Spark核心编程(RDD转换算子)之聚合算子
文章目录
- RDD转换算子 之 聚合算子
- reduceByKey
- 说明
- 案例
- groupByKey
- 说明
- 案例
- aggregateByKey
- 说明
- 案例
- foldByKey
- 说明
- 案例
- combineByKey
- 说明
- 案例
- 聚合算子小结
- 有预聚合
- reduceByKey
- aggregateByKey
- foldByKey
- combineByKey
- 无预聚合
- groupByKey
RDD转换算子 之 聚合算子
- 聚合算子可以说是Spark计算里面的核心,所以搞懂底层的实现很有必要。
reduceByKey
说明
- 可以将数据按照相同的key对value进行聚合
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-G7P0ZFOD-1591446305308)(en-resource://database/1851:1)]
/*** 使用一个关联与交换的reduce函数来合并每个key的values值。* 在将结果发送到reducer之前,这也将在每个mapper上本地执行合并,类似于MapReduce中的combiner。*/def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)] = self.withScope {// 不会对第一个value进行处理,分区内和分区间计算规则相同combineByKeyWithClassTag[V]((v: V) => v, func, func, partitioner)}/*** 输出将使用numPartitions分区,进行哈希分区。*/def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)] = self.withScope {reduceByKey(new HashPartitioner(numPartitions), func)}/*** 输出将使用现有的分区器或是并行级别来进行哈希分区。*/def reduceByKey(func: (V, V) => V): RDD[(K, V)] = self.withScope {reduceByKey(defaultPartitioner(self), func)}
案例
def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("partition by")val sc = new SparkContext(conf)val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("b", 2),("c", 3), ("d", 4),("a", 5), ("b", 6)))// 使用现有的分区器或是并行级别来进行哈希分区val rdd1: RDD[(String, Int)] = rdd.reduceByKey(_ + _)println(rdd1.collect().mkString(", "))// 使用numPartitions分区,进行哈希分区val rdd2: RDD[(String, Int)] = rdd.reduceByKey(_ + _, 2)println(rdd2.collect().mkString(", "))// 使用指定分区器进行分区val rdd3: RDD[(String, Int)] = rdd.reduceByKey(new HashPartitioner(2), _ + _)println(rdd3.collect().mkString(", "))
}
reduceByKey进一步调用:
reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)]
-- combineByKeyWithClassTag[V]((v: V) => v, func, func, partitioner)查看combineByKeyWithClassTag方法:
/*** 泛型函数,使用一组自定义的聚合函数,来组合每个key的元素。将RDD[(K, V)]转换为RDD[(K, C)]类型的结果,得到一个“组合类型”C。* * 用户提供三个函数:* - `createCombiner`, 将V转换为C(比如,创建只有一个元素的list)// 将计算的第一个值转换结构* - `mergeValue`, 将V合并成C(比如,将它添加到list的末尾)// 分区内的计算规则* - `mergeCombiners`, 将两个C组合成一个 // 分区间的计算规则* * 此外,用户可以控制输出RDD的分区,以及是否执行map端的聚合(如果一个mapper可以使用同一个键生成多个项)* * 注意:V和C可以不同 -- 例如,可以将类型(Int, Int)的RDD分组为类型(Int, Seq[Int])的RDD*/
def combineByKeyWithClassTag[C](createCombiner: V => C, // 将计算的第一个值转换结构mergeValue: (C, V) => C, // 分区内的计算规则mergeCombiners: (C, C) => C, // 分区间的计算规则partitioner: Partitioner, // 控制输出RDD的分区mapSideCombine: Boolean = true, // 是否执行map端的聚合serializer: Serializer = null)(implicit ct: ClassTag[C]): RDD[(K, C)] = self.withScope {require(mergeCombiners != null, "mergeCombiners must be defined") // required as of Spark 0.9.0if (keyClass.isArray) {if (mapSideCombine) {throw new SparkException("Cannot use map-side combining with array keys.")}if (partitioner.isInstanceOf[HashPartitioner]) {throw new SparkException("HashPartitioner cannot partition array keys.")}}val aggregator = new Aggregator[K, V, C](self.context.clean(createCombiner),self.context.clean(mergeValue),self.context.clean(mergeCombiners))if (self.partitioner == Some(partitioner)) {self.mapPartitions(iter => {val context = TaskContext.get()new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))}, preservesPartitioning = true)} else {new ShuffledRDD[K, V, C](self, partitioner) // 后续有专门文章来讲解shuffle机制.setSerializer(serializer).setAggregator(aggregator).setMapSideCombine(mapSideCombine)}}
