工作总结---Redis五大数据类型的使用

redis持久化机制:

   1)rdb:是默认开启的是内存快照,可修改redis.conf的appendonly no 改为yes,就成为aof持久化机制。rdb每次进行快照时就会记录整个数据项,所以rdb在恢复数据的速度上快,极大的优化的redis的效率。缺点:rdb做不到实时存储(如果快照化一次,之后又添加数据,做不到实时持久化方案),所以有了aof

   2)aof:(每秒存储) 存储着对redis的操作命令,进行aof日志存储。重启时在执行aof文件中的命令,进行数据恢复。

redis4.0 可在aof-use-rdb-preamble;混合开启rdb和aof共用。

一:redis的string数据结构

命令窗口如下:

Connected.
本地测试:0>set a 1 //添加 key为a value为1
"OK"

本地测试:0>get a //获取value
"1"

本地测试:0>incr a  //key为a的 value自增
"2"

本地测试:0>decr a  //key为a的 value自减
"1"

本地测试:0>expire a 5 //设置 key a 的失效时间5s
"1"

本地测试:0>get a   //key失效
null

本地测试:0>incrby a 9 //value增加9
"9"

本地测试:0>get a
"9"
 
本地测试:0>exists a //判断a的key是否存在   1 存在  0 不存在

"1"

本地测试:0>exists b
"0"

本地测试:0>keys a*  //模糊查询
 1)  "a"
本地测试:0>

适用场景:微博文章点赞数,粉丝数量、存储用户信息、 key value存储

项目整合:整合redis  string类型工具类,请看本篇。。。。。。。。。。。。。。。

 

二:redis的list列表数据结构

list命令:

本地测试:0>lpush as 1 2 3 4 5 //存入列表数据 as key键  rpush右侧添加列元素
"5"

本地测试:0>lrange as 0 -1 //获取key中数据 0 -1 获取全部 
 1)  "5"
 2)  "4"
 3)  "3"
 4)  "2"
 5)  "1"

本地测试:0>lindex as 1//通过下标获取元素
"4"

本地测试:0>lindex as "1"//通过值获取下标
"4"

本地测试:0>linsert as before "5" "7" //添加元素7在5 之前
"6"

本地测试:0>llen as //获取key的存的value的数量
"6"

本地测试:0>lpop as //移除列表头,并返回移除的值  rpop移除右表头
"7"

本地测试:0>lpushx as 10 //左侧列表表头添加数据,如果key不存在,添加失败,与push不同  rpushx右侧添加命令 
"6"

本地测试:0>lrem as -1 2 //移除 列末元素2   -1指末端
"1"

本地测试:0>lset as 0 "你好" //有key修改可成功
"OK"
本地测试:0>exists as //判断是否有key 五种数据类型通用
"1"

使用场景:堆栈先进后出或后进先出业务场景

三:redis的hash数据结构

命令如下:

本地测试:0>hset hash qw s //添加 hash中的key qw  value s  如果存才key 修改value值
"1"

本地测试:0>hgetall hash  //获取hash中所用key和value
 1)  "qw"
 2)  "d"
 3)  "ew"
 4)  "uu"

本地测试:0>hdel hash qw  //移除hash中keyqw
"1"

本地测试:0>hexists hash a  //判断hash中的key a是否存在
"1"


本地测试:0>hget hash a  //获取hash中key a 的value值
"d"

本地测试:0>hkeys hash  '//获取hash中所有的key
 1)  "a"
 2)  "b"
本地测试:0>hlen hash  //获取hash中有多少的key
"2"

本地测试:0>hmget hash a b //批量获取value
 1)  "10"
 2)  "0"
本地测试:0>hmset hash c 1 d 2  //批量插入元素
"OK"

本地测试:0>hsetnx hash nosql e //如果不存在key nosql 新建一条 。存在就修改
"1"

本地测试:0>hvals hash //获取所用value值
 1)  "10"
 2)  "0"
 3)  "1"
 4)  "2"
 5)  "e"
本地测试:0>

使用场景:存储用户信息,可直接获取,(不用想string类型要遍历)但用hash速度不太好

 

四:redis的set数据结构(无序,不可重复)

本地测试:0>sadd set 12 //添加set集合 元素
"1"

本地测试:0>sadd set 13
"1"

本地测试:0>sadd set 12 //添加set集合相同元素添加不成功
"0"

