dxx707099957的博客

简单来说 redis 就是一个数据库，不过与传统数据库不同的是 redis 的数据是存在内存中的，所以读写速度非常快，因此 redis 被广泛应用于缓存方向。另外，redis 也经常用来做分布式锁。redis 提供了多种数据类型来支持不同的业务场景。除此之外，redis 支持事务 、持久化、LUA脚本、LRU驱动事件、多种集群方案。

4、缓存 redis。

Java optional

日志系统主要有redo log(重做日志)和binlog(归档日志)。redo log是InnoDB存储引擎层的日志，binlog是MySQL Server层记录的日志， 两者都是记录了某些操作的日志(不是所有)自然有些重复（但两者记录的格式不同）。图来自极客时间的mysql实践,该图是描述的是MySQL的逻辑架构。redo log日志模块redo log是InnoDB存储引擎层的日志，又称重做日志文件，用于记录事务操作的变化，记录的是数据修改之后的值，不管事务是否提交都会记录下来。在实例和

给定一个字符串 s 和一个字符串 t ，计算在 s 的子序列中 t 出现的个数。字符串的一个 子序列 是指，通过删除一些（也可以不删除）字符且不干扰剩余字符相对位置所组成的新字符串。（例如，"ACE"是"ABCDE"的一个子序列，而"AEC"不是）题目数据保证答案符合 32 位带符号整数范围。示例1：输入：s = "rabbbit", t = "rabbit"输出：3解释：如下图所示, 有 3 种可以从 s 中得到 "rabbit" 的方案。(上箭头符号 ^ 表示...

给你一个二维整数数组 envelopes ，其中 envelopes[i] = [wi, hi] ，表示第 i 个信封的宽度和高度。当另一个信封的宽度和高度都比这个信封大的时候，这个信封就可以放进另一个信封里，如同俄罗斯套娃一样。请计算 最多能有多少个 信封能组成一组“俄罗斯套娃”信封（即可以把一个信封放到另一个信封里面）。注意：不允许旋转信封。示例 1：输入：envelopes = [[5,4],[6,4],[6,7],[2,3]]输出：3解释：最多信封的个数为 3, ...

我们讲一下什么是二维前缀和，建立在一维前缀和之上，我们要求一个矩阵内一个任意的子矩阵的数的和，我们就可以用二维前缀和，我们还是用DP来预处理，状态和一维前缀和差不多，只不过我们多加了一维，DP[i][j]表示（1,1）这个点与（i，j）这个点两个点分别为左上角和右下角所组成的矩阵内的数的和，好好想一下状态转移方程，DP[i][j]=DP[i-1][j]+DP[i][j-1]-DP[i-1][j-1]+map[i][j],怎么来的呢？我们画一下图就知道了。这张图就知道了（i，j）可以由（i-1，j）和

top命令　　top命令是Linux下常用的性能分析工具，能够实时显示系统中各个进程的资源占用状况，类似于Windows的任务管理器。　　运行 top 命令后，CPU 使用状态会以全屏的方式显示，并且会处在对话的模式 -- 用基于 top 的命令，可以控制显示方式等等。退出 top 的命令为 q （在 top 运行中敲 q 键一次）。　　内容解释：第一行（top）：　　15:24:36 系统当前时刻　　14 days 系统启动后到现在的运作时间　　3 users 当前.

一、问题产生雪崩效应：是一种因服务提供者的不可用导致服务调用者的不可用,并将不可用逐渐放大的过程正常情况下的服务：某一服务出现异常，拖垮整个服务链路，消耗整个线程队列，造成服务不可用，资源耗尽： 形成过程： 1）服务提供者不可用 a）硬件故障：硬件损坏造成的服务器主机宕机, 网络硬件故障造成的服务提供者的不可访问 ...

本篇文章主要讨论一下我们经常会用到的一些对象：VO、DTO、DO和PO。由于不同的项目和开发人员有不同的命名习惯，这里我首先对上述的概念进行一个简单描述，名字只是个标识，我们重点关注其概念：概念：VO（View Object）：视图对象，用于展示层，它的作用是把某个指定页面（或组件）的所有数据封装起来。DTO（Data Transfer Object）：数据传输对象，这个概念来源于J2EE的设计模式，原来的目的是为了EJB的分布式应用提供粗粒度的数据实体，以减少分布式调用的次数，从而提.

