SpringCloud 微服务全栈体系（十二）

第十一章 分布式搜索引擎 elasticsearch

一、初识 elasticsearch

1. 了解 ES

1.1 elasticsearch 的作用

  • elasticsearch 是一款非常强大的开源搜索引擎，具备非常多强大功能，可以帮助我们从海量数据中快速找到需要的内容

  • 例如：

    • 在 GitHub 搜索代码

    在这里插入图片描述

    • 在电商网站搜索商品

    在这里插入图片描述

    • 在谷歌搜索答案

    在这里插入图片描述

    • 在打车软件搜索附近的车
1.2 ELK 技术栈
  • elasticsearch 结合 kibana、Logstash、Beats，也就是 elastic stack（ELK）。被广泛应用在日志数据分析、实时监控等领域：

在这里插入图片描述

  • 而 elasticsearch 是 elastic stack 的核心，负责存储、搜索、分析数据。

在这里插入图片描述

1.3 elasticsearch 和 lucene

  • elasticsearch 底层是基于lucene来实现的。

  • Lucene是一个 Java 语言的搜索引擎类库，是 Apache 公司的顶级项目，由 DougCutting 于 1999 年研发。官网地址：https://lucene.apache.org/ 。

  • elasticsearch的发展历史：

    • 2004 年 Shay Banon 基于 Lucene 开发了 Compass
    • 2010 年 Shay Banon 重写了 Compass，取名为 Elasticsearch。

在这里插入图片描述

1.4 为什么不是其他搜索技术？
  • 目前比较知名的搜索引擎技术排名：

在这里插入图片描述

  • 虽然在早期，Apache Solr 是最主要的搜索引擎技术，但随着发展 elasticsearch 已经渐渐超越了 Solr，独占鳌头。
1.5 总结

  • 什么是 elasticsearch？

    • 一个开源的分布式搜索引擎，可以用来实现搜索、日志统计、分析、系统监控等功能

  • 什么是 elastic stack（ELK）？

    • 是以 elasticsearch 为核心的技术栈，包括 beats、Logstash、kibana、elasticsearch

  • 什么是 Lucene？

    • 是 Apache 的开源搜索引擎类库，提供了搜索引擎的核心 API

2. 倒排索引

  • 倒排索引的概念是基于 MySQL 这样的正向索引而言的。
2.1 正向索引
  • 那么什么是正向索引呢？例如给下表（tb_goods）中的 id 创建索引：

在这里插入图片描述

  • 如果是根据 id 查询，那么直接走索引，查询速度非常快。

  • 但如果是基于 title 做模糊查询，只能是逐行扫描数据，流程如下：

1）用户搜索数据，条件是 title 符合"%手机%"

2）逐行获取数据，比如 id 为 1 的数据

3）判断数据中的 title 是否符合用户搜索条件

4）如果符合则放入结果集，不符合则丢弃。回到步骤 1

  • 逐行扫描，也就是全表扫描，随着数据量增加，其查询效率也会越来越低。当数据量达到数百万时，就是一场灾难。

请添加图片描述

2.2 倒排索引

  • 倒排索引中有两个非常重要的概念：

    • 文档（Document）：用来搜索的数据，其中的每一条数据就是一个文档。例如一个网页、一个商品信息
    • 词条（Term）：对文档数据或用户搜索数据，利用某种算法分词，得到的具备含义的词语就是词条。例如：我是中国人，就可以分为：我、是、中国人、中国、国人这样的几个词条

  • 创建倒排索引是对正向索引的一种特殊处理，流程如下：

    • 将每一个文档的数据利用算法分词，得到一个个词条
    • 创建表，每行数据包括词条、词条所在文档 id、位置等信息
    • 因为词条唯一性，可以给词条创建索引，例如 hash 表结构索引

