【4】flink window窗口算子

【README】

  • 本文记录了 窗口算子操作；
  • 本文使用的flink为 1.14.4 版本；
  • 本文部分内容总结自 flink 官方文档：

窗口 | Apache Flink窗口 # 窗口（Window）是处理无界流的关键所在。窗口可以将数据流装入大小有限的“桶”中，再对每个“桶”加以处理。 本文的重心将放在 Flink 如何进行窗口操作以及开发者如何尽可能地利用 Flink 所提供的功能。下面展示了 Flink 窗口在 keyed streams 和 non-keyed streams 上使用的基本结构。 我们可以看到，这两者唯一的区别仅在于：keyed streams 要调用 keyBy(...)后再调用 window(...) ， 而 non-keyed streams 只用直接调用 windowAll(...)。留意这个区别，它能帮我们更好地理解后面的内容。Keyed Windowsstream .keyBy(...) <- 仅 keyed 窗口需要 .window(...) <- 必填项："assigner" [.trigger(...)] <- 可选项："trigger" (省略则使用默认 trigger) [.evictor(...)] <- 可选项："evictor" (省略则不使用 evictor) [.allowedLateness(...)] <- 可选项："lateness" (省略则为 0) [.sideOutputLateData(...)] <- 可选项："output tag" (省略则不对迟到数据使用 side output) .reduce/aggregate/apply() <- 必填项："function" [.getSideOutput(...)] <- 可选项："output tag" Non-Keyed Windowshttps://nightlies.apache.org/flink/flink-docs-master/zh/docs/dev/datastream/operators/windows/

【1】flink window api概念

1）定义：窗口（Window）是处理无界流的关键所在。窗口可以将无界数据流装入大小有限的“桶”中（有界流），再对每个“桶”加以处理。即以窗口为单位把无界流切分为有界流。

【1.1】窗口分类

1）时间窗口：

  • 滚动时间窗口；
  • 滑动时间窗口；
  • 会话窗口；

2）计数窗口：

  • 滚动计数窗口；
  • 滑动计数窗口；

【1.2】几种常用窗口类型

【1.2.1】 滚动时间窗口

1）定义： 滚动窗口的时间范围是固定的，且各自范围之间不重叠。

2）例子：比如说，如果你指定了滚动窗口的大小为 5 分钟，那么每 5 分钟就会有一个窗口被计算，且一个新的窗口被创建（如下图所示）。

基于时间的窗口用 start timestamp（包含）和 end timestamp（不包含）描述窗口的大小。（窗口区间为左闭右开）1个元素只能被分发给1个窗口；

3）api调用：

// 滚动窗口
sensorStream.keyBy(SensorReading::getId)
//.window(TumblingEventTimeWindows.of(Time.seconds(5))) // 事件时间滚动窗口
.window(TumblingProcessingTimeWindows.of(Time.seconds(5)))  // 处理时间滚动窗口;

 【1.2.2】滑动时间窗口

1）定义：两个参数，窗口大小与滑动距离；

滑动窗口分配器WindowAssigner 分发元素到指定大小的窗口，窗口大小通过 window size 参数设置。 滑动窗口还有滑动距离（window slide）参数来控制生成新窗口的频率。

  • 因此，如果 滑动距离小于窗口大小，滑动窗口可以允许窗口重叠。这种情况下，一个元素可能会被分发到多个窗口（与滚动时间窗口不同）。

2）滚动时间窗口 VS 滑动时间窗口

  • 滚动时间窗口：窗口大小与滑动距离相同的滑动时间窗口；（滚动时间窗口是滑动时间窗口的特例）
  • 滑动时间窗口：窗口大小与滑动距离或相同或不同；

3）例子： 比如说，你设置了大小为 10 分钟，滑动距离 5 分钟的窗口，你会在每 5 分钟得到一个新的窗口， 里面包含之前 10 分钟到达的数据（如下图所示）。

