2401_84164721的博客

关于这第一份工作，我是咬着牙干下去的。当我一个月后适应了这种工作的时候，我告诉自己拼了吧，半年之后我就跳槽。然而并没有半年，就在即将转正的时候，领导告诉我公司现在有名额安排去XJ阿里地区如果我同意的话，有额外补贴，按年发放…巴拉巴拉… 结合着当初那种特殊情况，我立马提桶跑路了…这一年，葱油拌面是4块钱一份；兰州拉面6块钱一碗，肉片厚一些；浦东的房价是5000块一平米，没错！我的一年工资买不起一个厕所… 班里最厉害的小姐姐去了交通银行，工资9000块一个月…

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化资料的朋友，可以戳这里获取一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！谨以此文纪念曾经夕阳下的奔跑，那是我逝去的青春…声明：本故事纯属虚构，如有雷同，纯属巧合，完全完全不是我的职业生涯，请勿对号入座！！！文中涉及的某些公司也是虚构，没有

一般情况下，纯文字很容易令用户产生审视疲劳的问题。在加入数字的情况下，会给用户一种更加直观的感受，甚至有的时候这些数字会给人一种更加专业的感觉，也能够促使用户去点击，增而增加文案的点击阅读量。十242580%"数字法"尝试将下面的标题，利用 “数字法” 进行修改。

这些优化后的标题的阅读流量的增长，背后的逻辑是什么？这就是接下来要为大家介绍的。这里就不给大家卖关子了，基础的10个法则如下，当然了，并不是只有这 “10个法则” ，当这些法则交叉的时候，可以衍生出更多的 “法则”。

总共有四个模式，（默认是Simple模式，有两个属性，User Sprite Mesh-表示使用图片网格，暂时只知道可以集合Sprite Tight完成Overdraw减少，Preserve Aspect-表示图片是否保持宽高比，而不是填充，set Native Size-直接将图片设置为原始大小，并且会改变Image组件的）、（Sliced是切片模式，表示的是点9,形式的图片，这样可以不断拉伸进而不影响特定位置，也就是九宫格方式，需要选择图片素材，点击Sprite Editor进入编辑之后修改保存。

总共有四个模式，（默认是Simple模式，有两个属性，User Sprite Mesh-表示使用图片网格，暂时只知道可以集合Sprite Tight完成Overdraw减少，Preserve Aspect-表示图片是否保持宽高比，而不是填充，set Native Size-直接将图片设置为原始大小，并且会改变Image组件的）、（Sliced是切片模式，表示的是点9,形式的图片，这样可以不断拉伸进而不影响特定位置，也就是九宫格方式，需要选择图片素材，点击Sprite Editor进入编辑之后修改保存。

这种模式UI是以像素为大小，同样的像素在不同的分辨率下尺寸是不一样的。比如你手机上的照片像素是4000*5000的，在手机上看着很小是因为手机屏幕像素密度大，把照片放到电脑上一般是1920*1080的像素，就会显的照片很大。如果屏幕的分辨率大于/小于预设的屏幕分辨率，则画布依然是按设置屏幕分辨率布局，然后放大/缩小来适应屏幕，这就造成致UI被不均匀的拉伸或缩小，页面看起来就不美观了。，不断反思前进的过程。在这个过程中会产生很多对于人生的质疑和思考，于是我决定将自己的思考，经验和故事全部分享出来，

这种模式UI是以像素为大小，同样的像素在不同的分辨率下尺寸是不一样的。比如你手机上的照片像素是4000*5000的，在手机上看着很小是因为手机屏幕像素密度大，把照片放到电脑上一般是1920*1080的像素，就会显的照片很大。如果屏幕的分辨率大于/小于预设的屏幕分辨率，则画布依然是按设置屏幕分辨率布局，然后放大/缩小来适应屏幕，这就造成致UI被不均匀的拉伸或缩小，页面看起来就不美观了。如果屏幕分辨率较大，则UI会放大，如果较小，则 UI 会缩小。：缩放因子，会按这个数值缩放画布中的所有 UI 元素。

