。
  2. 但是Constant Score查询还需要执行查询本身,比如匹配查询条件、过滤文档等步骤。而filter查询仅仅过滤文档,不计算分值,所以整体效率比Constant Score查询更高。
  3. Constant Score查询不会像filter查询那样缓存过滤结果。因为Constant Score查询还需要计算每个匹配文档的分值,而这一步不受过滤结果缓存的影响。
  4. 所以总的来说,在效率方面: filter查询 > Constant Score查询 > 普通查询

在java客户端上构建Constant Score搜索时，可以使用ConstantScoreQueryBuilder类的实例进行构建，它接收一个QueryBuilder参数，即可以接收termQueryBuilder,termsQueryBuilder,boolQueryBuilder等等，和之前的DSL是一样的，那么比如我们查询一个城市是上海或者北京的酒店，代码如下：
Service层,getQueryResult()可以看往期的博客，有具体的方法实现：

	public List<Hotel> constantScore(HotelDocRequest hotelDocRequest) throws IOException {
		//新建搜索请求
		String indexName = getNotNullIndexName(hotelDocRequest);
		SearchRequest searchRequest = new SearchRequest(indexName);
		SearchSourceBuilder searchSourceBuilder = new SearchSourceBuilder();
		TermQueryBuilder termQueryBuilder1 = QueryBuilders.termQuery("city", "北京");
		TermQueryBuilder termQueryBuilder2 = QueryBuilders.termQuery("city", "上海");
		BoolQueryBuilder boolQueryBuilder = QueryBuilders.boolQuery();
		boolQueryBuilder.should(termQueryBuilder1).should(termQueryBuilder2);
		//构建ConstantScoreBuilder
		ConstantScoreQueryBuilder constantScoreQueryBuilder = new ConstantScoreQueryBuilder(boolQueryBuilder);
		//设置固定分数2.0
		constantScoreQueryBuilder.boost(2.0f);
		searchSourceBuilder.query(constantScoreQueryBuilder);
		searchRequest.source(searchSourceBuilder);
		return getQueryResult(searchRequest);
	}

Controller层：

	@PostMapping("/query/constant_score")
	public FoundationResponse<List<Hotel>> constantScoreQuery(@RequestBody HotelDocRequest hotelDocRequest) {
		try {
			List<Hotel> hotelList = esQueryService.constantScore(hotelDocRequest);
			if (CollUtil.isNotEmpty(hotelList)) {
				return FoundationResponse.success(hotelList);
			} else {
				return FoundationResponse.error(100,"no data");
			}
		} catch (IOException e) {
			log.warn("搜索发生异常，原因为:{}", e.getMessage());
			return FoundationResponse.error(100, e.getMessage());
		} catch (Exception e) {
			log.error("服务发生异常，原因为:{}", e.getMessage());
			return FoundationResponse.error(100, e.getMessage());
		}
	}

Postman实现：
在这里插入图片描述

三、Function Score查询

当你使用ES进行搜索时，命中的文档默认按照相关度进行排序，有些场景下用户需要干预该“相关度”，此时就可以使用Function Score查询。使用时，用户必须定义一个查询以及一个或多个函数，这些函数为每一个文档计算一个新分数。
它允许每个主查询query匹配的文档应用加强函数，以达到改变原始查询评分_score的目的。

3.1、function_score 查询模板

function_score 查询模板可以分为两类，分别为单个加强函数的查询和多个加强函数的查询。
单个加强函数的查询模板：

{
  "query": {
    "function_score": {
      "query": {.....}, //  主查询，查询完后会有一个 _score 评分
      "field_value_factor": {...}, //  在 _score 的基础上进行强化评分
      "boost_mode": "multiply", //  指定用哪种方式结合 _score 和 强化 score
      "max_boost": 1.5 //  限制强化 score 的最高分，但是不会限制 _score
    }
  }
}