groupByKey
说明
- 将分区的数据直接转换为相同类型的内存数组进行后续处理
- 相同的key的value值位于同一个分区,同一个分区中包含1~多个key
- reduceByKey和groupByKey的区别
- reduceByKey:存在预聚合,性能较高
- groupByKey:必须能够在内存中保存任何key的所有key-value对。如果一个key的value值太多,则可能导致“OutOfMemoryError”。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Acf0Z71M-1591446305323)(en-resource://database/1853:1)]
/*** 将RDD中每个key的values值分组为一个序列。 * 哈希分区用现有的分区器或并行级别对结果RDD进行分区。* 不保证每个组中元素的顺序,甚至在每次计算结果RDD时可能会有所不同。* * 注意:这个操作可能会很昂贵。如果为了对每个key执行一次聚合(如sum或average)而进行分组,* 请使用`PairRDDFunctions.aggregateByKey`或`PairRDDFunctions.reduceByKey`将提供更好的性能。*/def groupByKey(): RDD[(K, Iterable[V])] = self.withScope {groupByKey(defaultPartitioner(self))}/*** 允许通过传递分区器来控制结果key-value对RDD的分区。** 注意:正如当前实现的那样,groupByKey必须能够在内存中保存任何key的所有key-value对。* 如果一个key的value值太多,则可能导致“OutOfMemoryError”*/def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])] = self.withScope {// groupByKey不应该使用map-side combine,因为map-side combine不会减少被洗牌的数据量,// 并且要求将所有map-side数据插入哈希表,从而在老年代中产生更多的对象。val createCombiner = (v: V) => CompactBuffer(v)val mergeValue = (buf: CompactBuffer[V], v: V) => buf += vval mergeCombiners = (c1: CompactBuffer[V], c2: CompactBuffer[V]) => c1 ++= c2val bufs = combineByKeyWithClassTag[CompactBuffer[V]](createCombiner, mergeValue, mergeCombiners, partitioner, mapSideCombine = false)bufs.asInstanceOf[RDD[(K, Iterable[V])]]}/*** 哈希分区将结果RDD分到“numPartitions”个分区中。*/def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])] = self.withScope {groupByKey(new HashPartitioner(numPartitions))}
案例
def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("partition by")val sc = new SparkContext(conf)val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("b", 2),("c", 3), ("d", 4),("a", 5), ("b", 6)))// 哈希分区用现有的分区器或并行级别对结果RDD进行分区。val rdd1: RDD[(String, Iterable[Int])] = rdd.groupByKey()println(rdd1.collect().mkString(", "))// 哈希分区将结果RDD分到“numPartitions”个分区中。val rdd2: RDD[(String, Iterable[Int])] = rdd.groupByKey(2)println(rdd2.collect().mkString(", "))// 允许通过传递分区器来控制结果key-value对RDD的分区。val rdd3: RDD[(String, Iterable[Int])] = rdd.groupByKey(new HashPartitioner(2))println(rdd3.collect().mkString(", "))
}
aggregateByKey
说明
- 可以实现分区内计算和分区间计算使用不同的规则
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6qf44lXM-1591446305325)(en-resource://database/1855:1)]
/*** 使用给定的combine函数和中性"zero value"聚合每个key的value值。* 此函数可以返回与此RDD V中的value类型不同的结果类型U。* 因此,我们需要一个操作来将V合并为U,一个操作来合并两个U,就像在scala.TraversableOnce中一样。* 前者用于合并分区内的值,后者用于合并分区间的值。* 为了避免内存分配,允许这两个函数修改并返回它们的第一个参数,而不是创建一个新的U。*/def aggregateByKey[U: ClassTag](zeroValue: U, partitioner: Partitioner)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)] = self.withScope {// 将zero value序列化为字节数组,以便我们可以在每个key上获得它的新克隆val zeroBuffer = SparkEnv.get.serializer.newInstance().serialize(zeroValue)val zeroArray = new Array[Byte](zeroBuffer.limit)zeroBuffer.get(zeroArray)lazy val cachedSerializer = SparkEnv.get.serializer.newInstance()val createZero = () => cachedSerializer.deserialize[U](ByteBuffer.wrap(zeroArray))// 我们稍后将在'combineByKey'中清理combiner闭包val cleanedSeqOp = self.context.clean(seqOp)// 将初始值和第一个value使用分区内计算规则combineByKeyWithClassTag[U]((v: V) => cleanedSeqOp(createZero(), v),cleanedSeqOp, combOp, partitioner) // 默认mapSideCombine: Boolean = true,}def aggregateByKey[U: ClassTag](zeroValue: U, numPartitions: Int)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)] = self.withScope {aggregateByKey(zeroValue, new HashPartitioner(numPartitions))(seqOp, combOp)}def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)] = self.withScope {aggregateByKey(zeroValue, defaultPartitioner(self))(seqOp, combOp)}
