[Redis]缓存常见问题解决(缓存穿透、击穿、雪崩一文解决!通俗易懂、代码实战!手把手教你解决缓存问题三兄弟!)

Redis常见问题解决

要求

只用一种缓存技术，从实验点中挑一些试验进行试验原理。

1.缓存原理

目标：理解缓存的基本原理和工作机制。

实验步骤：

  1. 阅读各缓存技术机制的文档和官方资料。
  2. 实现一个简单的应用程序，模拟数据的读写和缓存操作。
  3. 观察实时操作日志，了解缓存的实际运行情况。

实验

  1. 缓存的基本原理主要围绕以下几个核心概念：

    • 时间局部性与空间局部性：缓存利用了程序访问数据的时间局部性和空间局部性，即如果一个数据被访问过，它很可能在不久的将来再次被访问；并且，如果一个数据被访问，其相邻的数据也可能很快被访问。

    • 高速存储介质：缓存通常位于更快的存储介质上，比如内存，相比硬盘等慢速存储，能显著提升数据访问速度。

    • 缓存命中与未命中：当请求的数据在缓存中存在时称为缓存命中，此时直接从缓存返回数据，无需访问较慢的后端存储；反之，如果数据不在缓存中，则称为缓存未命中，需要从后端加载数据并存储到缓存中，以便下次快速访问。

    • 缓存策略：包括但不限于LRU（Least Recently Used，最近最少使用）、LFU（Least Frequently Used，最不经常使用）和FIFO（First In First Out，先进先出）等淘汰策略，以及过期策略、缓存更新策略等。

    • 缓存一致性：在多线程或多进程环境下，确保缓存与数据源保持一致性的机制，如写直达、写回等。

  2. 以下是一个简化的Java示例，使用HashMap模拟内存缓存：

    import java.util.HashMap;
import java.util.Map;

public class SimpleCacheExample {
    private final Map<String, String> cache = new HashMap<>();

    public String getUserInfo(String userId) {
        // 先尝试从缓存中获取数据
        String userInfo = cache.get(userId);
        if (userInfo == null) {
            // 如果缓存中没有，模拟从数据库读取
            userInfo = fetchFromDatabase(userId);
            // 将数据放入缓存
            cache.put(userId, userInfo);
            System.out.println("缓存未命中！！！");
        } else {
            System.out.println("缓存命中！！！");
        } 
        return userInfo;
    }

    private String fetchFromDatabase(String userId) {
        // 这里实际应调用数据库查询逻辑，这里简单模拟
        return "UserInfo of " + userId;
    }

    public static void main(String[] args) {
        SimpleCacheExample cacheExample = new SimpleCacheExample();
        System.out.println(cacheExample.getUserInfo("1001")); // 首次访问，会从数据库获取
        System.out.println(cacheExample.getUserInfo("1001")); // 再次访问，直接从缓存获取
    }
}

  3. 实时操作日志：

    1. 观察首次访问

      在这里插入图片描述

    2. 未命中缓存，查询数据库

      在这里插入图片描述

    3. 观察第二次访问

      在这里插入图片描述

    4. 命中缓存！直接返回结果。

      在这里插入图片描述

    5. 程序运行结果（首次访问，会从数据库获取。再次访问，直接从缓存获取。）

      在这里插入图片描述

2.缓存击穿

目标：模拟和解决缓存击穿问题。

实验步骤：

  1. 设计一个常被请求的热点数据。
  2. 启动多个并发请求同时访问该热点数据，观察缓存是否会因此而失效。
  3. 实现解决缓存击穿的方法，比如使用互斥锁或者提前加载数据。

实验

  1. 我们首先模拟实验环境（使用Redis作为缓存）

    查询心理健康产品详情接口：

    @Resource
private RedisTemplate redisTemplate;
int count = 1;