多个加强函数的查询模板：

{
  "query": {
    "function_score": {
      "query": {.....},
      "functions": [   //  可以有多个加强函数(或是 filter+加强函数)，每一个加强函数会产生一个加强 score
        { "field_value_factor": ... },
        { "gauss": ... },
        { "filter": {...}, "weight": ... }
      ],
      "score_mode": "sum", //  决定加强 score 们如何整合
      "boost_mode": "multiply" //  决定最后的 functions 中 score 和 query score 的结合方式
    }
  }
}

3.2、function_score 参数

强化 _score 计算的函数
function_score 提供了几种内置加强 _score 计算的函数功能：

  • weight：设置一个简单而不被规范化的权重提升值。

weight 加强函数和 boost 参数比较类似，可以用于任何查询，不过有一点差别是 weight 不会被 Lucene 规范化（normalize）成难以理解的浮点数，而是直接被应用。
例如，当 weight 为 2 时，最终得分为 new_score = 2 * _score。

POST /hotel/_search
{
  "query": {
    "function_score": {
      "query": {
        "term": {
          "city": {
            "value": "上海"
          }
        }
      },
     "weight":2
    }
  }
}

输出后可以对比一下不加weight的默认分数，基本分数都翻了2倍

  • field_value_factor：指定文档中某个字段的值结合 _score 改变分数

属性如下：
field：指定字段名
factor：对字段值进行预处理，乘以(或者加，取决于boost_mode)指定的数值（默认为1）
modifier:将字段值进行加工，有以下的几个选项：

  1. none：不处理
  2. log：计算对数
  3. log1p：先将字段值+1，再计算对数
  4. log2p：先将字段值+2，再计算对数
  5. ln：计算自然对数
  6. ln1p：先将字段值+1，再计算自然对数
  7. ln2p：先将字段值+2，再计算自然对数
  8. square：计算平方
  9. sqrt：计算平方根
  10. reciprocal：计算倒数
{
  "query": {
    "function_score": {
      "query": {.....},
      "field_value_factor": {
        "field": "price",
        "modifier": "none",
        "factor": 1.2
      },
      "boost_mode": "multiply", 
      "max_boost": 1.5
    }
  }
}

调整后的 function 分数公式为，factor * doc['price'].value；如果boos_mode设定为sum,那么分数公式为factor + doc['price'].value；

例如我们让最终的分数以price字段进行增强，在原分数基础上*1.2

POST /hotel/_search
{
  "query": {
    "function_score": {
      "query": {
        "term": {
          "city": {
            "value": "上海"
          }
        }
      },
      "field_value_factor": {
        "field":"price",
        "factor": 1.2
      },
      "boost_mode": "multiply"
    }
  }
}

再例如我想对字段值先乘1.2再+1再取对数，那么DSL如下：

POST /hotel/_search
{
  "query": {
    "function_score": {
      "query": {
        "term": {
          "city": {
            "value": "上海"
          }
        }
      },
      "field_value_factor": {
        "field":"price",
        "modifier": "ln1p",
        "missing":1.0,
        "factor": 1.2
      },
      "boost_mode": "multiply"
    }
  }
}

在这里插入图片描述
function 分数为，ln1p(1.2 * doc['view_cnt'].value)，如果指定字段缺失用 missing 对应的值，至于和匹配的相关性分数 _score 如何结合需要下面的 boost_mode 参数来决定。

  • random_score：使用一致性随机分值计算来对每个用户采用不同的结果排序方式，对相同用户仍然使用相同的排序方式，其本质上用的是seed 种子参数，用户相关的 id 与 seed 构造映射关系，就可千人千面的效果，seed 不同排序结果也不同。具体示例如下：
    ①字段值相同，例如通过full_room,由上面查询结果可知，两个结果的full_room相同，此时使用random_score,两个的排序结果仍然是一致的：
POST /hotel/_search
{
  "query": {
    "function_score": {
      "query": {
        "term": {
          "city": {
            "value": "上海"
          }
        }
      },
      "random_score": {
        "field":"full_room",
        "seed": 10
      },
      "boost_mode": "multiply"
    }
  }
}