 4）api代码：

sensorStream.keyBy(SensorReading::getId)
//.window(SlidingEventTimeWindows.of(Time.seconds(10), Time.seconds(5))); // 事件时间滑动窗口
.window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(5))); // 处理时间滑动窗口

 【1.2.3】会话窗口

1）定义：会话窗口分配器会把数据按活跃的会话分组。

  • 与滚动窗口和滑动窗口不同，会话窗口不会相互重叠，且没有固定的开始或结束时间。 会话窗口在一段时间没有收到数据之后会关闭，即在一段不活跃的间隔之后。

2）例子：

 3）api代码：

  // 会话窗口
sensorStream.keyBy(SensorReading::getId)
//.window(EventTimeSessionWindows.withGap(Time.seconds(5))); // 事件时间会话窗口
.window(ProcessingTimeSessionWindows.withGap(Time.seconds(5))); // 处理时间会话窗口

【1.2.4】全局窗口

1）定义：全局窗口分配器将拥有相同 key 的所有数据分发到一个全局窗口。

  • 这样的窗口模式仅在你指定了自定义的 trigger 时有用。 否则，计算不会发生，因为全局窗口没有天然的终点去触发其中积累的数据。

 2）api代码：

 // 全局窗口
sensorStream.keyBy(SensorReading::getId)
.window(GlobalWindows.create())

【2】窗口分配器：4种通用窗口分配器；

  • 滚动窗口；
  • 滑动窗口；
  • 会话窗口；
  • 全局窗口 ；

【3】窗口函数

1）定义：计算每个窗口中的数据的操作；

2）窗口函数有三种：

  • ReduceFunction-约简函数：指定两条输入数据如何合并起来产生一条输出数据，输入和输出数据的类型必须相同，如增量聚合；（仅保存状态，如sum，仅保留结果和，不保存所有数据）
  • AggregateFunction -聚合函数 （仅保存状态，如sum，仅保留结果和，不保存所有数据）
  • ProcessWindowFunction- 处理窗口函数（需要得到当前窗口所有数据）

3）效率

  • 前两者执行起来更高效：因为 Flink 可以在每条数据到达窗口后 进行增量聚合（incrementally aggregate）。（不需要存储所有数据）
  • ProcessWindowFunction ：而ProcessWindowFunction 会得到能够遍历当前窗口内所有数据的 Iterable（效率低），以及关于这个窗口的 meta-information。

使用 ProcessWindowFunction 的窗口转换操作没有其他两种函数高效，因为 Flink 在窗口触发前必须缓存里面的所有数据。 ProcessWindowFunction 可以与 ReduceFunction 或 AggregateFunction 合并来提高效率。