@ApiOperation("查询心理健康产品详情")
@GetMapping("/detail")
public R<MentalHealthProduce> detail(@RequestParam(value = "id") String id) {
    MentalHealthProduce mentalHealthProduce;

    // 动态构造key
    String key = "produce_" + id; // 例:produce_1397844391040167938

    // 先从Redis中获取缓存数据
    mentalHealthProduce = (MentalHealthProduce) redisTemplate.opsForValue().get(key);
    // 如果存在, 直接返回, 无需查询数据库
    if (mentalHealthProduce != null) {
        return R.success(mentalHealthProduce);
    }

    mentalHealthProduce = mentalHealthProduceService.getById(id);
    
    // 这里每一次进行数据库查询我们进行打印日志
    System.out.println("查询数据库次数:" + count++);
    if (mentalHealthProduce == null) {
        return R.error("心理健康产品不存在");
    }

    // 将查询到的热点数据缓存到Redis中,过期时间为3秒
    redisTemplate.opsForValue().set(key, mentalHealthProduce, 3, TimeUnit.SECONDS);

    return R.success(mentalHealthProduce);
}

  2. 我们进行压测，查看效果（开启10个线程，压测10秒）

    在这里插入图片描述

    我们观察控制台：即使我们开启了缓存，但在失效的时间内仍然请求了38次，在高并发中还是存在风险

    在这里插入图片描述

  3. 我们进行对缓存击穿的解决

    1. 热点数据永不过期（把过期时间取消即可，不再演示）

    2. 添加互斥锁

      1. 修改代码逻辑（加锁再去获取数据）

        // 动态构造key
String key = "produce_" + id; // 例:produce_1397844391040167938
// 创建基于id的唯一锁
String lockKey = "lock_produce_" + id;

// 尝试获取基于id的锁
RLock lock = redissonClient.getLock(lockKey);
lock.lock(); // 先加锁，确保并发安全

try {
    // 先从Redis中获取缓存数据
    mentalHealthProduce = (MentalHealthProduce) redisTemplate.opsForValue().get(key);
    // 如果存在, 直接返回, 无需查询数据库
    if (mentalHealthProduce != null) {
        return R.success(mentalHealthProduce);
    }

    mentalHealthProduce = mentalHealthProduceService.getById(id);

    // 这里每一次进行数据库查询我们进行打印日志
    System.out.println("查询数据库次数:" + count++);
    if (mentalHealthProduce == null) {
        return R.error("心理健康产品不存在");
    }

    // 将查询到的热点数据缓存到Redis中
    redisTemplate.opsForValue().set(key, mentalHealthProduce, 3, TimeUnit.SECONDS);
} catch (Exception e) {
    e.printStackTrace();
} finally {
    // 3、释放锁
    lock.unlock();
}

      2. 再次进行压测：开启10个线程，压测10秒

        在这里插入图片描述

      3. 观察控制台日志：我们过期时间设置为3秒，正常来说10秒压测只会进行四次数据库查询

        在这里插入图片描述

3.缓存穿透

目标：模拟和解决缓存穿透问题。

实验步骤：

  1. 构造一个不存在于缓存和数据库中的无效数据。
  2. 启动多个并发请求同时访问该无效数据，观察缓存是否被绕过直接访问数据库。
  3. 实现解决缓存穿透的方法，比如使用布隆过滤器或者空对象缓存。

实验

  1. 我们首先模拟实验环境（使用Redis作为缓存）

    查询文章接口：

    @ApiOperation("查询文章详情")
@GetMapping("/detail")
public R<ArticleResp> detail(@RequestParam(value = "id") String id) {
    // 构造返回参数
    ArticleResp articleResp;

    // 动态构造key
    String key = "article_" + id; // 例:article_1397844391040167938

    // 先从Redis中获取缓存数据
    articleResp = (ArticleResp) redisTemplate.opsForValue().get(key);
    // 如果存在, 直接返回, 无需查询数据库
    if (articleResp != null) {
        return R.success(articleResp);
    }