在这里插入图片描述
如果对price进行随机加强，那么排序就会不一样：

POST /hotel/_search
{
  "query": {
    "function_score": {
      "query": {
        "term": {
          "city": {
            "value": "上海"
          }
        }
      },
      "random_score": {
        "field":"price",
        "seed": 10
      },
      "boost_mode": "multiply"
    }
  }
}

在这里插入图片描述
我们可以调整seed，就会发现排序不一样。

  • 衰减函数（decay function）:es 内置了三种衰减函数，分别是 linear、exp 和 gauss；

三种衰减函数的差别只在于衰减曲线的形状，在 DSL 的语法上的用法完全一样；
linear : 线性函数是条直线，一旦直线与横轴0香蕉，所有其他值的评分都是0
exp : 指数函数是先剧烈衰减然后变缓
guass(最常用) : 高斯函数则是钟形的，他的衰减速率是先缓慢，然后变快，最后又放缓
在这里插入图片描述

origin：中心点 或字段可能的最佳值，落在原点 origin 上的文档评分 _score 为满分 1.0 。

scale：衰减率，即一个文档从原点 origin 下落时，评分 _score 改变的速度。（例如，每 £10 欧元或每 100 米）。

decay：从原点 origin 衰减到 scale 所得的评分 _score ，默认值为 0.5 。

offset：以原点 origin 为中心点，为其设置一个非零的偏移量 offset 覆盖一个范围，而不只是单个原点。在范围 -offset <= origin <= +offset 内的所有评分 _score 都是 1.0 。不设置默认是0

POST /hotel/_search
{
  "query": {
    "function_score": {
      "query": {
        "term": {
          "city": {
            "value": "上海"
          }
        }
      },
      "gauss": {
        "price": {
              // 如果不设置offset，offset默认为0  公式 : origin-offset <= value <= origin+offset
             // 范围在800-0 <= value <= 800+0的文档的评分_score都是满分1.0
            //而在此范围之外，评分会开始衰减，衰减率由scale值(此处是300)和decay值(此处是0.2)决定
           // 也就是说，在origin + offset + scale或是origin - offset - scale的点上，得到的分数仅有decay分
          "origin": "800",
          "scale": "300",
          "decay": 0.2
        }
      }, 
      "boost_mode": "multiply"
    }
  }
}

在这里插入图片描述
对衰减函数感兴趣的小伙伴可以浏览这篇文章，讲的很详细，尤其是最后对于用户同时对于酒店的地理位置和价格去做一个筛选。

  • script_score：当需求超出以上范围时，可以用自定义脚本完全控制评分计算。

3.3、其它辅助函数

  • boost_mode 参数：决定 query 中的相关性分数和加强的函数分数的结合方式。

multiply：默认的配置，两者分数相乘，new_score = _score * boost_score；
sum：两者相加，new_score = _score + boost_score；
min：取两者最小值，new_score = min(_score, boost_score)；
max：取两者最大值，new_score = max(_score, boost_score)；
replace：用 boost_score 替换 _score 值。有时候我们可以通过replace看具体的函数得分是多少，便于我们排查问题

  • score_mode 参数决定 functions 里面的强化 score 如何结合

function_score 先会执行 score_mode 的设置，即先整合所有的强化计算，再执行 boost_mode 的配置，就是将 query 相关性分数和整合强化分数的结合。
multiply：默认的配置，多个强化分数相乘；
sum：多个强化分数相加；
min：取多个强化分数最小值；
max：取多个强化分数最大值；
avg：取多个强化分数平均值；
first：使用首个函数的结果作为最终结果。

  • max_boost：限制加强函数的最大效果，就是限制加强 score 最大能多少，但要注意不会限制 old_score。

如果加强 score 超过了 max_boost 限制的值，会把加强 score 的值设成 max_boost 的值；
假设加强 score 是5，而 max_boost 是2，因为加强 score 超出了 max_boost 的限制，所以 max_boost 就会把加强 score 改为2。简单的说，就是 final_score = min(整合后的 score, max_boost)。