【补充】flink 水位线，refer2

Flink 水位线（Watermark）_Alienware^的博客-CSDN博客

【3.1】滚动时间窗口代码示例

1）滚动时间窗口代码：

/*** @Description 时间窗口算子* @author xiao tang* @version 1.0.0* @createTime 2022年04月21日*/
public class WindowTest1_TimeWindow {public static void main(String[] args) throws Exception {// 创建执行环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setParallelism(1);env.getConfig().setAutoWatermarkInterval(1*4000L); // 设置水位线生成间隔// 从socket读取数据DataStream<String> fileStream = env.readTextFile("D:\\workbench_idea\\diydata\\flinkdemo2\\src\\main\\resources\\sensorTimeWindow.txt");// 转换为 SensorReader pojo类型DataStream<SensorReadingTimeWindow> sensorStream = fileStream.map(x -> {String[] arr = x.split(",");return new SensorReadingTimeWindow(arr[0], arr[1], arr[2], new BigDecimal(arr[3]));});// 滚动窗口，进行增来聚合来计算温度均值（采用 Tuple2 ）DataStream<Tuple2<BigDecimal, String>> windowAggStream = sensorStream.assignTimestampsAndWatermarks( // 设置水位线WatermarkStrategy.<SensorReadingTimeWindow>forMonotonousTimestamps().withTimestampAssigner(new SerializableTimestampAssigner<SensorReadingTimeWindow>(){@Overridepublic long extractTimestamp(SensorReadingTimeWindow record, long l) {return record.getTimestamp().getTime(); // 直接拿当前最大的时间戳作为水位线}})).keyBy(SensorReadingTimeWindow::getType)// 按照 type 分组.window(TumblingEventTimeWindows.of(Time.seconds(3))) // 事件时间滚动窗口.aggregate(new AggregateFunction<SensorReadingTimeWindow, Tuple3<BigDecimal, Integer, List<String>>, Tuple2<BigDecimal, String>>() {@Overridepublic Tuple3<BigDecimal, Integer, List<String>> createAccumulator() {return new Tuple3<>(BigDecimal.ZERO, 0, new ArrayList<>()); // 初始值}@Overridepublic Tuple3<BigDecimal, Integer, List<String>> add(SensorReadingTimeWindow sensorReading, Tuple3<BigDecimal, Integer, List<String>> accumulator) {accumulator.f2.add(sensorReading.getId());return new Tuple3<>(sensorReading.getTemperature().add(accumulator.f0).setScale(2,BigDecimal.ROUND_HALF_UP), accumulator.f1+1, accumulator.f2);}@Overridepublic Tuple2<BigDecimal, String> getResult(Tuple3<BigDecimal, Integer, List<String>> accumulator) {return new Tuple2<>(accumulator.f0.divide(new BigDecimal(accumulator.f1)).setScale(2,BigDecimal.ROUND_HALF_UP), accumulator.f2.toString());}@Overridepublic Tuple3<BigDecimal, Integer, List<String>> merge(Tuple3<BigDecimal, Integer, List<String>> a, Tuple3<BigDecimal, Integer, List<String>> b) {a.f2.addAll(b.f2);return new Tuple3<BigDecimal, Integer, List<String>>(a.f0.add(b.f0), a.f1 + b.f1, a.f2);}});// 打印windowAggStream.print("TumblingEventTimeWindowsStream");// 执行env.execute("TumblingEventTimeWindowsJob");}
}

文本内容：

1,sensor1,2022-04-17 22:07:01,36.1
2,sensor2,2022-04-17 22:07:02,36.2
3,sensor1,2022-04-17 22:07:03,36.3
4,sensor2,2022-04-17 22:07:04,36.4
5,sensor1,2022-04-17 22:07:05,36.5
6,sensor1,2022-04-17 22:07:06,36.6
7,sensor1,2022-04-17 22:07:07,36.7
8,sensor1,2022-04-17 22:07:08,36.8

打印结果：

TumblingEventTimeWindowsStream> (36.10,[1])
TumblingEventTimeWindowsStream> (36.20,[2])
TumblingEventTimeWindowsStream> (36.40,[4])
TumblingEventTimeWindowsStream> (36.40,[3, 5])
TumblingEventTimeWindowsStream> (36.70,[6, 7, 8])

 2）结果分析：

2.1）参数： 窗口大小为3，滑动步长为3，即每3秒都会生成一个大小为3个窗口；且时间窗口的时间范围是左闭右开；如第3秒生成窗口的时间范围是 [0, 3）大于等于0秒小于3秒；

2.2）以 sensor1为例，其数据id为 1,3,5， 6， 7， 8 ； 对应的时间为 第1、3、 5、 6、 7、 8秒，生成的窗口列表如下：

  • 窗口1：时间范围在 [ 22:07:00, 22:07:03 )；数据列表为 36.1，所以均值为 36.1 ；
  • 窗口1：时间范围在 [ 22:07:03, 22:07:06 )；数据列表为 36.3，36.5，所以均值为 36.4
  • 窗口3：时间范围在 [ 22:07:06, 22:07:09 )；数据列表为 36.6 36.7 36.8 ，所以均值为 36.7；