案例
def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("partition by")val sc = new SparkContext(conf)val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("b", 2),("c", 3), ("d", 4),("a", 5), ("b", 6)), 2)// todo 将数据根据不同的规则进行分区内计算和分区间计算// 取出每个分区内相同key的最大值,然后分区间相加val rdd1: RDD[(String, Int)] = rdd.aggregateByKey(0)(math.max(_,_), _+_)println(rdd1.collect().mkString(", "))val rdd2: RDD[(String, Int)] = rdd.aggregateByKey(0, 2)(math.max(_,_), _+_)println(rdd2.collect().mkString(", "))val rdd3: RDD[(String, Int)] = rdd.aggregateByKey(0, new HashPartitioner(2))(math.max(_,_), _+_)println(rdd3.collect().mkString(", "))
}
foldByKey
说明
- 当分区内计算规则和分区间计算规则相同时,aggregateByKey就可以简化为foldByKey
/*** 使用一个关联函数和一个中性的“zero value”合并每个key的values值,该“zero value”可以添加到结果中任意次数,并且不能更改结果。* “zero value”举例:Nil表示列表连接,0表示加法,1表示乘法*/def foldByKey(zeroValue: V,partitioner: Partitioner)(func: (V, V) => V): RDD[(K, V)] = self.withScope {// 将“zero value”序列化为byte数组,以便我们可以在每个key上获得它的新克隆val zeroBuffer = SparkEnv.get.serializer.newInstance().serialize(zeroValue)val zeroArray = new Array[Byte](zeroBuffer.limit)zeroBuffer.get(zeroArray)// 反序列化时,使用lazy val为每个任务仅创建一个序列化实例lazy val cachedSerializer = SparkEnv.get.serializer.newInstance()val createZero = () => cachedSerializer.deserialize[V](ByteBuffer.wrap(zeroArray))val cleanedFunc = self.context.clean(func)combineByKeyWithClassTag[V]((v: V) => cleanedFunc(createZero(), v),cleanedFunc, cleanedFunc, partitioner)}def foldByKey(zeroValue: V, numPartitions: Int)(func: (V, V) => V): RDD[(K, V)] = self.withScope {foldByKey(zeroValue, new HashPartitioner(numPartitions))(func)}def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)] = self.withScope {foldByKey(zeroValue, defaultPartitioner(self))(func)}
案例
def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("partition by")val sc = new SparkContext(conf)val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("b", 2),("c", 3), ("d", 4),("a", 5), ("b", 6)), 2)rdd.foldByKey(0)(_+_)rdd.foldByKey(0, 2)(_+_)rdd.foldByKey(0, new HashPartitioner(2))(_+_)}
combineByKey
说明
- 最通用的对key-value型RDD进行聚合操作的聚合函数(aggregation function)。
- 类似于aggregateByKey(),combineByKey允许用户返回值的类型与输入不一致。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eeFXE2rG-1591446305328)(en-resource://database/1868:1)]
/*** 泛型函数,使用一组自定义聚合函数组合每个key的元素。此方法用于向后兼容。它不向shuffle提供combiner类标记信息。* 请参见 `combineByKeyWithClassTag`*/def combineByKey[C](createCombiner: V => C,mergeValue: (C, V) => C,mergeCombiners: (C, C) => C,partitioner: Partitioner,mapSideCombine: Boolean = true,serializer: Serializer = null): RDD[(K, C)] = self.withScope {combineByKeyWithClassTag(createCombiner, mergeValue, mergeCombiners,partitioner, mapSideCombine, serializer)(null)}/*** combineByKeyWithClassTag的简化版本,它对输出RDD进行哈希分区*/def combineByKey[C](createCombiner: V => C,mergeValue: (C, V) => C,mergeCombiners: (C, C) => C,numPartitions: Int): RDD[(K, C)] = self.withScope {combineByKeyWithClassTag(createCombiner, mergeValue, mergeCombiners, numPartitions)(null)}/*** 它使用现有的分区器/并行级别对结果RDD进行哈希分区。*/def combineByKey[C](createCombiner: V => C,mergeValue: (C, V) => C,mergeCombiners: (C, C) => C): RDD[(K, C)] = self.withScope {combineByKeyWithClassTag(createCombiner, mergeValue, mergeCombiners)(null)}