    Article article = articleService.getById(id);
    if (article == null) {
        return R.error("文章不存在");
    }

    articleResp = new ArticleResp();
    BeanUtils.copyProperties(article, articleResp);

    // 设置点赞数
    int count = likeService.count(new LambdaQueryWrapper<Like>()
                                  .eq(Like::getEventId, id));
    articleResp.setLikeNum(count);

    // 设置评论列表
    List<CommentResp> commentRespList = commentService.list(new LambdaQueryWrapper<Comment>()
                                                            .eq(Comment::getEventId, id))
        .stream()
        .map(comment -> {
            // ......
            return commentResp;
        }).collect(Collectors.toList());
    articleResp.setCommentRespList(commentRespList);

    // 将查询到的文章数据缓存到Redis中
    redisTemplate.opsForValue().set(key, articleResp, 1, TimeUnit.HOURS);

    return R.success(articleResp);
}

  2. 我们请求一个不存在的id值（id=1）来查看查询情况

    在这里插入图片描述

    可以看到，确实是请求了数据库的（缓存失效），如果黑客进行大量请求，系统将存在巨大隐患。

  3. 我们进行压测，查看效果（开启10个线程，压测10轮）

    在这里插入图片描述

  4. 我们进行对缓存穿透的解决

    1. 缓存无效数据

      • 修改代码（无效数据同样进行缓存）

        在这里插入图片描述

      • 再次进行压测：同样10个线程进行10轮压测，请求数增多（150%）的情况下平均响应时间还缩短了将近35%！！！

        在这里插入图片描述

      • 但这种处理方式是有问题的，假如传进来的这个不存在的Key值每次都是随机的，那存进Redis也没有意义。

    2. 布隆过滤器（Redisson实现）

      在这里插入图片描述

      1. pom.xml中导入Redisson依赖

        <!--Redisson-->
<dependency>
    <groupId>org.redisson</groupId>
    <artifactId>redisson-spring-boot-starter</artifactId>
    <version>3.17.6</version>
</dependency>

      2. RedisConfig中添加以下配置（Redis进行正常配置即可）

        @Value("${spring.redis.host}")
private String host;

@Value("${spring.redis.port}")
private String port;

@Bean
public RedissonClient redisson() {
    //创建配置
    Config config = new Config();
    config.useSingleServer().setAddress("redis://" + host + ":" + port);
    //根据config创建出RedissonClient实例
    return Redisson.create(config);
}

      3. 项目中使用

        @Resource
private RedissonClient redissonClient;
private RBloomFilter<String> bloomFilter;

@PostConstruct // 项目启动的时候执行该方法，也可以理解为在spring容器初始化的时候执行该方法
public void init() {
    // 启动项目时初始化bloomFilter
    List<Article> articleList = articleService.list();
    //参数：布隆过滤器的名字
    bloomFilter = redissonClient.getBloomFilter("articleFilter");
    // 初始化布隆过滤器  预计数据量   误判率
    bloomFilter.tryInit(1000L, 0.01);
    for (Article article : articleList) {
        bloomFilter.add(article.getId());
    }
}

        因为我们已经初始化过数据，所以在查询时可以先查询布隆过滤器

        在这里插入图片描述

      4. 观察实际运行情况

        在这里插入图片描述

        在这里插入图片描述

4.缓存雪崩

目标：模拟和解决缓存雪崩问题。

实验步骤：

  1. 设定多个缓存数据的失效时间相同，并在某一时刻让它们同时失效。
  2. 启动多个并发请求，观察在缓存数据失效时的响应时间和Redis服务器的负载情况。
  3. 实现解决缓存雪崩的方法，比如使用不同的失效时间或者限流策略。