文章目录一、前言 二、缓存 2.1 缓存本质 + 缓存分类 + 缓存三大特征 + 三种淘汰算法 + 根据业务场景设计过期时间 2.2 本地缓存（进程内缓存） 2.3 分布式缓存 2.4 缓存五问题：缓存雪崩 + 缓存穿透 + 缓存击穿 + 缓存更新 + 数据不一致 2.4.1 缓存雪崩问题 2.4.2 缓存穿透问题 2.4.3 缓存击穿问题 2.4.4 缓存更新问题（四种缓存更新方式 + 缓存数据源：DB和远程服务） 2.4.5 缓存数据不一致问题

本篇文章主要内容：一种特化形式的流——数值流 Optional 类 如何构建一个流 collect 方法 并行流相关问题一. 数值流前面介绍的如int sum = list.stream().map(Person::getAge).reduce(0, Integer::sum); 计算元素总和的方法其中暗含了装箱成本，map(Person::getAge) 方法过后流变成了 Stream<Integer> 类型，而每个 Integer 都要拆箱成一个原始类型再进行 sum 方法

本篇文章主要内容：介绍 Stream 以及 Stream 是如何处理集合的 介绍 Stream 与集合的关系与区别 Stream 的基本方法介绍一. 什么是 StreamStream 中文称为 “流”，通过将集合转换为这么一种叫做 “流” 的元素序列，通过声明性方式，能够对集合中的每个元素进行一系列并行或串行的流水线操作。换句话说，你只需要告诉流你的要求，流便会在背后自行根据要求对元素进行处理，而你只需要 “坐享其成”。二. 流操作整个流操作就是一条流水线，将元素放在流水线上一

Linux中生成 Core Dump 文件的方法1 什么是 Core DumpCore Dump 又叫核心转储。在程序运行过程中发生异常时，将其内存数据保存到文件中，这个过程叫做 Core Dump。2 Core Dump 的作用在开发过程中，难免会遇到程序运行过程中异常退出的情况，这时候想要定位哪里出了问题，仅仅依靠程序自身的信息打印（日志记录）往往是不够的，这个时候就需要 Core Dump 文件来帮忙了。一个完整的 Core Dump 文件实际上相当于恢复了异常现场，利用 Core Dump

从 Java 8 引入的一个很有趣的特性是Optional 类。Optional 类主要解决的问题是臭名昭著的空指针异常（NullPointerException） —— 每个 Java 程序员都非常了解的异常。本质上，这是一个包含有可选值的包装类，这意味着 Optional 类既可以含有对象也可以为空。Optional 是 Java 实现函数式编程的强劲一步，并且帮助在范式中实现。但是 Optional 的意义显然不止于此。我们从一个简单的用例开始。在 Java 8 之前，任何...

HashBiMap存储的键和值都只能唯一，不存在键与键、值与值相同的情况（详细分析见我博客：Guava学习之BiMap）。HashBiMap类继承了AbstractMap类并实现了BiMap接口，其类继承关系如下图所示：HashBiMap　　AbstractMap类实现了Map接口定义的一些方法，而BiMap类定义了其子类需要实现的一些方法，使得所有实现BiMap的类必须符合其独有的特性：键、值都是唯一的。HashBiMap类中主要有以下几个成员变量： private s..

从本篇开始，开始对项目和源码进行一个分析学习。可能存在不准确的地方，望指出。基于版本3.1.0-M1版本。项目结构从项目模块拆分和依赖关系来看，大致我们可以看出各模块的主要职责和特点。sharding-core:核心模块sharding-transaction-core:事务模块核心sharding-jdbc-core:jdbc核心集成模块sharding-transaction-2pc-spi:2阶段提交事务SPI抽象sharding-transaction-2pc-xa:XA实现s

前三篇对sharding-sphere产品进行了一个入门学习，这篇转自某博客专栏对sharding-sphere作者的一些问题，加强对sharding-sphere进行一个认识。Q：Sharding-JDBC 的设计初衷是什么？旨在解决什么场景的问题？Sharding-JDBC 的设计初衷是想提供一个数据库中间层，用于透明的处理分库分表，而无需业务开发人员在业务代码中根据分片键生成 SQL。第一版的分库分表并不是现有的 Sharding-JDBC，而是当当的一个内部框架 ddframe 的数据库模块，d

接上篇，使用文档。使用文档数据分片不使用Spring引入Maven依赖<dependency> <groupId>io.shardingsphere</groupId> <artifactId>sharding-jdbc-core</artifactId> <version>${sharding-sphere.version}</version></dependency&

从上篇了解Sharding-Sphere的一个背景、定位以及规划后，我再去看了下官方文档，发现sharding-sphere活跃还是有原因的，文档一个字：详细。这里我大致拆分成两份：说明文档、使用文档。说明文档背景传统的将数据集中存储至单一数据节点的解决方案，在性能、可用性和运维成本这三方面已经难于满足互联网的海量数据场景。从性能方面来说，由于关系型数据库大多采用B+树类型的索引，在数据量超过阈值的情况下，索引深度的增加也将使得磁盘访问的IO次数增加，进而导致查询性能的下降；同时，高并发访问请