3.4、java实现

funtion_score的参数我们可以通过ScoreFunctionBuilders.xxx构筑
在这里插入图片描述
Service层实现：

	public List<Hotel> functionScoreScore(HotelDocRequest hotelDocRequest) throws IOException {
		//新建搜索请求
		String indexName = getNotNullIndexName(hotelDocRequest);
		SearchRequest searchRequest = new SearchRequest(indexName);
		SearchSourceBuilder searchSourceBuilder = new SearchSourceBuilder();
		TermQueryBuilder termQueryBuilder = QueryBuilders.termQuery("city", "上海");
		//构建FunctionScoreBuilder,比如这里构筑高斯函数（衰减函数）
		GaussDecayFunctionBuilder gaussDecayFunctionBuilder = ScoreFunctionBuilders.gaussDecayFunction(hotelDocRequest.getPropertiesName(), 800, 200, 0, 0.2);
		//构建Function Score查询
		FunctionScoreQueryBuilder functionScoreQueryBuilder = new FunctionScoreQueryBuilder(termQueryBuilder, gaussDecayFunctionBuilder).boostMode(CombineFunction.MULTIPLY);
		searchSourceBuilder.query(functionScoreQueryBuilder);
		searchRequest.source(searchSourceBuilder);
		return getQueryResult(searchRequest);
	}

controller层实现：

	@PostMapping("/query/function_score")
	public FoundationResponse<List<Hotel>> functionScoreQuery(@RequestBody HotelDocRequest hotelDocRequest) {
		try {
			List<Hotel> hotelList = esQueryService.functionScoreScore(hotelDocRequest);
			if (CollUtil.isNotEmpty(hotelList)) {
				return FoundationResponse.success(hotelList);
			} else {
				return FoundationResponse.error(100,"no data");
			}
		} catch (IOException e) {
			log.warn("搜索发生异常，原因为:{}", e.getMessage());
			return FoundationResponse.error(100, e.getMessage());
		} catch (Exception e) {
			log.error("服务发生异常，原因为:{}", e.getMessage());
			return FoundationResponse.error(100, e.getMessage());
		}
	}

postman实现截图：
在这里插入图片描述

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/913145.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

多传感器分布式融合算法——加权最小二乘WLS融合/简单凸组合SCC融合

多传感器分布式融合算法——加权最小二乘WLS融合/简单凸组合SCC融合

加权最小二乘WLS融合/简单凸组合SCC融合——多传感器分布式融合算法 原创不易&#xff0c;路过的各位大佬请点个赞 主要讲解算法&#xff1a; 加权最小二乘融合WLS 简单凸组合融合SCC 应用于: 多传感器网络协同目标跟踪/定位/导航 联系WX: ZB823618313 目…
阅读更多...
【Python】理解作用域：内置、全局、局部

【Python】理解作用域：内置、全局、局部

原文作者&#xff1a;我辈李想 版权声明&#xff1a;文章原创&#xff0c;转载时请务必加上原文超链接、作者信息和本声明。 文章目录 一、基础数据类型1.整型1.函数中加global&#xff08;2&#xff09;函数中不加global&#xff08;3&#xff09;报错 二、组合数据类型1.列表…
阅读更多...
AI让儿童绘画动起来-程序员带娃必备

AI让儿童绘画动起来-程序员带娃必备

项目效果演示 项目描述 很多小朋友在学习绘画的过程中&#xff0c;创作出来很多比较有创意的作品&#xff0c;那么怎么让这些作品&#xff0c;动起来&#xff0c;甚至是和拍摄的视频进行互动呢&#xff0c;今天分享的这个项目&#xff0c;能够完美解决这个问题。 项目地址http:…
阅读更多...
ASEMI整流桥KBP210和2W10能代换吗