实验

  1. 我们首先模拟实验环境（使用Redis作为缓存）

    我们事先将全部数据存入数据库，并把所有数据存活时间都设置为60秒：

    @PostConstruct // 项目启动的时候执行该方法，也可以理解为在spring容器初始化的时候执行该方法
public void init() {
    // 启动项目时事先存入Redis热点数据
    List<MentalHealthProduce> produceList = mentalHealthProduceService.list();
    for (MentalHealthProduce produce : produceList) {
        String key = "produce_" + produce.getId(); // 例:produce_1397844391040167938
        redisTemplate.opsForValue().set(key, produce, 60, TimeUnit.SECONDS);
    }
    System.out.println("当前时间" + new Date());
}

  2. 在缓存快要失效时，我们进行压测查看效果（开启10000个线程，压测10秒）

    在这里插入图片描述

    可以看到，在缓存同一时间失效的情况下，还是会有很多请求同时请求数据库，给数据库造成一定的压力！

    在这里插入图片描述

    在这里插入图片描述

  3. 我们进行对缓存雪崩的解决

    1. 使用随机或梯度失效时间（为每项数据设置一个随机范围内的过期时间，或者采用梯度失效策略，即相近的数据项过期时间错开一定间隔），示例代码：

      Random random = new Random();
for (String user : users) {
    long expireTime = 24 * 60 * 60 + random.nextInt(300); // 基础24小时过期时间加上0-5分钟的随机偏移
    RBucket<Object> bucket = redisson.getBucket("user:" + user);
    bucket.set(userDetails, expireTime, TimeUnit.SECONDS);
}

    2. 限流与降级（在服务端实施请求限流，避免在缓存失效瞬间服务被大量请求压垮。同时，可以设置服务降级策略，当请求超过阈值时返回降级内容（如静态数据、默认值或部分数据）而非直接失败）

      1. 限流实现

        Redisson 提供了 RRateLimiter 接口来实现限流功能，支持固定窗口、滑动窗口、令牌桶等多种限流算法。例如，使用令牌桶算法进行限流，可以这样配置：

        // 创建一个令牌桶限流器，每秒填充5个令牌，最多存储10个令牌
RRateLimiter rateLimiter = redisson.getRateLimiter("myRateLimiter");
rateLimiter.trySetRate(RateType.OVERALL, 5, 10, RateIntervalUnit.SECONDS);

// 在需要限流的地方尝试获取令牌，如果获取不到则说明限流
boolean permit = rateLimiter.tryAcquire(1);
if (!permit) {
    // 限流逻辑，比如抛出异常或者返回错误信息
}

      2. 降级实现

        在限流逻辑中加入降级逻辑，当检测到请求量过大或系统资源紧张时，主动返回简化版的服务响应或者错误信息，避免进一步加重系统负担。

        例如，可以在限流失败时，执行降级逻辑：

        if (!rateLimiter.tryAcquire(1)) {
    // 降级处理，例如返回默认值或者错误提示
    return "服务繁忙，请稍后再试";
}

        另外，结合Spring框架或AOP（面向切面编程），可以更加灵活地在应用层面实现更复杂的降级策略。例如，通过自定义注解和切面来判断服务是否需要降级：

        @Retention(RetentionPolicy.RUNTIME)
@Target(ElementType.METHOD)
public @interface RateLimitAndFallback {
    // 可以定义一些配置属性，如降级时的返回值
}

@Aspect
@Component
public class RateLimitAndFallbackAspect {

    @Around("@annotation(rateLimitAndFallback)")
    public Object handleMethodWithRateLimit(ProceedingJoinPoint joinPoint, RateLimitAndFallback rateLimitAndFallback) throws Throwable {
        // 这里可以结合Redisson的限流逻辑
        if (!rateLimiter.tryAcquire(1)) {
            // 根据注解或配置返回降级内容
            return "降级响应内容";
        }