  • 如图：

在这里插入图片描述

  • 倒排索引的搜索流程如下（以搜索"华为手机"为例）：

1）用户输入条件"华为手机"进行搜索。

2）对用户输入内容分词，得到词条：华为、手机。

3）拿着词条在倒排索引中查找，可以得到包含词条的文档 id：1、2、3。

4）拿着文档 id 到正向索引中查找具体文档。

  • 如图：

请添加图片描述

  • 虽然要先查询倒排索引，再查询正向索引，但是无论是词条、还是文档 id 都建立了索引，查询速度非常快！无需全表扫描。
2.3 正向和倒排

  • 那么为什么一个叫做正向索引，一个叫做倒排索引呢？

    • 正向索引是最传统的，根据 id 索引的方式。但根据词条查询时，必须先逐条获取每个文档，然后判断文档中是否包含所需要的词条，是根据文档找词条的过程。

    • 而倒排索引则相反，是先找到用户要搜索的词条，根据词条得到包含词条的文档的 id，然后根据 id 获取文档。是根据词条找文档的过程。

  • 是不是恰好反过来了？

  • 那么两者方式的优缺点是什么呢？

2.3.1 正向索引
  • 优点：
    • 可以给多个字段创建索引
    • 根据索引字段搜索、排序速度非常快
  • 缺点：
    • 根据非索引字段，或者索引字段中的部分词条查找时，只能全表扫描。
2.3.2 倒排索引
  • 优点：
    • 根据词条搜索、模糊搜索时，速度非常快
  • 缺点：
    • 只能给词条创建索引，而不是字段
    • 无法根据字段做排序

3. es 的一些概念

  • elasticsearch 中有很多独有的概念，与 mysql 中略有差别，但也有相似之处。
3.1 文档和字段
  • elasticsearch 是面向文档（Document）存储的，可以是数据库中的一条商品数据，一个订单信息。文档数据会被序列化为 json 格式后存储在 elasticsearch 中：

在这里插入图片描述

  • 而 Json 文档中往往包含很多的字段（Field），类似于数据库中的列。
3.2 索引和映射

  • 索引（Index），就是相同类型的文档的集合。

  • 例如：

    • 所有用户文档，就可以组织在一起，称为用户的索引；
    • 所有商品的文档，可以组织在一起，称为商品的索引；
    • 所有订单的文档，可以组织在一起，称为订单的索引；

请添加图片描述

  • 因此，我们可以把索引当做是数据库中的表。

  • 数据库的表会有约束信息，用来定义表的结构、字段的名称、类型等信息。因此，索引库中就有映射（mapping），是索引中文档的字段约束信息，类似表的结构约束。

3.3 mysql 与 elasticsearch
  • 我们统一的把 mysql 与 elasticsearch 的概念做一下对比：
MySQLElasticsearch说明
TableIndex索引(index)，就是文档的集合，类似数据库的表(table)
RowDocument文档（Document），就是一条条的数据，类似数据库中的行（Row），文档都是 JSON 格式
ColumnField字段（Field），就是 JSON 文档中的字段，类似数据库中的列（Column）
SchemaMappingMapping（映射）是索引中文档的约束，例如字段类型约束。类似数据库的表结构（Schema）
SQLDSLDSL 是 elasticsearch 提供的 JSON 风格的请求语句，用来操作 elasticsearch，实现 CRUD

  • 是不是说，学习了 elasticsearch 就不再需要 mysql 了呢？

  • 并不是如此，两者各自有自己的擅长支出：

    • Mysql：擅长事务类型操作，可以确保数据的安全和一致性

    • Elasticsearch：擅长海量数据的搜索、分析、计算

  • 因此在企业中，往往是两者结合使用：

    • 对安全性要求较高的写操作，使用 mysql 实现
    • 对查询性能要求较高的搜索需求，使用 elasticsearch 实现
    • 两者再基于某种方式，实现数据的同步，保证一致性

在这里插入图片描述

4. 安装 es、kibana

4.1 安装 es
4.1.1 部署单点 es
4.1.1.1 创建网络
  • 因为还需要部署 kibana 容器，因此需要让 es 和 kibana 容器互联。这里先创建一个网络：
docker network create es-net
4.1.1.2 加载镜像
  • 采用 elasticsearch 的 7.12.1 版本的镜像，这个镜像体积非常大，接近 1G。
  • 资料提供了镜像的 tar 包。
    （见专栏 -> 全栈资料包 -> 资源包/02_cloud）