【注意】

  • 通过 事件时间来进行窗口计算，必须定义事件时间是什么，以及水位线；上文代码的事件时间是传感器时间，水位先是递增的水位线，每4s生成一条水位记录；
DataStream<Tuple2<BigDecimal, String>> windowAggStream = sensorStream.assignTimestampsAndWatermarks( // 设置水位线WatermarkStrategy.<SensorReadingTimeWindow>forMonotonousTimestamps().withTimestampAssigner(new SerializableTimestampAssigner<SensorReadingTimeWindow>(){@Overridepublic long extractTimestamp(SensorReadingTimeWindow record, long l) {return record.getTimestamp().getTime(); // 直接拿当前最大的时间戳作为水位线}}))....env.getConfig().setAutoWatermarkInterval(1*4000L); // 设置水位线生成间隔

【补充】 水位线作用

  1. 水位线是用来解决数据乱序问题，本身是一个特殊的时间戳；由flink加入到数据流；
  2. 水位线单调递增的，Flink认为事件时间早于水位线的数据都来了；
  3. 当前的watermark >= 窗口的最大时间戳时，窗口关闭；
  4. 需要设置水位线生成间隔时间，默认200ms；

 【3.2】滑动计数窗口示例

1）滑动计数窗口参数

  • 窗口大小：5；
  • 滑动步长：2，即生成新窗口频率，每2条数据就会生成一个新窗口；

2）代码

/*** @Description 滑动计数窗口算子* @author xiao tang* @version 1.0.0* @createTime 2022年04月17日*/
public class WindowTest2_CountWindow {public static void main(String[] args) throws Exception {// 创建执行环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setParallelism(1);// 从socket读取数据DataStream<String> fileStream = env.readTextFile("D:\\workbench_idea\\diydata\\flinkdemo2\\src\\main\\resources\\sensorTimeWindow.txt");// 转换为 SensorReader pojo类型DataStream<SensorReadingWindow> sensorStream = fileStream.map(x -> {String[] arr = x.split(",");return new SensorReadingWindow(arr[0], arr[1], new BigDecimal(arr[2]));});// 滑动计数窗口，进行增量聚合来计算温度均值（采用 Tuple2 ）DataStream<Tuple2<String, BigDecimal>> windowAggStream = sensorStream.keyBy(SensorReadingWindow::getId)// 按照id 分组.countWindow(5, 2) // 滑动计数窗口.aggregate(new AggregateFunction<SensorReadingWindow, Tuple3<String, BigDecimal, Integer>, Tuple2<String, BigDecimal>>() {@Overridepublic Tuple3<String, BigDecimal, Integer> createAccumulator() {return new Tuple3<>("", BigDecimal.ZERO, 0); // 初始值}@Overridepublic Tuple3<String, BigDecimal, Integer> add(SensorReadingWindow sensorReading, Tuple3<String, BigDecimal, Integer> accumulator) {return new Tuple3<>(sensorReading.getId(), sensorReading.getTemperature().add(accumulator.f1).setScale(2,BigDecimal.ROUND_HALF_UP), accumulator.f2+1);}@Overridepublic Tuple2<String, BigDecimal> getResult(Tuple3<String, BigDecimal, Integer> accumulator) {return new Tuple2<>(accumulator.f0, accumulator.f1.divide(new BigDecimal(accumulator.f2)).setScale(2,BigDecimal.ROUND_HALF_UP));}@Overridepublic Tuple3<String, BigDecimal, Integer> merge(Tuple3<String, BigDecimal, Integer> a, Tuple3<String, BigDecimal, Integer> b) {return new Tuple3<String, BigDecimal, Integer>(a.f0, a.f1.add(b.f1), a.f2 + b.f2);}});// 打印windowAggStream.print("slideCountWindowAggStream");// 执行env.execute("slideCountWindowAggStreamJob");}
}

sensor文本：

sensor1,2022-04-17 22:07:01,36.1
sensor2,2022-04-17 22:07:02,36.2
sensor1,2022-04-17 22:07:03,36.3
sensor2,2022-04-17 22:07:04,36.4
sensor1,2022-04-17 22:07:05,36.5
sensor1,2022-04-17 22:07:06,36.6
sensor1,2022-04-17 22:07:07,36.7
sensor1,2022-04-17 22:07:07,36.7