DMP/CDP只针对营销和客户运营的场景，它们可以与企业的渠道管理、备货、物流以及供应链甚至生产环节相联通，并根据需要为这些环节提供数据，但它们并不负责收集和处理这些环节的数据。建立私域数据之间相同顾客/用户/受众之间的映射匹配关系 .构建以顾客/用户受众(人)为核心的数据结构(即ID+人的标签，或称ID+人的属 性的数据结构)关注在特定的公司下他们是如何获客的，获客的效果与方法是否可以持续健康的保持优势。价值守护的能力，包括资产数据 用户，针对于流失的方法策略是否有意识和具体的动作。

用于多线程环境下控制只有一个线程可以访问某一个资源，不能多个线程同时访问，锁旨在强制实施互斥排他、并发控制策略。

怎么样，在看了本文和这两题之后是不是有点豁然开朗的感觉，好像自己也有点会做哈希表的题目了，那就赶快去再刷几道题热热身吧，如果您还是有点不太清楚，可以再去查询一下相关的资料，或者关注我，后续会有哈希表相关的力扣题解，我也是刚刚开始学习，可能讲的不是很清楚，但我们可以通过刷题来加深自己对知识的理解，加油，一起学习和进步📕。

数据结构」决定了数据的顺序和位置关系.数据存储于内存时，决定了数据顺序和位置关系的便是「数据结构」

零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！ETL测试的目的是确保在业务转换完成后从源加载到目的地的数据是正确无误的。ETL测试同样还涉及在源和目的地之间转换时的各个阶段的数据的验证。与其他测试过程类似，ETL也需要经历不同的测试阶段。ETL测试是一个可以应用于信息管理领域中不同工具和数据库的概念。

创新点：Python全新DrissionPage爬虫使用、海量数据、爬虫、可视化大屏、离线hive+实时Spark双实现。2.Mapreduce对采集的动漫数据进行数据清洗、拆分数据项等，转为.csv文件上传hadoop的hdfs集群；4.一半指标使用hive_sql分析得出，一半指标使用Spark之Scala完成；、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！可选装：推荐系统、预测系统、知识图谱、后台管理等。3.hive建库建表导入.csv动漫数据；

数据开发、数据分析、ETL、数据仓库、数据挖掘、“ETL工程师”,“数据仓库”,.csv(“file:\D:\桌面文件\毕设\数据\招聘数据.csv”)print(“开始爬取”+str(job)+“的岗位信息”)# 北京、上海、广州、深圳、杭州、天津、西安、# 苏州、武汉、厦门、长沙、成都、郑州、重庆。job_name = [“数据挖掘”]

重要！！！各位读者有时间请务必到我第十七篇博客查看更多的细节，包括如何使用nnUNet的残差网络、如何选择模型其中一个去训练等。1.更新于8.02，添加“如何训练自己的数据集”部分。2.更新于9.07，修改恶心的apex部分，新更新的torch1.6支持混合精度训练，即你不用再安装apex啦！！！3.更新于9.09，修改五折交叉验证理解！以及在整理好训练的数据集以后如何自动化地生成对应的json文件。3.更新于11.05，添加如何在Windows上使用nnUNet。

System.out.println(“子线程”+Thread.currentThread().getName()+i);System.out.println(Thread.currentThread().getName()+“正在卖”+num+“票”);System.out.println(Thread.currentThread().getName()+“正在卖”+num+“票”);String getName​() //获取当前线程的名称，默认线程名称是Thread-索引。

/2.输出aClass对象，可以显示是那个类的Class对象。//3.对象名.getClass(),运行阶段。//4.通过类加载器获取类的Class对象。//5.基本数据类型用.class,得到Class类对象。//2.类名.class,类加载阶段。//6.包装类用.TYPE,得到Class类对象。//1.Class.forName,编译阶段。//1.获取到Car类对应的Class对象。//也可以得到aClass对象的运行类型。//5.通过aClass创建对象实例。//6.通过反射获取属性brand。