在这里插入图片描述

  • 将其上传到虚拟机中，然后运行命令加载即可：
# 导入数据
docker load -i es.tar
  • 同理还有kibana的 tar 包也需要这样做。
4.1.1.3 运行
  • 运行 docker 命令，部署单点 es：
docker run -d \
	--name es \
    -e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \
    -e "discovery.type=single-node" \
    -v es-data:/usr/share/elasticsearch/data \
    -v es-plugins:/usr/share/elasticsearch/plugins \
    --privileged \
    --network es-net \
    -p 9200:9200 \
    -p 9300:9300 \
elasticsearch:7.12.1

  • 命令解释：

    • -e "cluster.name=es-docker-cluster"：设置集群名称
    • -e "http.host=0.0.0.0"：监听的地址，可以外网访问
    • -e "ES_JAVA_OPTS=-Xms512m -Xmx512m"：内存大小
    • -e "discovery.type=single-node"：非集群模式
    • -v es-data:/usr/share/elasticsearch/data：挂载逻辑卷，绑定 es 的数据目录
    • -v es-logs:/usr/share/elasticsearch/logs：挂载逻辑卷，绑定 es 的日志目录
    • -v es-plugins:/usr/share/elasticsearch/plugins：挂载逻辑卷，绑定 es 的插件目录
    • --privileged：授予逻辑卷访问权
    • --network es-net ：加入一个名为 es-net 的网络中
    • -p 9200:9200：端口映射配置

  • 在浏览器中输入：http://192.168.150.101:9200 即可看到 elasticsearch 的响应结果：

在这里插入图片描述

4.1.2 部署 kibana
  • kibana 可以给我们提供一个 elasticsearch 的可视化界面。
4.1.2.1 部署

  • 运行 docker 命令，部署 kibana

    docker run -d \
--name kibana \
-e ELASTICSEARCH_HOSTS=http://es:9200 \
--network=es-net \
-p 5601:5601  \
kibana:7.12.1
    • --network es-net ：加入一个名为 es-net 的网络中，与 elasticsearch 在同一个网络中
    • -e ELASTICSEARCH_HOSTS=http://es:9200"：设置 elasticsearch 的地址，因为 kibana 已经与 elasticsearch 在一个网络，因此可以用容器名直接访问 elasticsearch
    • -p 5601:5601：端口映射配置

  • kibana 启动一般比较慢，需要多等待一会，可以通过命令查看运行日志：

docker logs -f kibana
  • 此时，在浏览器输入地址访问：http://192.168.150.101:5601，即可看到结果
4.1.2.2 DevTools
  • kibana 中提供了一个 DevTools 界面
  • 这个界面中可以编写 DSL 来操作 elasticsearch。并且对 DSL 语句有自动补全功能。
4.2 安装分词器
4.2.1 在线安装 ik 插件（较慢）
# 进入容器内部
docker exec -it elasticsearch /bin/bash

# 在线下载并安装
./bin/elasticsearch-plugin  install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

#退出
exit
#重启容器
docker restart elasticsearch
4.2.2 离线安装 ik 插件（推荐）
4.2.2.1 查看数据卷目录
  • 安装插件需要知道 elasticsearch 的 plugins 目录位置，而我们用了数据卷挂载，因此需要查看 elasticsearch 的数据卷目录，通过下面命令查看：
docker volume inspect es-plugins
  • 显示结果：
[
    {
        "CreatedAt": "2022-05-06T10:06:34+08:00",
        "Driver": "local",
        "Labels": null,
        "Mountpoint": "/var/lib/docker/volumes/es-plugins/_data",
        "Name": "es-plugins",
        "Options": null,
        "Scope": "local"
    }
]
  • 说明 plugins 目录被挂载到了：/var/lib/docker/volumes/es-plugins/_data 这个目录中。
4.2.2.2 解压缩分词器安装包
  • 把资料中的 ik 分词器解压缩，重命名为 ik
    （见专栏 -> 全栈资料包 -> 资源包/02_cloud）