打印结果：

slideCountWindowAggStream> (sensor1,36.20)
slideCountWindowAggStream> (sensor2,36.30)
slideCountWindowAggStream> (sensor1,36.38)
slideCountWindowAggStream> (sensor1,36.56)

3）分析： 根据keyby分组后，

sensor1 的温度是 36.1、 36.3、 36.5、 36.6、 36.7、36.7 ；
sensor2 的温度是 36.2、36.4 ；

所以 sensor2 的温度均值是 36.3 ，打印结果没有问题；

对于 sensor1 的温度均值 （每2个数据生成一个新窗口）：

  • 第1个窗口包含的数据是 【36.1  36.3 】，均值为 36.2；
  • 第2个窗口包含的数据是 【36.1 ，36.3，36.5, 36.6】，均值为 36.375，四舍五入为 36.56；
  • 第3个窗口包含的数据是 【36.3，36.5, 36.6 ， 36.7, 36.7 】，均值为 36.56；

【4】window其他可选API

refer2 https://blog.csdn.net/PacosonSWJTU/article/details/124312346

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：http://www.mzph.cn/news/329551.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Microsoft将在UWP上支持React Native，同时为VS Code添加工具软件

Microsoft将在UWP上支持React Native，同时为VS Code添加工具软件

Microsoft和Facebook日前宣布React Native的下一个目标平台是Universal Windows Platform&#xff08;UWP&#xff09;。 对于已经在多个设备平台上使用React Native的开发者来说&#xff0c;这是个好消息&#xff0c;因为这让他们可以在Windows上重用组件。对于UWP的开发者来说…
阅读更多...
Xamarin Evolve 2016 Keynote回顾

Xamarin Evolve 2016 Keynote回顾

编者语&#xff1a;距离上一次Xamarin Evolve 大会足足有两年时间了&#xff0c;这两年整个行业都在变化&#xff0c;Xamarin是整个.NET行业的表表者。两年过去Xamarin终于并入微软&#xff0c;免费了&#xff0c;也开源了。还有什么大招呢&#xff1f;刚结束的Xamarin Evolve给…
阅读更多...
【5】flink窗口与水位线watermark例子

【5】flink窗口与水位线watermark例子

【README】 0&#xff09;本文编写了多个flink水位线watermark的代码例子&#xff0c;加深对watermark的理解 &#xff1b; 1&#xff09;时间分类 Event Time&#xff1a; 事件创建的时间&#xff08;事件发生时间&#xff09;&#xff1b;Ingestion Time&#xff1a;数据进…
阅读更多...
技术人生，专家本色——采访张善友老师后的一点感受

技术人生，专家本色——采访张善友老师后的一点感受

距离Xamarin Evolve开幕还有不到三个小时。Miguel deIcaza和他的团队又将发布周年升级平台Xamarin 5。作为一个关注Mono/Xamarin多年的老粉丝&#xff0c;这个时候心情是蛮激动的。我想&#xff0c;刚刚作客.NET FM第五期“来者何人”专访系列的张善友老师&#xff0c;一定也是…
阅读更多...
（翻）为什么要训练人工神经网络

（翻）为什么要训练人工神经网络

【README】 本文翻译自 https://towardsdatascience.com/how-do-we-train-neural-networks-edd985562b73https://towardsdatascience.com/how-do-we-train-neural-networks-edd985562b73 【1】介绍 今天我将从非常简短的神经网络介绍开始&#xff0c;这足以理解我将要讨论的…
阅读更多...
使用VS Code开发 调试.NET Core 应用程序