本地测试:0>scard set //返回集合中元素的基数(大小)
"2"

本地测试:0>sinter set sdf //返回这个集合的所有成员
 1)  "12"
本地测试:0>sinterstore store set sdf //两个集合的交集放在新集合中store
"1"

本地测试:0>sismember set 12 //判断元素是否在集合中
"1"

本地测试:0>smembers set //返回集合中所有元素
 1)  "12"
 2)  "13"

本地测试:0>smove set mset 12 //将12移动到set集合中
"1"

本地测试:0>spop set  //弹出集合的随机数并移除
"13"


本地测试:0>srandmember mset //返回集合中的随机数
"12"

本地测试:0>srem mset 12 //移除集合中的12
"1"

本地测试:0>sunion sdf add //两个集合的并集
 1)  "12"
本地测试:0>sunionstore sff sdf store //两个集合的并集并存入新集合
"1"

使用场景:中奖用户存储(不循序一个用户多次中奖。)  交集  并集

 

五:redis的zset数据类型(有序的set,)

本地测试:0>ZADD page_rank 10 google.com //添加 zset 的集合 其中10 是 score 用于保持有序
"1"

本地测试:0>ZADD page_rank 10 google.com //相同的value不能添加成功
"0"

本地测试:0>zcard page_rank //返回key中value的基数
"3"


本地测试:0>zcount pa 12 13  //在min与max中的数量
"2"

本地测试:0>zrange pa 0 -1 //返回pa中的key
 1)  "ni"

本地测试:0>zscore pa ni  //返回pa集合中key的value值
"12"

本地测试:0>zincrby pa 2000 ni // score中添加2000  相当于增加多少分
"2012"

本地测试:0>zrangebyscore pa 0 60000 //按照 score 从小到大排序(0 60000)
 1)  "goog"
 2)  "ni"

本地测试:0>zrank pa ni //从小到大  key ni 的排名  排名以0为底
"1"

本地测试:0>zrank pa goog
"0"

本地测试:0>zrange pa 0 -1 withscores //返回集合中的key 和value注意(withscores显示value)
 1)  "goog"
 2)  "13"
 3)  "so"
 4)  "14"
 5)  "ni"

本地测试:0>zrange pa 0 -1 withscores //按照score从小到大
 1)  "goog"
 2)  "13"
 3)  "so"
 4)  "14"
 5)  "ni"
 6)  "15"

本地测试:0>zrem pa ni //移除集合中key
"1"

本地测试:0>zremrangebyrank pa 0 1  //移除集合中的 0 1(0 1指的是下标)排名 的key
"2"

本地测试:0>zremrangebyscore b 12 14 //移除集合中的 12 14(12 14指的是分数)排名 的key
"3"

本地测试:0>zrevrange b 0 -1 withscores //按照score从大到小
 1)  "safd"
 2)  "18"
 3)  "saf"
 4)  "17"
 5)  "sa"
 6)  "16"
 7)  "ff"
 8)  "15"
本地测试:0>zrange b 0 -1 withscores
 1)  "ff"
 2)  "15"
 3)  "sa"
 4)  "16"
 5)  "saf"
 6)  "17"
 7)  "safd"
 8)  "18"

本地测试:0>ZREVRANGEBYSCORE b +inf -inf //逆序排列所有成员  +inf -inf
 1)  "safd"
 2)  "saf"
 3)  "sa"
 4)  "ff"
本地测试:0>zrevrank b ff //从小到大  ff的排名
"3"

本地测试:0>zscore b ff  //返回集合中 ff 的value值
"15"

本地测试:0>zunionstore sala 2 b a weights 1 3 //b a 集合的并集存入新集合 weights 是乘法因子 //3  指的是score的三倍 。相同的key指 score相加
"5"

本地测试:0>zrange sala 0 -1 withscores
 1)  "ff"
 2)  "15"
 3)  "sa"
 4)  "16"
 5)  "saf"
 6)  "17"
 7)  "safd"
 8)  "18"
 9)  "1"
 10)  "30"
本地测试:0>zinterstore sofe 2 a sala //集合的交集存入新集合 
"1"

使用场景:zset是有序的集合。用score因子排序。可进行交集并集。

1)可用于分数的统计,

2)也可用于权重,然后工作线程挑选权重重要的先进行。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值