在这里插入图片描述

4.2.2.3 上传到 es 容器的插件数据卷中
  • 也就是/var/lib/docker/volumes/es-plugins/_data
4.2.2.4 重启容器
# 重启容器
docker restart es

# 查看es日志
docker logs -f es
4.2.2.5 测试

  • IK 分词器包含两种模式：

    • ik_smart：最少切分

    • ik_max_word：最细切分

GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "小帽课堂学习java太棒了"
}
  • 结果
{
  "tokens" : [
    {
      "token" : "小帽",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "课堂",
      "start_offset" : 2,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "学习",
      "start_offset" : 5,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "java",
      "start_offset" : 7,
      "end_offset" : 11,
      "type" : "ENGLISH",
      "position" : 3
    },
    {
      "token" : "太棒了",
      "start_offset" : 11,
      "end_offset" : 14,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "太棒",
      "start_offset" : 11,
      "end_offset" : 13,
      "type" : "CN_WORD",
      "position" : 5
    },
    {
      "token" : "了",
      "start_offset" : 13,
      "end_offset" : 14,
      "type" : "CN_CHAR",
      "position" : 6
    }
  ]
}
4.2.3 扩展词词典

  • 随着互联网的发展，“造词运动”也越发的频繁。出现了很多新的词语，在原有的词汇列表中并不存在。比如：“奥力给” 等。

  • 所以我们的词汇也需要不断的更新，IK 分词器提供了扩展词汇的功能。

4.2.3.1 打开 IK 分词器 config 目录

在这里插入图片描述

4.2.3.2 在 IKAnalyzer.cfg.xml 配置文件内容添加
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
        <comment>IK Analyzer 扩展配置</comment>
        <!--用户可以在这里配置自己的扩展字典 *** 添加扩展词典-->
        <entry key="ext_dict">ext.dic</entry>
</properties>
4.2.3.3 新建一个 ext.dic，可以参考 config 目录下复制一个配置文件进行修改
奥力给
4.2.3.4 重启 elasticsearch
docker restart es

# 查看 日志
docker logs -f elasticsearch
  • 日志中已经成功加载 ext.dic 配置文件
4.2.3.5 测试效果
GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "小帽学习Java,奥力给！"
}

注意：当前文件的编码必须是 UTF-8 格式，严禁使用 Windows 记事本编辑

4.2.4 停用词词典

  • 在互联网项目中，在网络间传输的速度很快，所以很多语言是不允许在网络上传递的，那么我们在搜索时也应该忽略当前词汇。

  • IK 分词器也提供了强大的停用词功能，让我们在索引时就直接忽略当前的停用词汇表中的内容。

4.2.4.1 IKAnalyzer.cfg.xml 配置文件内容添加
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
        <comment>IK Analyzer 扩展配置</comment>
        <!--用户可以在这里配置自己的扩展字典-->
        <entry key="ext_dict">ext.dic</entry>
         <!--用户可以在这里配置自己的扩展停止词字典  *** 添加停用词词典-->
        <entry key="ext_stopwords">stopword.dic</entry>
</properties>
4.2.4.2 在 stopword.dic 添加停用词
神经病
4.2.4.3 重启 elasticsearch
# 重启服务
docker restart elasticsearch
docker restart kibana

# 查看 日志
docker logs -f elasticsearch
  • 日志中已经成功加载 stopword.dic 配置文件
4.2.4.4 测试效果
GET /_analyze
{
  "analyzer": "ik_max_word",
  "text": "小帽课堂学习Java,神经病都点赞,奥力给！"
}

