- 相关博文
- 最新资讯
-
本文介绍了RabbitMQ在微服务架构中的三大核心应用场景：消息推送、服务解耦和削峰填谷。RabbitMQ作为开源消息中间件，凭借高可靠性、灵活路由和易用性成为微服务通信的重要组件。文章首先回顾了RabbitMQ的核心概念，包括生产者、消费者、队列、交换机和绑定规则。随后重点通过电商订单场景，展示了如何使用Spring Boot实现异步消息推送，包含完整的代码示例（配置、生产者、消费者）和Mermaid架构图。该方案解决了同步调用导致的响应延迟和系统耦合问题，使订单服务能够快速返回，下游操作异步执行。文中还
-
- 知远漫谈
- 前天
-
-
在生产环境使用 Elasticsearch 时，日志、监控、行为数据会源源不断写入，磁盘很容易被打爆，查询速度急剧下降，甚至导致集群宕机。手动删除索引既危险又低效，因此必须实现自动化数据清理。ES 官方提供了非常完善的自动化清理方案，最简单、最稳定、最推荐的就是 ILM（Index Lifecycle Management）索引生命周期管理，配合按天索引，就能实现“7天自动删除、30天自动归档”等需求。本文从实战角度。
-
- Seal^_^
- 前天
-
-
在 Elasticsearch 聚合分析场景中，我们经常会遇到基于聚合结果再进行二次计算的需求，例如：计算各分类平均销量的平均值、筛选出销售额高于均值的分类、对聚合结果进行导数/累计求和/移动平均等。普通的聚合（Bucket、Metric）无法实现这类需求，而Pipeline Aggregation（管道聚合）正是为此而生——它不直接对文档聚合，而是对其他聚合的结果进行二次加工、计算、处理。本文从核心原理、分类、完整语法、实战案例、典型场景、执行流程。
-
- Seal^_^
- 前天
-
-
文章摘要 本文详细介绍了ELK技术栈（Elasticsearch、Logstash、Kibana）的安装与配置流程。主要内容包括：Kibana作为数据可视化平台的功能特性，ELK系统的硬件和软件要求，Elasticsearch的安装与配置，Logstash的日志收集处理设置，以及Kibana的部署步骤。文章特别强调了系统配置要点，如内存要求（至少4GB）、Swap关闭的必要性，并提供了完整的命令操作指南，帮助用户从零开始搭建完整的日志分析系统，实现日志数据的存储、检索和可视化展示。
-
- Eternity._
- 前天
-
-
摘要 本文探讨了如何利用RabbitMQ实现高并发场景下的削峰填谷架构设计。通过分析电商秒杀等瞬时流量洪峰场景的挑战，阐述了RabbitMQ作为消息中间件的核心优势：持久化、流量缓冲、消费者限流、死信队列和镜像队列等特性。文章提出了异步化、消费速率可控、消息幂等性等关键设计原则，并给出基于Spring Boot的Java实战示例，展示秒杀系统中RabbitMQ如何解耦请求处理流程，通过预减库存、异步创建订单等操作保护核心服务。最后，通过配置代码演示了RabbitMQ队列、交换机的声明及消费者QoS控制，为高
-
- 知远漫谈
- 昨天
-
-
对于Python数据分析师或机器学习爱好者而言，当面对的数据量从几百万行跃升至几十GB甚至TB级时，单机版的Pandas往往会力不从心——内存飙升、程序崩溃、电脑卡死都是常见的“噩梦”。此时，Apache Spark的分布式计算框架便成为救星，而PySpark作为其Python官方API，让开发者能用熟悉的语法无缝调用Spark引擎。然而，在Windows上手动搭建PySpark开发环境并非易事。一条完整的配置路径需要串联起多个环节：安装合适的Java Development Kit（JDK）、配置JAVA
-
本文探讨了如何结合HiRAG理论和LlamaIndex框架解决政策文档检索中的关键问题。传统RAG系统在处理复杂结构化文档时存在上下文碎片化、语义关联缺失等局限。HiRAG通过分层知识索引（构建智能目录）、层次化知识检索（三级检索机制）和融合知识图谱，显著提升了检索精度。文章详细介绍了基于LlamaIndex的实现方法，包括分层解析文档、两阶段检索和增强生成三个核心步骤，并提供了代码示例展示如何利用AutoMergingRetriever组件实现智能上下文合并。实践表明，该方法能有效避免"断章取义
-
- guslegend
- 昨天
-
-
HDF5是一种高效的二进制文件格式，专为存储和管理大规模科学数据而设计。它具有层次化结构（类似文件系统），支持多维数组存储，并集成了元数据管理功能。核心优势包括：高效部分读取能力，无需加载整个文件；内置压缩和并行I/O支持，适合TB级数据处理；自我描述特性确保数据长期可读性；跨平台兼容性支持多种编程语言访问。相比CSV、JSON等文本格式，HDF5在存储效率、访问速度和数据结构化方面具有显著优势，特别适合AI训练、科学计算等需要处理复杂多维数据的场景。其分块存储和虚拟数据集特性使其能够轻松应对数据规模的增长