/2. 不要去操作 二进制文件[声音，视频，doc, pdf], 可能造成文件损坏。//说明: readLine 读取一行内容，但是没有换行。//关闭流 , 关闭外层的处理流即可，底层会去关闭节点流。//字节流可以操作二进制文件，也可以操作文本文件。//2.引入BufferedWriter。//当返回 -1 时，就表示文件读取完毕。//3. 写入"hello"//2. 指定编码 gbk。//每读取一行，就写入。//1.确定文件路径。//5. 关闭外层流。

源码中我们发现并没有成员， 我们注意到它继承了Vector类，打开Vector的源码可以看出栈的底层实际上是数组。

【代码】2024年Flink借助Kafka实现端到端精准一次_flink 如何保障数据一致性，一个大数据开发程序员的面试心得。

【代码】2024年Flink之FileSink将数据写入parquet文件_flink写parquet文件，大厂大数据开发核心面试题出炉。

因此，FastGPT 采用了多向量映射的方式，将一组数据映射到多组向量中，从而保障数据的完整性和语义的丰富度。影响向量搜索精度的因素非常多，主要包括：向量模型的质量、数据的质量（长度，完整性，多样性）、检索器的精度（速度与精度之间的取舍）。人类的文字、图片、视频等媒介是无法直接被计算机理解的，要想让计算机理解两段文字是否有相似性、相关性，通常需要将它们转成计算机可以理解的语言，向量是其中的一种方式。字段，会记录其对应的向量ID，这是一个数组，也就是说，一组向量可以对应多组数据。，从而实现知识库问答。

ES集群安装要求桥接网络和一定的vm配置，执行./network.sh。给master.sh加执行权限：chmod u+x master.sh。给slave.sh加执行权限：chmod u+x slave.sh。然后执行./slave.sh 直接创建3个从节点的实例。执行./master.sh 直接创建2个主节点，

本文对 Java 的几个初学核心知识点作了小结，同时补充了特别重要的一点：Java 源程序编译和执行的原理，而这也是我们说 Java 语言具有跨平台性根本原因。另外关于具体的编译流程和执行流程我们会放到后面学习 JVM 的时候进行深度剖析。既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新。

（默认大概3% 的错误率，可牺牲时间和空间，使错误率无限趋向于零）仅仅保留数据的指纹信息，空间效率极高；查询效率极高，时间复杂度为：O（n）；

\*函数式接口：有且只有一个抽象方法的接口可以包含其他的方法（默认，静态，私有）@FunctionalInterface 注解作用：可以检查接口是否是一个函数式接口是：编译成功否：编译失败（接口中没有抽象方法；抽象方法的个数多于一个）\*/// 定义一个抽象方法@Override。

由于MAC地址（也称硬件地址）有多播MAC地址这种类型，因此只要把IPV4多播地址映射成多播MAC地址，即可将IP多播数据报封装在局域网的MAC帧中，而MAC帧首部的目的MAC地址字段的值，就设置为由IPV4多播地址映射成的多播MAC地址。这样，可以很方便地利用硬件多播来实现局域网内的IP多播。当给某个多播组的成员配置其所属组的IP多播地址时，系统就会根据映射规则从该IP多播地址生成相应的局域网多播MAC地址。

想想，我们为什么要做笔记，翻看笔记？或者说，每天写日记，我们做了笔记是为了加强记忆，如果忘记了后面还能翻看。日志就是类似笔记一样的东西。小白问：那么日志能帮助开发者提高记忆，轻松学会写代码了？这倒不是的。日志就想日记一样可以随时翻看，查看过去发生的事情。好，下面来看雷学委的开发日常：没错，像记日记一样，用程序记录了每个时刻做的事情，输出到文件，还能经常查看。这就是日志。当我们把这些零散的日志归集起来，数据量大了，就能发现日志数据的规律和价值。本文会使用log4js来进行日志使用的展示。

所以需要滚动（Rotate/Rolling）日志，也就是把日志设置一个固定规模，比如写日志到 LeixueweiDemoApp.log 文件，设置最大尺寸，当文件超过最大尺寸自动的创建新文件，同时可以设置最大的日志文件备份，比如保留一个月，半年，甚至更长期的日志。error级别：顾名思义就是，程序错误，这个可以用来打印错误数据，错误请求的事件信息，比如java中抛出一些CheckedException的时候经常会在catch代码快中调用logger.error来记录此类异常。