注意：当前文件的编码必须是 UTF-8 格式，严禁使用 Windows 记事本编辑

4.3 部署 es 集群
  • 部署 es 集群可以直接使用 docker-compose 来完成，不过要求 Linux 虚拟机至少有4G的内存空间。
  • 首先编写一个 docker-compose 文件，内容如下：
version: '2.2'
services:
  es01:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.12.1
    container_name: es01
    environment:
      - node.name=es01
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es02,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - data01:/usr/share/elasticsearch/data
    ports:
      - 9200:9200
    networks:
      - elastic
  es02:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.12.1
    container_name: es02
    environment:
      - node.name=es02
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es01,es03
      - cluster.initial_master_nodes=es01,es02,es03
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - data02:/usr/share/elasticsearch/data
    networks:
      - elastic
  es03:
    image: docker.elastic.co/elasticsearch/elasticsearch:7.12.1
    container_name: es03
    environment:
      - node.name=es03
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=es01,es02
      - cluster.initial_master_nodes=es01,es02,es03
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - data03:/usr/share/elasticsearch/data
    networks:
      - elastic

volumes:
  data01:
    driver: local
  data02:
    driver: local
  data03:
    driver: local

networks:
  elastic:
    driver: bridge
  • Run docker-compose to bring up the cluster:
docker-compose up
4.4 总结

  • 分词器的作用是什么？

    • 创建倒排索引时对文档分词
    • 用户搜索时，对输入的内容分词

  • IK 分词器有几种模式？

    • ik_smart：智能切分，粗粒度
    • ik_max_word：最细切分，细粒度

  • IK 分词器如何拓展词条？如何停用词条？

    • 利用 config 目录的 IkAnalyzer.cfg.xml 文件添加拓展词典和停用词典
    • 在词典中添加拓展词条或者停用词条

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：/a/120168.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

新能源汽车高压线束是如何快速连接到测试设备上进行电性能测试的

新能源汽车高压线束是如何快速连接到测试设备上进行电性能测试的

快速连接形成稳定的电测试在新能源行业里面是很常见的测试场景&#xff0c;比如说在新能源汽车行业的电池包、电机、电控制器的电性能测试中会有很多高压线束&#xff0c;需要将这些线束和电池包、电控制器、电机与测试设备快速连接在一起进行相关的EOL/DCR测试。 新能源汽车高…
阅读更多...
UML/SysML建模工具更新（2023.10）（1）StarUML、Software Ideas Modeler

UML/SysML建模工具更新（2023.10）（1）StarUML、Software Ideas Modeler

DDD领域驱动设计批评文集 做强化自测题获得“软件方法建模师”称号 《软件方法》各章合集 工具最新版本&#xff1a;Software Ideas Modeler 14.02 更新时间&#xff1a;2023年10月9日 工具简介 轻量级建模工具&#xff0c;支持UML、BPMN、SysML。 平台&#xff1a;Windo…
阅读更多...
如何在搜索引擎中应用AI大语言模型，提高企业生产力？

如何在搜索引擎中应用AI大语言模型，提高企业生产力？

人工智能尤其是大型语言模型的应用&#xff0c;重塑了我们与信息交互的方式&#xff0c;也为企业带来了重大的变革。将基于大模型的检索增强生成&#xff08;RAG&#xff09;集成到业务实践中&#xff0c;不仅是一种趋势&#xff0c;更是一种必要。它有助于实现数据驱动型决策&…
阅读更多...
如何做好测试管理岗？深度分析职业规划

如何做好测试管理岗？深度分析职业规划

经常就有同学说&#xff1a;我以后要做管理岗&#xff01;其实对于很多刚入行的同学&#xff0c;可能说这句话的时候并没有真正理解管理岗需要做什么事&#xff0c;以及需要具备什么样的技能。所以&#xff0c;作为资深测试经理&#xff0c;我来跟大家分享一下管理岗需要具备的…
阅读更多...
了解web3，什么是web3

了解web3，什么是web3

Web3是指下一代互联网&#xff0c;它基于区块链技术&#xff0c;将各种在线活动更加安全、透明和去中心化。Web3是一个广义的概念&#xff0c;它包括了很多方面&#xff0c;如数字货币、去中心化应用、智能合约等等。听不懂且大多数人听到这个东西&#xff0c;直觉感觉就像骗子…
阅读更多...
SpringBoot整合Mybatis-plus代码生成器