-
- 流星雨爱编程
- 前天
-
-
宽论对 CDVA 的定位很直接：它不是用来预测的，是用来标记拐点和穿越事件的。乔烨（桥博士）在《概率的朋友》第10.1.3节里写得很明白，分型的作用是把价格或指标的走势，刻画成一段清晰的拐点或穿越事件，方便记录、比较、复盘。桥博士在第1.3节专门讲“历史回测”，说得非常硬：再合理的逻辑，也得放到大数据环境下验证。能把“这类信号出现后，历史胜率、盈亏比、持续时长如何”说清楚，才更接近宽论的思路。换句话说，CDVA的价值不在“神准”，而在“标准化”。第一类叫 线穿线：快线上穿慢线是 C，快线下穿慢线是 D；
-
- 冬季小雨
- 前天
-
-
本文针对大数据场景下时序数据库选型难题，从实际项目经验出发，分析了国外主流产品（InfluxDB、TimescaleDB、OpenTSDB）在写入性能、查询效率、存储成本等方面的痛点，重点推荐国产时序数据库DolphinDB。该数据库具备每秒千万级数据点写入、秒级复杂查询响应、10:1超高压缩比等优势，支持水平扩展和主流大数据生态对接，且国产化适配完善、授权成本仅为国外产品的1/3。通过实际案例证明，DolphinDB能显著降低存储成本（某项目节省90%存储空间），是时序数据管理的优选方案。
-
- 一个天蝎座白勺程序猿
- 前天
-
-
ELK企业日志分析系统摘要 ELK是一套开源的日志管理解决方案，由Elasticsearch、Logstash和Kibana三个核心组件组成。Elasticsearch作为分布式搜索引擎负责存储和分析数据；Logstash作为数据处理管道，负责收集、过滤和转发日志；Kibana提供可视化界面展示分析结果。系统工作原理是通过Logstash收集应用服务器日志，存储到Elasticsearch集群，再由Kibana进行可视化展示。典型部署包括配置Elasticsearch集群节点、设置Logstash数据处理规
-
- m0_73753937
- 前天
-
-
在大数据领域，Hive是一个不可忽视的重要工具。简单来说，Hive是一个基于Hadoop的数据仓库基础架构，它让你可以用熟悉的SQL语句来查询和分析存储在Hadoop分布式文件系统（HDFS）中的海量数据。你可能会问：为什么要用Hive？直接写MapReduce程序不行吗？答案是：Hive最大的价值在于降低学习成本。传统的MapReduce程序需要Java开发者编写复杂的代码，而Hive提供了类似SQL的查询语言（HiveQL或HQL），让熟悉SQL的数据分析师也能轻松处理大数据。
-
- 计应243-李友松
- 前天
-
-
TL;DR：先别急着背术语，先把这件事想成“怎么从拿到一帧图像”。用户程序先打开，问它支持什么格式和分辨率，再申请几块给摄像头写数据的内存，把这些内存排队交给驱动。驱动从硬件拿到一帧图像后，填进其中一块内存，用户程序再把这块内存取出来，于是就能把它保存成 jpg，或者直接显示到 LCD。这一章真正要学的，就是把这条“打开设备 -> 选格式 -> 申请 buffer -> 开始采集 -> 取出一帧 -> 再放回去继续采集”的链路看通。等这条白话链路稳定后，再把它和VIDIOC_*vb2。
-
本文介绍了使用Docker Compose搭建本地Elasticsearch环境的方法。文章提供了完整的docker-compose.yml配置模板，支持通过.env文件管理宿主机挂载目录、端口、密码等参数。配置包含网络设置、卷挂载、健康检查等关键功能，并详细说明了启动命令和IK分词器安装步骤。该方案采用模块化目录结构设计，可与其他服务(mysql、redis等)共享网络，实现统一管理。最后展示了访问测试结果，验证环境搭建成功。
-
- 郝开
- 前天
-
-
本文介绍了一个基于Python开发的股票数据分析预测系统。系统采用Flask+Vue技术架构，通过IG507金融数据接口获取实时行情，运用ARIMA算法进行股价预测。主要功能包括：多周期K线图展示（分时/日/周/月）、ARIMA预测模型可视化、股市风向标（公告/停牌/排行榜）、股票筛选与详情查看等。系统实现了从数据获取、技术分析到预测建模的全流程功能，为投资者提供决策支持工具。项目界面展示了平安银行、东方财富等个股的K线走势、预测对比及公司详情等核心模块。
-
- 源码之家
- 前天
-
加载中...
活动
-
2021-11-10
-
2021-03-09
-
2020-12-16
独家定制
-
-
3500人的专业安全团队与你同在
-
-
CSDN云计算在线公开课
-
-
IaaS市场高速增长，历久弥新
精品推荐
关于我们
关注「云计算」
转载 & 投稿：songhui@csdn.net
商务合作：zhangjing@csdn.net