        // 正常执行方法
        return joinPoint.proceed();
    }
}

        通过上述方式，我们可以结合Redisson的限流功能和自定义的降级策略，有效地应对高并发场景下的系统稳定性问题。

总结与优化

总结

  1. 缓存基本原理的实践揭示了缓存机制的核心优势，包括时间与空间局部性、高速存储介质的使用、命中与未命中的处理机制、多样化淘汰策略以及确保一致性的方法。通过简单的Java示例，我们直观体验了缓存对提升数据访问效率的显著作用。
  2. 缓存击穿问题通过模拟高并发访问热点数据，发现即使使用了缓存，数据过期时仍会导致数据库负载激增。采用永不过期策略和互斥锁（Mutex）解决了这一问题，有效降低了数据库压力，但需要注意永不过期策略需谨慎使用，以免造成内存压力。
  3. 缓存穿透现象通过构造不存在的数据请求，观察到直接绕过缓存访问数据库的现象。采用缓存无效数据（null值）以及布隆过滤器有效减少了无效数据库查询，提高了系统效率。布隆过滤器虽有误报可能，但在多数场景下能有效减轻数据库负担。
  4. 缓存雪崩的模拟与解决展示了当大量缓存同时过期时，系统响应时间和数据库负载的剧增。通过为数据设置随机或梯度过期时间以及实施限流与降级策略，显著改善了这一问题。限流保证了系统在高并发下的稳定性，而降级策略保证了即使在资源紧张时也能提供一定程度的服务。

优化与改进建议

  1. 精细化配置缓存策略：根据业务特点调整缓存过期时间，避免集中失效，使用梯度过期或随机过期策略分散风险。
  2. 动态调整限流阈值：根据系统实时负载动态调整限流阈值，以适应不同时间段的访问压力，避免过度限制或限制不足。
  3. 监控与预警系统：建立完善的监控体系，实时监测缓存命中率、系统负载、以及Redis服务器状态，设置阈值预警，及时发现并处理潜在问题。
  4. 优化缓存更新机制：采用异步更新策略，减少因更新缓存造成的阻塞，确保数据新鲜度的同时不影响用户体验。
  5. 分布式锁的优化：优化互斥锁的使用，减少锁等待时间，避免因锁竞争导致的性能瓶颈。探索使用读写锁或乐观锁机制，提高并发效率。
  6. 持续性能测试与调优：定期进行压力测试，模拟各种极端场景，根据测试结果不断调整和优化缓存策略和系统配置。
  7. 完善降级策略：细化降级逻辑，根据不同场景提供更合理的降级内容，如提供有限功能、默认数据或历史数据，确保用户体验。

通过上述措施，可以显著增强缓存系统性能，提高系统的稳定性和用户体验，降低运营成本。

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/733156.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

ffmpeg+nginx+video实现rtsp流转hls流，web页面播放

ffmpeg+nginx+video实现rtsp流转hls流，web页面播放

项目场景&#xff1a; 最近调试海康摄像头需要将rtsp流在html页面播放,因为不想去折腾推拉流&#xff0c;所以我选择ffmpeg转hls流&#xff0c;nginx转发&#xff0c;html直接访问就好了 1.首先要下载nginx和ffmpeg 附上下载地址&#xff1a; nginx nginx news ffmpeg htt…
阅读更多...
Java开发-面试题-0006-DELETE、VACUUM和TRUNCATE的区别

Java开发-面试题-0006-DELETE、VACUUM和TRUNCATE的区别

Java开发-面试题-0006-DELETE、VACUUM和TRUNCATE的区别 更多内容欢迎关注我&#xff08;持续更新中&#xff0c;欢迎Star✨&#xff09; Github&#xff1a;CodeZeng1998/Java-Developer-Work-Note 技术公众号&#xff1a;CodeZeng1998&#xff08;纯纯技术文&#xff09; …
阅读更多...
TF-IDF、BM25传统算法总结