ASEMI整流桥KBP210和2W10能代换吗

编辑-Z 在电子世界中&#xff0c;整流桥是最常见和最重要的组件之一。它是将交流电转换为直流电的重要设备。在这篇文章中&#xff0c;我们将深入了解两款常见的整流桥&#xff1a;KBP210和2W10&#xff0c;以及它们是否可以互换使用。 首先&#xff0c;我们需要关注的是这两种…
阅读更多...
网上可做的兼职副业，分享3个靠谱办法，快来收藏

网上可做的兼职副业，分享3个靠谱办法，快来收藏

不知道从何时起&#xff0c;越来越多的人开始在网上做兼职&#xff0c;兼职逐渐的成为上班族和大学生的第二件事。相比线上&#xff0c;他们不愿意做传统的发传单、或者体力活兼职。线上兼职也是在互联网和智能手机的影响下被广泛使用了吧。但是网上的兼职这么多&#xff0c;那…
阅读更多...
[Mac软件]Pixelmator Pro 3.3.12 专业图像编辑中文版

[Mac软件]Pixelmator Pro 3.3.12 专业图像编辑中文版

Pixelmator Pro是专为Mac设计的功能强大&#xff0c;美观且易于使用的图像编辑器。借助广泛的专业级无损图像编辑工具&#xff0c;Pixelmator Pro可使您发挥出最佳的照片效果&#xff0c;创建华丽的构图和设计&#xff0c;绘制&#xff0c;绘画&#xff0c;应用令人惊叹的效果&…
阅读更多...
融云：AI 机器人在社交软件中的花样存在

融云：AI 机器人在社交软件中的花样存在

最近 AIGC 行业的新话题来自 HeyGen 的一段自动生成视频。关注【融云全球互联网通信云】了解更多 一眼看上去“真”到吓人&#xff0c;手势、嘴型等细节逼近真人效果。 除了&#xff0c;眨眼的频率有点高。 图源&#xff1a;HeyGen 这是 AI 数字人公司 HeyGen 即将推出的超逼…
阅读更多...
基于Vue的3D饼图

基于Vue的3D饼图

先看效果： 再看代码： <template><div class="container"><div style="height: 100%;width: 100%;" id="bingtu3D"></div></div></template> <script> import "echarts-liquidfill"; imp…
阅读更多...
python命令行or控制台or日志带有颜色的输出

python命令行or控制台or日志带有颜色的输出

python命令行or控制台or日志带有颜色的输出 python控制台带颜色输出 在几年前&#xff0c;我写过一个项目&#xff0c;喜欢花里胡哨的我看到别人输出到控制台带有颜色&#xff0c;于是我也想要。 于是乎不知道从哪里搜到的资料&#xff0c;是拼凑起来的颜色代码块。 当时用着…
阅读更多...
服务注册中心 Eureka

服务注册中心 Eureka

服务注册中心 Eureka Spring Cloud Eureka 是 Netflix 公司开发的注册发现组件&#xff0c;本身是一个基于 REST 的服务。提供注册与发现&#xff0c;同时还提供了负载均衡、故障转移等能力。 Eureka 有 3 个角色 服务中心&#xff08;Eureka Server&#xff09;&#xff1a;…
阅读更多...
【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER

【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER

文章目录 前言PATH_REUSE_DECIDER功能简介PATH_REUSE_DECIDER相关配置PATH_REUSE_DECIDER总体流程PATH_REUSE_DECIDER相关子函数IsCollisionFreeTrimHistoryPathIsIgnoredBlockingObstacle和GetBlockingObstacleS Else参考 前言 在Apollo星火计划学习笔记——Apollo路径规划算…
阅读更多...
1克硬件变化+99%软件能力，点燃XR行业第二时代之战

1克硬件变化+99%软件能力，点燃XR行业第二时代之战

夕小瑶科技说 原创 作者 | 卖萌酱 你的下一代手表&#xff0c;可以是没有手表&#xff01;即将在8月26日发布空间计算新品的Rokid&#xff0c;近日发表路透视频&#xff1a;AR眼镜使用场景下&#xff0c;抬起手腕就能出现虚拟手表表盘&#xff0c;握一下拳即切换到天气模式。…
阅读更多...
0006Java程序设计-jsp婚恋交友网设计与实现