SpringBoot整合Mybatis-plus代码生成器

整合代码生成器过程中,发现好多博主提供的无法使用,自己整合了一套,没有花里胡哨,直接可用 备注:常规的依赖自己导入,提供的这套,默认已经导入了mybatis-plus,srpingboot等依赖了. 1.maven依赖导入,版本号要与自己的版本号想同 <!--代码生成器依赖--><dependency>…
阅读更多...
python基础（Python高级特性（切片、列表生成式）、字符串的正则表达式、函数、模块、Python常用内置函数、错误处理）培训讲义

python基础（Python高级特性（切片、列表生成式）、字符串的正则表达式、函数、模块、Python常用内置函数、错误处理）培训讲义

文章目录 1. Python高级特性&#xff08;切片、列表生成式&#xff09;a) 切片的概念、列表/元组/字符串的切片切片的概念列表切片基本索引简单切片超出有效索引范围缺省 扩展切片step为正数step为负数 b) 列表生成式以及使用列表生成式需要注意的地方概念举例说明1. 生成一个列…
阅读更多...
数据结构：AVL树的旋转（平衡搜索二叉树）

数据结构：AVL树的旋转（平衡搜索二叉树）

1、AVL树简介 AVL树是最先发明的自平衡二叉查找树。在AVL树中任何节点的两个子树的高度最大差别为1&#xff0c;所以它也被称为高度平衡树。增加和删除可能需要通过一次或多次树旋转来重新平衡这个树。AVL树得名于它的发明者G. M. Adelson-Velsky和E. M. Landis&#xff0c;他们…
阅读更多...
双11购物节想入手一款音画好的智能电视，大家推荐一下吧？

双11购物节想入手一款音画好的智能电视，大家推荐一下吧？

智能家电更新太快,不想三五年后就淘汰,那就入手东芝电视Z700吧,Z700这次把观影体验和音箱效果做到哇塞,既然要享受生活那就要享受高品质的体验。东芝电视拥有70余年的原色调校技术,每款产品都有专属的日本调校工程师匠心打造,可以真实还原画面色彩,而且还有火箭炮音响系统,也是…
阅读更多...
C++ 图解二叉树非递归后序 + 实战力扣题

C++ 图解二叉树非递归后序 + 实战力扣题

145.二叉树的后序遍历 145. 二叉树的后序遍历 - 力扣&#xff08;LeetCode&#xff09; class Solution { public:vector<int> postorderTraversal(TreeNode* root) {stack<TreeNode*> st;vector<int> vec;if(root NULL) return vec;TreeNode* guard root…
阅读更多...
大型企业是否有必要进行数字化转型？_数据治理平台_光点科技

大型企业是否有必要进行数字化转型？_数据治理平台_光点科技

数字化转型是大型企业在现代商业环境中保持竞争力的关键。一开始我们要明确数字化转型指的是利用数字技术来改变企业的业务模式和企业文化&#xff0c;以提高效率和效益。对于大型企业而言&#xff0c;进行数字化转型有着多重必要性。 1.数字化转型可以帮助企业优化内部流程&am…
阅读更多...
记一次经典SQL双写绕过题目[极客大挑战 2019]BabySQL 1

记一次经典SQL双写绕过题目[极客大挑战 2019]BabySQL 1

题目环境&#xff1a; 作者已经描述进行了严格的过滤 做好心理准备进行迎接 判断注入类型 admin 1’ 字符型注入万能密码注入 admin 1’ or ‘1’1 报错 已经是字符型注入了&#xff0c;所以的话只有or这里存在了过滤 联想到buuctf里面还没有碰到双写绕过的题目 所以这里斗胆试…
阅读更多...
ESXi配置两个不同网段虚拟机互通