案例
def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("partition by")val sc = new SparkContext(conf)val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)// 求每个key的平均值val combineRDD: RDD[(String, (Int, Int))] = rdd.combineByKey((_, 1), {case ((num1: Int, cnt: Int), num2: Int) => (num1 + num2, cnt + 1)}, {case ((num1: Int, cnt1: Int), (num2: Int, cnt2: Int)) => (num1 + num2, cnt1 + cnt2)})val resRDD: RDD[(String, Int)] = combineRDD.map {case (key, (num, cnt)) => (key, num / cnt)}println(resRDD.collect().mkString(", "))
}
聚合算子小结
- 底层都调用了combineByKeyWithClassTag
def combineByKeyWithClassTag[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, partitioner: Partitioner, mapSideCombine: Boolean = true, serializer: Serializer = null)(implicit ct: ClassTag[C]): RDD[(K, C)]
有预聚合
- mapSideCombine = true,进行预聚合
- 从源码角度来讲,四个算子的底层逻辑相同。
reduceByKey
函数签名:
- def reduceByKey(func: (V, V) => V): RDD[(K, V)]
- def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]
- def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)]
不会对第一个value进行处理,分区内和分区间计算规则相同
aggregateByKey
函数签名:
- def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
- def aggregateByKey[U: ClassTag](zeroValue: U, numPartitions: Int)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
- def aggregateByKey[U: ClassTag](zeroValue: U, partitioner: Partitioner)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
会将初始值和第一个value使用分区内计算规则进行计算
foldByKey
函数签名:
- def foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]
- def foldByKey(zeroValue: V, numPartitions: Int)(func: (V, V) => V): RDD[(K, V)]
- def foldByKey( zeroValue: V, partitioner: Partitioner)(func: (V, V) => V): RDD[(K, V)]
分区内和分区间计算规则相同,初始值和第一个value使用分区内计算规则
combineByKey
函数签名:
- def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C): RDD[(K, C)]
- def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, numPartitions: Int): RDD[(K, C)]
- def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, partitioner: Partitioner, mapSideCombine: Boolean = true, serializer: Serializer = null): RDD[(K, C)]
第一个参数就是对第一个value进行处理,所以无需初始值
无预聚合
- mapSideCombine = false,不进行预聚合
groupByKey
函数签名:
- def groupByKey(): RDD[(K, Iterable[V])]
- def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])]
- def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])]
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- Java:简单介绍方法的覆盖
1.方法的覆盖(重写): 就是在子类中重写了与父类中有相同名字的方法。 2、方法的覆盖原则: (1)覆盖方法的返回类型、方法名称、参数列表必须与原方法相同。 (2)覆盖方法不能比原方法访问性差(即访问权限不允许缩小) (3)覆盖方法不能比原方法抛出更多的异常。 (4)被…...
2024/4/15 5:09:36 - 留言板连接数据库删除功能及时间功能
1.时间 利用时间戳载入时间 在views目录下的ejs页面(html页面)写入在schema下的j文档模型js文件写入timestamps:true2.删除reff 在views目录下的ejs页面(html页面)写入<a href=’’ /a>在routes目录下的api.js 一级路由页面写入二级路由删除方法...
2024/5/10 4:29:05 - C语言二分法函数实现过程中可能遇到的问题。
Position BinarySearch( List L, ElementType X ) {int left = 1;//习惯上初始化为一,方便理解。前提是在数组中就从1开始储存。int right = L->Last;int mid=(left+right)/2;while (left<=right) {if(X<L->Data[mid]){right = mid-1;//此处忘记减一,因为此算法是…...