0006Java程序设计-jsp婚恋交友网设计与实现

摘 要 在线交友是互联网发展的必然产物&#xff0c;它改变了人们的网络交往形态&#xff0c;使得人们的即时通信变得更加的直观和亲切&#xff0c;并且具有良好的发展趋势。 婚恋交友网站我们使用 Microsoft公司的JSP开发工具&#xff0c;利用其提供的各种面向对象的开发工具…
阅读更多...
武汉凯迪正大—变比组别测试仪

武汉凯迪正大—变比组别测试仪

一、概述 在电力变压器的半成品、成品生产过程中&#xff0c;新安装的变压器投入运行之前以及根据国家电力部的预防性试验规程中&#xff0c;要求变压器进行匝数比或电压比测试。传统的变比电桥操作繁琐&#xff0c;读数不直观&#xff0c;且要进行必要的换算&#xff0c;测试时…
阅读更多...
关于 大屏项目的参考

关于 大屏项目的参考

1、自适应组件 &#xff1a; v-scale-screen https://huaweicloud.csdn.net/638eec6cdacf622b8df8dc59.html 2、参考项目&#xff1a; https://zhuanlan.zhihu.com/p/634382389
阅读更多...
leetcode 714. 买卖股票的最佳时机含手续费

leetcode 714. 买卖股票的最佳时机含手续费

2023.8.22 本题和买卖股票的最佳时机II 几乎一样&#xff0c;就是增加了一个手续费&#xff0c;需要在卖出股票的时候减去手续费fee即可。 代码如下&#xff1a; class Solution { public:int maxProfit(vector<int>& prices, int fee) {vector<vector<int&g…
阅读更多...
第十六课、利用 EnigmaVB 打包 Qt 应用程序

第十六课、利用 EnigmaVB 打包 Qt 应用程序

功能描述&#xff1a;详细介绍如何利用 EnigmaVB 打包 Qt 应用程序&#xff0c;从 EnigmaVB 软件下载、安装&#xff0c;到如何使用&#xff0c;一步步教你走进 EnigmaVB 软件&#xff0c;最后还介绍了一款针对 Enigma Virtual Box 制作的单文件程序进行解包的工具 EnigmaVBUnp…
阅读更多...
利用全志H616 MangoPi MQ Quad部署一个网络摄像头

利用全志H616 MangoPi MQ Quad部署一个网络摄像头

本文男二号海康威视720p USB摄像头出场&#xff0c;尊容如下&#xff1a; SBC需连接网络&#xff1a; rootorangepizero2:~# ifconfig wlan0: flags4163< UP,BROADCAST,RUNNING,MULTICAST > mtu 1500inet 192.168.99.217 netmask 255.255.255.0 broadcast 192.168.99…
阅读更多...
诺依框架ruoyi.js添加默认当年日期范围

诺依框架ruoyi.js添加默认当年日期范围

ruoyi.js添加方法 // 默认当年日期范围如&#xff1a;2023-01-01到2023-08-22&#xff08;至今&#xff09; export function defaultYearDate(data) {// this.dateDefaultShow new Date();// this.dateDefaultShow.setMonth(new Date().getMonth() - 1);const end new Date…
阅读更多...
Twinmotion电脑配置要求，如何低成本高效流畅运行Twinmotion

Twinmotion电脑配置要求，如何低成本高效流畅运行Twinmotion

Twinmotion是一款专门面向建筑、工程、城市规划和景观园林领域而设计的实时可视化渲染软件。与传统较为漫长的渲染过程相比&#xff0c;它可以在几秒钟内轻松制作高品质的图像、全景图、规格图或360VR视频文件。 并且&#xff0c;作为市面上备受欢迎的交互式实时可视化软件&am…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023