TF-IDF、BM25传统算法总结

1. TF-IDF算法 F-IDF&#xff08;词频-逆文档频率&#xff09;是一种用于衡量文本中词语重要性的方法&#xff0c;特别适用于信息检索和文本挖掘任务。下面会拆分为两部分深入讲解TF-IDF的计算过程&#xff0c;以便更好地理解。 TF-IDF的计算过程可以分为两个主要部分&#xf…
阅读更多...
Butter Knife 8

Butter Knife 8

// 部分代码省略… Override public View getView(int position, View view, ViewGroup parent) { ViewHolder holder; if (view ! null) { holder (ViewHolder) view.getTag(); } else { view inflater.inflate(R.layout.testlayout, parent, false); holder new ViewHolde…
阅读更多...
Ansible 自动化运维实践

Ansible 自动化运维实践

随着 IT 基础设施的复杂性不断增加&#xff0c;手动运维已无法满足现代企业对高效、可靠的 IT 运维需求。Ansible 作为一款开源的自动化运维工具&#xff0c;通过简洁易用的 YAML 语法和无代理&#xff08;agentless&#xff09;架构&#xff0c;极大简化了系统配置管理、应用部…
阅读更多...
物理层（二）

物理层（二）

2.2 传输介质 2.2.1 双绞线、同轴电缆、光纤和无线传输介质 传输介质也称传输媒体&#xff0c;是数据传输系统中发送器和接收器之间的物理通路。传输介质可分为:①导向传输介质&#xff0c;指铜线或光纤等&#xff0c;电磁波被导向为沿着固体介质传播:②)非导向传输介质&…
阅读更多...
6月27日云技术研讨会 | 中央集中架构新车型功能和网络测试解决方案

6月27日云技术研讨会 | 中央集中架构新车型功能和网络测试解决方案

会议摘要 “软件定义汽车”新时代下&#xff0c;整车电气电气架构向中央-区域集中式发展已成为行业共识&#xff0c;车型架构的变革带来更复杂的整车功能定义、更多的新技术的应用&#xff08;如SOA服务化、TSN等&#xff09;和更短的车型研发周期&#xff0c;对整车和新产品研…
阅读更多...
【yolov8语义分割】跑通：下载yolov8+预测图片+预测视频

【yolov8语义分割】跑通：下载yolov8+预测图片+预测视频

1、下载yolov8到autodl上 git clone https://github.com/ultralytics/ultralytics 下载到Yolov8文件夹下面 另外&#xff1a;现在yolov8支持像包一样导入&#xff0c;pip install就可以 2、yolov8 语义分割文档 看官方文档&#xff1a;主页 -Ultralytics YOLO 文档 还能切…
阅读更多...
GLM-4V模型学习

GLM-4V模型学习

智谱AI引领技术前沿&#xff0c;推出了新一代预训练模型GLM-4系列&#xff0c;其中的GLM-4-9B作为开源版本&#xff0c;展现了其在人工智能领域的深厚实力。在语义理解、数学运算、逻辑推理、代码编写以及广泛知识领域的数据集测评中&#xff0c;GLM-4-9B及其人类偏好对齐的版本…
阅读更多...
AI音乐模型：创新还是颠覆？

AI音乐模型：创新还是颠覆？

文章目录 AI音乐大模型的崛起音乐创作门槛的降低与兴奋AI音乐作品的版权归属问题创意产业在AI阴影下的生长结语 &#x1f389;欢迎来到AIGC人工智能专栏~探索Java中的静态变量与实例变量 ☆* o(≧▽≦)o *☆嗨~我是IT陈寒&#x1f379;✨博客主页&#xff1a;IT陈寒的博客&…
阅读更多...
Apple - Text System Storage Layer Overview