2024/5/7 0:26:48 - [Errno13] Permission denied
环境 ubuntu18.04(vmware) 问题描述 执行pip3 install tensorflow出现问题 问题分析 权限不够 解决方法 sudo pip3 install tensorflow或者 python3 -m pip install --user tensorflow...
2024/4/24 11:23:50 - JAVA1.8新特性-函数式接口
JDK1.8中引入了用于函数式编程的支持。java中的函数式接口指:有且只有一个方法的接口。函数式接口是适用于函数式编程场景的接口。而java中的函数式编程指的就是Lamda,所以函数式接口就是可以适用于Lamda使用的接口。只要确保接口中有且仅有一个抽象方法,java中的Lamda才能顺…...
2024/5/10 5:06:16 - 高效解决PPA软件源安装失败的问题
问题背景 使用apt或者apt-get命令,会遇到部分软件仅在PPA提供,而出现下载更新失败的情况 PPA软件源简介 网站部署国家 以下为nslookup的查询结果,通过地址查询可以得知该IP位于英国 > ppa.launchpad.net Server: 127.0.0.53 Address: 127.0.0.53#53Non-authoritative an…...
2024/4/24 11:23:51 - 关于打开glssfish服务器域管理控制台Status:The Admin Console application is loaded问题解决办法
因为glassfish4.1.1版本存在一个致命漏洞,创建数据库连接池有个大坑,所以我换了glassfish的旧版本4.0,但是在进入服务器的域管理控制台时却发现一直在转圈圈,等了好久也没能进入主页。 一直显示Status:The Admin Console application is loaded解决这个转圈圈其实很简单,…...
2024/5/6 4:08:17 - mysql多表查询,事务,DCL
##多表查询: * 查询语法: select 列名列表 from 表名列表 where… * 准备sql # 创建部门表 CREATE TABLE dept( id INT PRIMARY KEY AUTO_INCREMENT, NAME VARCHAR(20) ); INSERT INTO dept (NAME) VALUES (‘开发部’),(‘市场部’),(‘财务部’); # 创建员工表 CREATE TABL…...
2024/5/9 6:51:03 - HQChart使用教程62-品种小数位数设置
HQChart使用教程62-品种小数位数设置品种小数位数品种小数位置类例子特殊品种HQChart代码地址如果教程或hqchart对你有帮助, 请在git上star,教程点下赞 。谢谢~~ 品种小数位数 不同的品种, 它的最小交易单位是不一样的, hqchart内置简单的做了对不通品种设置了默认的小数位…...
2024/4/24 11:23:45 - 编译原理学习笔记(二十二)~习题:声明语句的翻译
...
2024/4/24 11:23:47 - 疯狂SpringCloud微服务架构实战 (Eureka -- 服务注册中心)
一、Eureka介绍Eureka 提供了基于 REST 的服务,在集群中主要用于服务管理。Eureka提供了基于Java语言的客户端组件,客户端组件实现了负载均衡的功能,为业务组件的集群部署创造了条件。使用该框架,可以将业务组件注册到 Eureka 容器中,这些组件可以进行集群部署,Eureka 主…...
2024/5/2 21:05:28 - js中的设计模式
一,单例模式 使用同一个构造函数生成的实例化对象,就算属性和方法相同,生成的也都是不同的实例化对象 解决难点就是同一个构造函数生成同一个实例化对象,防止重复实例化 原理,判断这个构造函数是否使用过,,使用过就返回之前的对象,如果没有那就生成一个实例化对象 解决…...
2024/5/3 11:37:37 - docker 阿里云镜像加速
使用阿里云镜像加速器登陆阿里云 点击跳转# 手动复制地址 https://cr.console.aliyun.com/cn-hangzhou/instances/mirrors找到镜像加速器配置使用,要用自己的!每个人的registry-mirrors是不同的sudo mkdir -p /etc/docker sudo tee /etc/docker/daemon.json <<-EOF {&q…...
2024/4/15 5:09:42 - Redis学习之路-入门3-jedis
Jedis是一个java操作redis数据库的类库,我们来简单看下jedis操作redis的具体功能实现 #jedis连接redis// 连接测试private static void test1(){// 如果使用空参构造,默认值 "localhost",6379端口Jedis jedis = new Jedis("127.0.0.1",6379);jedis.set(&…...