ESXi配置两个不同网段虚拟机互通

ESXi配置两个不同网段虚拟机互通 拓扑图&#xff1a; 步骤 在ESXi上新建一个虚拟交换机新建两个端口组&#xff0c;VLAN ID分别为30和31&#xff0c;添加到新建的虚拟交换机上创建两个虚拟机&#xff0c;网络适配器分别使用新建的端口组30和31对新建的虚拟机配置IP在物理交换…
阅读更多...
【计算机组成】实模式/保护模式下地址分段（基段地址+偏移地址）的原因

【计算机组成】实模式/保护模式下地址分段（基段地址+偏移地址）的原因

一.硬编码/静态重定向 我们先来观察下没有地址分段时代CPU是怎么和内存们打交道&#xff0c;在8086CPU以前的老大哥们&#xff0c;访问内存时通常就是实打实的“指哪打哪”&#xff0c;程序指定要放在哪个地址&#xff0c;那就老老实实地放在哪个地址&#xff0c;比如程序A要放…
阅读更多...
微信小程序案例3-1 比较数字

微信小程序案例3-1 比较数字

文章目录 一、运行效果二、知识储备&#xff08;一&#xff09;Page()函数&#xff08;二&#xff09;数据绑定&#xff08;三&#xff09;事件绑定&#xff08;四&#xff09;事件对象&#xff08;五&#xff09;this关键字&#xff08;六&#xff09;setData()方法&#xff0…
阅读更多...
Azure 机器学习 - 设置 AutoML 训练时序预测模型

Azure 机器学习 - 设置 AutoML 训练时序预测模型

目录 一、环境准备二、训练和验证数据三、配置试验支持的模型配置设置特征化步骤自定义特征化 四、可选配置频率和目标数据聚合启用深度学习目标滚动窗口聚合短时序处理非稳定时序检测和处理 五、运行试验六、用最佳模型进行预测用滚动预测评估模型精度预测未来 七、大规模预测…
阅读更多...
《深入立即计算机系统》书籍学习笔记 - 第二课 - 位，字节和整型

《深入立即计算机系统》书籍学习笔记 - 第二课 - 位，字节和整型

Lecture 02 Bits,Bytes, and Integer 位&#xff0c;字节和整型 文章目录 Lecture 02 Bits,Bytes, and Integer 位&#xff0c;字节和整型Byte 字节位操作布尔代数集合的表现形式和操作C语言的逻辑操作 位移操作整型数值范围无符号与有符号数值无符号与有符号在C中 拓展和截断拓…
阅读更多...
安防监控EasyCVR视频汇聚平台使用海康SDK播放时，画面播放缓慢该如何解决？

安防监控EasyCVR视频汇聚平台使用海康SDK播放时，画面播放缓慢该如何解决？

视频云存储/安防监控EasyCVR视频汇聚平台基于云边端智能协同&#xff0c;支持海量视频的轻量化接入与汇聚、转码与处理、全网智能分发、视频集中存储等。安防视频平台EasyCVR拓展性强&#xff0c;视频能力丰富&#xff0c;具体可实现视频监控直播、视频轮播、视频录像、云存储、…
阅读更多...
物业报修管理软件哪个好？如何提升物业管理和维修服务质量？

物业报修管理软件哪个好？如何提升物业管理和维修服务质量？

在当前的数字化时代&#xff0c;物业管理软件在物业行业中的作用日益凸显。它不仅能够有效提升管理效率&#xff0c;还能够优化服务质量&#xff0c;拓展收入来源&#xff0c;推动智慧物业的全面实现。本文将深入探讨“的修”报修管理软件如何通过其独特的功能和优势&#xff0…
阅读更多...
【机器学习】Kmeans聚类算法

【机器学习】Kmeans聚类算法

一、聚类简介 Clustering (聚类)是常见的unsupervised learning (无监督学习)方法&#xff0c;简单地说就是把相似的数据样本分到一组&#xff08;簇&#xff09;&#xff0c;聚类的过程&#xff0c;我们并不清楚某一类是什么&#xff08;通常无标签信息&#xff09;&#xff0…
阅读更多...
最新文章

Copyright @ 2022~2023