另外demo2.log内容只有 [ERROR] 和[FATAL]这两个级别的日志，也就是，只有logger.error和logger.fatal两个函数的日志详情被输出到文件中。如果把ERROR比喻为公开级别，那么像DEBUG/TRACE等就是保密级别了，指定了输出公开信息等话，保密数据是绝对不能打印出来的。

这里的DEBUG为，一个日志级别，就像文件级别一样（有公开，内部可读，保密，绝密档案）这只是一条日志记录。我们再看下面的，找找规律。

但在阿里不是这样，阿里的hrg基本围绕**“闻味道、摸温度、照镜子、揪头发”**展开面试。“揪头发”：你知道你的上级现在想什么你知道你上级的上级在想什么？上一个台阶看问题，把问题揪出来，揪上去。多方位多角度考虑问题，有全局观。“照镜子”：认识真实的自己，肯定自己的优点，发现自己的短板。美己之美，美人之美！照镜子分照下属、照自己、照同事和照老板，都要做到及时交流，定期review。“摸温度”：需要及时感知这个团队状况，团队士气是否过于低落，需要设法振奋一下，团队士气是否高烧不退，需要降一下温。

我们从业务逻辑的层面上来优化数据倾斜，比如上面的两个城市做推广活动导致那两个城市数据量激增的例子，我们可以单独对这两个城市来做count，单独做时可用两次MR，第一次打散计算，第二次再最终聚合计算。但是在ip表中，我们在统计这个值的时候，为了方便，我们把获取不到ip的用户，统一认为他们的ip为0。两边其实都没有错的，但是一旦我们做关联了，这个任务会在做关联的阶段，也就是sql的on的阶段卡死。因此，解决数据倾斜的重点在于对数据设计和业务的理解，这两个搞清楚了，数据倾斜就解决了大部分了。

使用了一个基于成本的优化模型，成本模型决定了最终使用哪个执行计划，有时候为了避免搜索空间的爆炸性增长会对搜索树进行剪枝，但它绝不对强迫用户在规则A和规则B之间进行选择。就好像有一个策略，比如“在整棵树上先执行规则A，然后在整棵树上执行规则B”，或是执行基于代价的优化策略，执行能产生耗费更低的结果的规则。不会按照规定的数据来执行.查询优化处理过程是一个有很多分支的分支树，就像国际象棋一样会检查很多可能的子操作。在执行计划树的时候会使用基于代价的优化，但代价模型并不会阻止一些看起来短期代价更高的规则执行(

【代码】大数据最全问题解决：java运行HiveQL，报错：java(1)，字节跳动大数据开发三面凉凉。

注销

左侧的用户界面，即前端应用，其运行在用户的浏览器端，负责收集用户填写的信息；右侧的数据库表，即后台资源，负责存储所有用户提交的信息；中间的提交服务，即后台的服务层，负责监听前端应用发送过来的请求，对请求的数据进行处理，比如，判断一下提交的数据是否合法，然后调用数据库表，写入数据。iVX 的前端核心框架为web应用，主体使用react架构，部分内部模块使用了自研的对象驱动引擎，并引用了pixi.js, three.js等画布渲染库。随后，在动作组的定义中，整合好最开始设置的物理世界的子对象与模板对象的配置~

左侧的用户界面，即前端应用，其运行在用户的浏览器端，负责收集用户填写的信息；中间的提交服务，即后台的服务层，负责监听前端应用发送过来的请求，对请求的数据进行处理，比如，判断一下提交的数据是否合法，然后调用数据库表，写入数据。数据写入之后，服务还需要根据写入是否成功，将结果返回给前端应用，这样前端应用可以把数据提交结果在界面上提示出来。iVX 的前端核心框架为web应用，主体使用react架构，部分内部模块使用了自研的对象驱动引擎，并引用了pixi.js, three.js等画布渲染库。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化资料的朋友，可以戳这里获取一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！很多朋友还是会在后台问iVX的系统架构是什么。这里我就给大家先再简单详细的介绍一下！~一个iVX应用，主要由两个部分构成，前台部分和后台部分：左侧的用户界面，即前端