2024/4/29 1:37:34 - 2020.6.6课堂小结
我认为在上网课前对Java充满了期待,但是线上的教学方式让我不太适应,很多问题都不能当面请教老师以至于拖欠了很多知识点,上网课的日子里感觉也没有好好学。后来在教室上课了,有时候一上午的课都是一科的就学起很累,很没有精神,日常犯困呢点。对于初学者的我,完全还没有…...
2024/5/1 11:16:13 - 每周总结 el-form表单验证、vue.$set
前端 el-form 不能验证嵌套的对象,需要进行表单验证的数据要放在对象的第一层 vue.$set 有一个数组如下 data = [{age:18,name:小明},{age:20,name:小红}]这时用vue.$set()设置age的属性值 视图层是检测不到age变化的 解决方法 重设数组元素的值 item = {age:1010,name:test};…...
2024/5/1 9:55:44 - 图形图像处理技术
画笔和画布 画笔:Paint类 画布:Canvas类 绘制一个矩形实例:(颜色使用的都是16进制的) 布局文件中设置帧布局管理器,id为framelayout,MainActivity中: package com.example.huabihehuabu;import androidx.appcompat.app.AppCompatActivity;import android.os.Bundle; im…...
2024/5/6 18:43:54 - 排序—插入排序
许久没有写点东西了,答辩之后人也变得松懈。今天看到简书又有人点赞之前记录的冒泡排序,点进去一看,居然有4w+的阅读量,心生疑问,咋会有这么高的阅读量,打开百度搜索冒泡排序,结果第3条就是我的。点开认真看了看,其实写得不好,还改了两个错别字(狗头),这个阅读量或许…...
2024/5/6 17:50:45 - Guava 学习笔记:EventBus
EventBus是Guava的事件处理机制,是设计模式中的观察者模式(生产/消费者编程模型)的优雅实现。对于事件监听和发布订阅模式,EventBus是一个非常优雅和简单解决方案,我们不用创建复杂的类和接口层次结构。Observer模式是比较常用的设计模式之一,虽然有时候在具体代码里,它…...
2024/4/24 11:23:41 - SourceTree 3.3.8安装跳过注册安装
http://lichengxiao.cn/22.html...
2024/4/24 2:51:05
最新文章
- 领导者【 同心协力、合理自主、才有尊严、等待时机是一种艺术】
人事管理:人的事务的管理 人力自动化(自动、自发) 尽力而为(部份投入) VS 全力以赴(全心全力) 人人尽职(本位主义) VS 同心协力(整体) 短暂忠…...
2024/5/10 18:44:28 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/5/9 21:23:04 - 权限提升-Linux系统权限提升篇VulnhubRbash绕过DockerLXD容器History泄漏shell交互
知识点 1、普通用户到Linux-泄漏-History 2、普通用户到Linux-限制-Rbash绕过 3、普通用户到Linux-容器-LXD&Docker 4.Linux系统提权-web/普通用户-docker逃逸&提权&shell交互 章节点: 1、Web权限提升及转移 2、系统权限提升及转移 3、宿主权限提升及…...
2024/5/9 4:22:56 - [实战经验]Mybatis的mapper.xml参数#{para}与#{para, jdbcType=BIGINT}有什么区别?
在MyBatis框架中,传入参数使用#{para}和#{para, jdbcTypeBIGINT}的有什么区别呢? #{para}:这种写法表示使用MyBatis自动推断参数类型,并根据参数的Java类型自动匹配数据库对应的类型。例如,如果参数para的Java类型是Lo…...
2024/5/8 6:05:45 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/10 12:36:12 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/9 15:10:32 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/5/4 23:54:56 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/9 4:20:59 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/5/4 23:54:56 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/5/4 23:55:05 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/5/4 23:54:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/5/7 11:36:39 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/5/4 23:54:56 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/6 1:40:42 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/5/4 23:54:56 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/5/8 20:48:49 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/5/7 9:26:26 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/5/4 23:54:56 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/8 19:33:07 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/5 8:13:33 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/5/8 20:38:49 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/5/4 23:54:58 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/10 10:22:18 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/5/9 17:11:10 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57