Apple - Text System Storage Layer Overview

本文翻译整理自&#xff1a;Text System Storage Layer Overview&#xff08;更新日期&#xff1a;2012-09-19 https://developer.apple.com/library/archive/documentation/Cocoa/Conceptual/TextStorageLayer/TextStorageLayer.html#//apple_ref/doc/uid/10000087i 文章目录 …
阅读更多...
java：JWT的简单例子

java：JWT的简单例子

【pom.xml】 <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId><version>2.3.12.RELEASE</version> </dependency> <dependency><groupId>org.springf…
阅读更多...
程序猿成长之路之数据挖掘篇——决策树分类算法(1)——信息熵和信息增益

程序猿成长之路之数据挖掘篇——决策树分类算法(1)——信息熵和信息增益

决策树不仅在人工智能领域发挥着他的作用&#xff0c;而且在数据挖掘中也在分类领域中独占鳌头。了解决策树的思想是学习数据挖掘中的分类算法的关键&#xff0c;也是学习分类算法的基础。 什么是决策树 用术语来说&#xff0c;决策树&#xff08;Decision Tree&#xff09;是…
阅读更多...
STM32驱动-ads1112

STM32驱动-ads1112

汇总一系列AD/DA的驱动程序 ads1112.c #include "ads1112.h" #include "common.h"void AD5726_Init(void) {GPIO_InitTypeDef GPIO_InitStructure;RCC_APB2PeriphClockCmd( RCC_APB2Periph_GPIOA | RCC_APB2Periph_GPIOC, ENABLE );//PORTA、D时钟使能 G…
阅读更多...
SQLite数据库（数据库和链表双向转换）

SQLite数据库（数据库和链表双向转换）

文章目录 SQLite数据库一、SQLite简介1、SQLite和MySQL2、基于嵌入式的数据库 二、SQLite数据库安装三、SQLite的常用命令四、SQLite的编程操作1、SQLite数据库相关API&#xff08;1&#xff09;头文件&#xff08;2&#xff09;sqlite3_open()&#xff08;3&#xff09;sqlite…
阅读更多...
Springboot拓展之整合邮件 JavaMail的使用与实操

Springboot拓展之整合邮件 JavaMail的使用与实操

邮件 电子邮件仍然是我们企业间交往的一种非常常见的方式 发送简单邮件 第一步首先导入坐标 <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-mail</artifactId><version>2.6.13</version&…
阅读更多...
架构师指南：现代 Datalake 参考架构

架构师指南：现代 Datalake 参考架构

这篇文章的缩写版本于 2024 年 3 月 26 日出现在 The New Stack 上。 旨在最大化其数据资产的企业正在采用可扩展、灵活和统一的数据存储和分析方法。这一趋势是由企业架构师推动的&#xff0c;他们的任务是制定符合不断变化的业务需求的基础设施。现代数据湖体系结构通过将数…
阅读更多...
设计模式——设计模式原则

设计模式——设计模式原则

设计模式 设计模式原则 单一职责原则&#xff08;SPS&#xff09;&#xff1a; 又称单一功能原则&#xff0c;面向对象五个基本原则&#xff08;SOLID&#xff09;之一 原则定义&#xff1a;一个类应该只有一个发生变化的原因 使用if else进行判断实现不好维护 模式场景&a…
阅读更多...
ruoyi添加自己的菜单

ruoyi添加自己的菜单

先把自己自定义的view填写好 在菜单管理模块 因为我已经新增过&#xff0c;所以就看看我填的啥就行了 我发现一个问题&#xff0c;路由地址可以填index2或者scooldemo/index2都可以&#xff08;这个包含了文件夹路径&#xff09;&#xff0c;反正组件路径一定要填对就可以了。 …
阅读更多...
刷代码随想录有感(112):动态规划——组合总和IV

刷代码随想录有感(112):动态规划——组合总和IV

题干&#xff1a; 代码&#xff1a; class Solution { public:int combinationSum4(vector<int>& nums, int target) {vector<int>dp(target 1, 0);dp[0] 1;for(int j 0; j < target; j){for(int i 0; i < nums.size(); i){if(j > nums[i] &…
阅读更多...
最新文章

Copyright @ 2022~2023