使用VS Code开发 调试.NET Core 应用程序

使用VS Code开发 调试.NET Core RC2应用程序,由于.NET Core 目前还处于预览版。 本文使用微软提供的示例进行开发及调试。 https://github.com/aspnet/cli-samples .NET Core 介绍及说明&#xff1a; https://github.com/dotnet/cli http://dotnet.github.io/getting-started/ …
阅读更多...
（转）简单神经网络（权值阈值训练）

（转）简单神经网络（权值阈值训练）

本文转自&#xff1a; 神经网络入门 - 阮一峰的网络日志https://www.ruanyifeng.com/blog/2017/07/neural-network.html 眼下最热门的技术&#xff0c;绝对是人工智能。 人工智能的底层模型是"神经网络"&#xff08;neural network&#xff09;。许多复杂的应用&am…
阅读更多...
Oracle入门（五A）之conn命令

Oracle入门（五A）之conn命令

一、connect命令将给定的用户名连接到Oracle数据库。当你运行一个连接命令、站点配置文件、Galgn.SQL和用户配置文件&#xff0c;按顺序处理Login .SQL。连接不重发如果初始连接不成功&#xff0c;请使用用户名或密码。语法&#xff1a; conn[ect] [{登录串|/|代理串} [AS…
阅读更多...
2-操作系统启动

2-操作系统启动

【README】 本文内容总结自 《操作系统-哈工大李治军老师》&#xff0c;内容非常棒&#xff0c;墙裂推荐&#xff1b; 【1】概述 1&#xff09;问题&#xff1a;操作系统启动时&#xff0c;它应该做什么事情&#xff1f; 计算机启动时&#xff0c;需要把存储在磁盘上的操作系…
阅读更多...
Asp.net 面向接口可扩展框架之类型转化基础服务

Asp.net 面向接口可扩展框架之类型转化基础服务

新框架正在逐步完善,可喜可贺的是基础服务部分初具模样了,给大家分享一下 由于基础服务涉及面太广,也没开发完,这篇只介绍其中的类型转化部分,命名为类型转化基础服务,其实就是基础服务模块的类型转化子模块 说到类型转化必须要弄清楚.net的类型,类型都不清楚何来类型转化 1、P…
阅读更多...
asset文件夹路径 unity_我们来捣鼓一下Unity的平台跳跃Microgame

asset文件夹路径 unity_我们来捣鼓一下Unity的平台跳跃Microgame

作者&#xff1a;Truly大家好。Platformer Microgame是Unity官方的一个2D平台跳跃游戏项目模板&#xff0c;小伙伴们可以在这个模板的基础上修改或者制作自己的游戏。下边我们就来简单试玩下这个工程吧~一、资源导入写文章时&#xff0c;该资源暂时还不支持Unity 2019.x版本&am…
阅读更多...
Oracle入门（五）之基本命令操作

Oracle入门（五）之基本命令操作

一、show &#xff08;1&#xff09;查询Oracle系统变量值 语法&#xff1a;show 变量名 show all --查看所有68个系统变量值 show user --显示当前连接用户 注&#xff1a;Oracle的68个系统变量的key和默认value &#xff08;2&#xff09;查询oracle数据库当前的参数值 …
阅读更多...
Linux工程师新法宝：在Visual Studio上用C++ 写Linux

Linux工程师新法宝：在Visual Studio上用C++ 写Linux

如今我们正在开发一个新的插件&#xff0c;一个能够让开发者在 Visual Studio (以下简称 VS ) 上建构能够在 Linux 上运行 C 程序的套件。开发者可以借由这个插件将 C 程序移转到 Linux 服务器、PC 以及移动设备上&#xff0c;也同时可以借由这个插件将这些机器连结至你的 VS 上…
阅读更多...
互联网+大赛作品_“颂中国力量 绘美好梦想”全市中小学生互联网+书画大赛作品展示（五）...

互联网+大赛作品_“颂中国力量 绘美好梦想”全市中小学生互联网+书画大赛作品展示（五）...

主办平顶山市教育体育局承办平顶山市教育体育局关心下一代工作委员会平顶山教育电视台教育部中国书画等级考试平顶山市招生管理办公室协办平顶山市书法家协会平顶山市美术家协会一比赛宗旨作品以中国战胜疫情为背景&#xff0c;以书法绘画为表现形式&#xff0c;真实记录全市中…
阅读更多...
（转）Spring Boot启动过程 和 Bean初始化过程中的拓展接口详解

（转）Spring Boot启动过程 和 Bean初始化过程中的拓展接口详解

转自&#xff1a; Spring Boot启动过程 和 Bean初始化过程中的拓展接口详解_guyue35的博客-CSDN博客Spring Boot启动过程和 Bean初始化过程中的拓展接口详解1.背景 Spring的核心思想就是容器&#xff0c;当容器refresh的时候&#xff0c;外部看上去风平浪静&#xff0c;其实内…
阅读更多...
Oracle入门（七B）之表空间删除数据文件未删除

Oracle入门（七B）之表空间删除数据文件未删除

转载自 oracle表空间删除数据文件未删除清理老旧数据的时候,不太熟悉操作,直接把表空间删了,未删除数据文件, HIS20170927此表空间已删除但数据文件还在,这时新创建一个表空间直接指定到这个数据文件上. create tablespace HIS20170927 datafile /oracle/oradata/****/HIS20170…
阅读更多...
玩玩Xamarin Evolve 2016带来的新特性（一）-iOS Simulator(for Windows)

玩玩Xamarin Evolve 2016带来的新特性（一）-iOS Simulator(for Windows)

编者语&#xff1a; Xamarin Evolve 2016给不少.NET社群的朋友带来了强心剂&#xff0c;做.NET还是有前途啊&#xff0c;特别在微软开源的策略上。我会在五一假期和大家谈谈Xamarin中大家比较关注的iOS Windows模拟器&#xff0c;Xamarin Forms Previewer,还有Xamarin WorkBook…
阅读更多...
python实现倒n字形排列_Leetcode问题库——Z形变换（Python），补充X形变换,字形

python实现倒n字形排列_Leetcode问题库——Z形变换（Python），补充X形变换,字形

Z字形变换题目将一个给定字符串根据给定的行数&#xff0c;以从上往下、从左到右进行 Z 字形排列。比如输入字符串为 “LEETCODEISHIRING” 行数为 3 时&#xff0c;排列如下&#xff1a;之后&#xff0c;你的输出需要从左往右逐行读取&#xff0c;产生出一个新的字符串&#x…
阅读更多...
蓝绿发布，灰度发布及滚动发布

蓝绿发布，灰度发布及滚动发布

【README】 本文转自&#xff1a;理解蓝绿发布、灰度发布和滚动发布_Jitwxs的博客-CSDN博客_蓝绿发布和灰度发布的区别目前绝大多数公司的业务系统都是集群化部署&#xff0c;那么在新版本上线时&#xff0c;保证平滑稳定&#xff0c;尽量减少对线上用户的影响&#xff0c;就显…
阅读更多...
Oracle入门（七）之表空间

Oracle入门（七）之表空间

表空间表空间是数据库的逻辑划分&#xff0c;一个表空间只能属于一个数据库。所有的数据库对象都存放在指定的表空间中。但主要存放的是表&#xff0c; 所以称作表空间。 Oracle数据库中至少存在一个表空间&#xff0c;即SYSTEM的表空间。 &#xff08;1&#xff09;创建表空…
阅读更多...
最新文章

Copyright @ 2022~2023