doegoo
doegoo

HIVE分析窗口函数: LAG,LEAD,FIRST_VALUE,LAST_VALUE

本文转载自：lxw的大数据田地 » Hive分析窗口函数(四) LAG,LEAD,FIRST_VALUE,LAST_VALUE

注意： 这几个函数不支持WINDOW子句。（什么是WINDOW子句，点此查看前面的文章 ）

Hive版本为 apache-hive-0.13.1

数据准备：

  
  
  
  
    
   
   
   
   
  1. cookie1,2015-04-10 10:00:02,url2
    2. 
   
   
   
   
  2. cookie1,2015-04-10 10:00:00,url1
    3. 
   
   
   
   
  3. cookie1,2015-04-10 10:03:04,1url3
    4. 
   
   
   
   
  4. cookie1,2015-04-10 10:50:05,url6
    5. 
   
   
   
   
  5. cookie1,2015-04-10 11:00:00,url7
    6. 
   
   
   
   
  6. cookie1,2015-04-10 10:10:00,url4
    7. 
   
   
   
   
  7. cookie1,2015-04-10 10:50:01,url5
    8. 
   
   
   
   
  8. cookie2,2015-04-10 10:00:02,url22
    9. 
   
   
   
   
  9. cookie2,2015-04-10 10:00:00,url11
    10. 
   
   
   
   
  10. cookie2,2015-04-10 10:03:04,1url33
    11. 
   
   
   
   
  11. cookie2,2015-04-10 10:50:05,url66
    12. 
   
   
   
   
  12. cookie2,2015-04-10 11:00:00,url77
    13. 
   
   
   
   
  13. cookie2,2015-04-10 10:10:00,url44
    14. 
   
   
   
   
  14. cookie2,2015-04-10 10:50:01,url55
    15. 
   
   
   
   
  15.  
    16. 
   
   
   
   
  16. CREATE EXTERNAL TABLE lxw1234 (
    17. 
   
   
   
   
  17. cookieid string,
    18. 
   
   
   
   
  18. createtime string, --页面访问时间
    19. 
   
   
   
   
  19. url STRING --被访问页面
    20. 
   
   
   
   
  20. ) ROW FORMAT DELIMITED 
    21. 
   
   
   
   
  21. FIELDS TERMINATED BY ',' 
    22. 
   
   
   
   
  22. stored as textfile location '/tmp/lxw11/';
    23. 
   
   
   
   
  23.  
    24. 
   
   
   
   
  24.  
    25. 
   
   
   
   
  25. hive> select * from lxw1234;
    26. 
   
   
   
   
  26. OK
    27. 
   
   
   
   
  27. cookie1 2015-04-10 10:00:02 url2
    28. 
   
   
   
   
  28. cookie1 2015-04-10 10:00:00 url1
    29. 
   
   
   
   
  29. cookie1 2015-04-10 10:03:04 1url3
    30. 
   
   
   
   
  30. cookie1 2015-04-10 10:50:05 url6
    31. 
   
   
   
   
  31. cookie1 2015-04-10 11:00:00 url7
    32. 
   
   
   
   
  32. cookie1 2015-04-10 10:10:00 url4
    33. 
   
   
   
   
  33. cookie1 2015-04-10 10:50:01 url5
    34. 
   
   
   
   
  34. cookie2 2015-04-10 10:00:02 url22
    35. 
   
   
   
   
  35. cookie2 2015-04-10 10:00:00 url11
    36. 
   
   
   
   
  36. cookie2 2015-04-10 10:03:04 1url33
    37. 
   
   
   
   
  37. cookie2 2015-04-10 10:50:05 url66
    38. 
   
   
   
   
  38. cookie2 2015-04-10 11:00:00 url77
    39. 
   
   
   
   
  39. cookie2 2015-04-10 10:10:00 url44
    40. 
   
   
   
   
  40. cookie2 2015-04-10 10:50:01 url55
    41.

LAG

LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值
第一个参数为列名，第二个参数为往上第n行（可选，默认为1），第三个参数为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为NULL）

  
  
  
  
    
   
   
   
   
  1. SELECT cookieid,
    2. 
   
   
   
   
  2. createtime,
    3. 
   
   
   
   
  3. url,
    4. 
   
   
   
   
  4. ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    5. 
   
   
   
   
  5. LAG(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS last_1_time,
    6. 
   
   
   
   
  6. LAG(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS last_2_time 
    7. 
   
   
   
   
  7. FROM lxw1234;
    8. 
   
   
   
   
  8.  
    9. 
   
   
   
   
  9.  
    10. 
   
   
   
   
  10. cookieid createtime url rn last_1_time last_2_time
    11. 
   
   
   
   
  11. -------------------------------------------------------------------------------------------
    12. 
   
   
   
   
  12. cookie1 2015-04-10 10:00:00 url1 1 1970-01-01 00:00:00 NULL
    13. 
   
   
   
   
  13. cookie1 2015-04-10 10:00:02 url2 2 2015-04-10 10:00:00 NULL
    14. 
   
   
   
   
  14. cookie1 2015-04-10 10:03:04 1url3 3 2015-04-10 10:00:02 2015-04-10 10:00:00
    15. 
   
   
   
   
  15. cookie1 2015-04-10 10:10:00 url4 4 2015-04-10 10:03:04 2015-04-10 10:00:02
    16. 
   
   
   
   
  16. cookie1 2015-04-10 10:50:01 url5 5 2015-04-10 10:10:00 2015-04-10 10:03:04
    17. 
   
   
   
   
  17. cookie1 2015-04-10 10:50:05 url6 6 2015-04-10 10:50:01 2015-04-10 10:10:00
    18. 
   
   
   
   
  18. cookie1 2015-04-10 11:00:00 url7 7 2015-04-10 10:50:05 2015-04-10 10:50:01
    19. 
   
   
   
   
  19. cookie2 2015-04-10 10:00:00 url11 1 1970-01-01 00:00:00 NULL
    20. 
   
   
   
   
  20. cookie2 2015-04-10 10:00:02 url22 2 2015-04-10 10:00:00 NULL
    21. 
   
   
   
   
  21. cookie2 2015-04-10 10:03:04 1url33 3 2015-04-10 10:00:02 2015-04-10 10:00:00
    22. 
   
   
   
   
  22. cookie2 2015-04-10 10:10:00 url44 4 2015-04-10 10:03:04 2015-04-10 10:00:02
    23. 
   
   
   
   
  23. cookie2 2015-04-10 10:50:01 url55 5 2015-04-10 10:10:00 2015-04-10 10:03:04
    24. 
   
   
   
   
  24. cookie2 2015-04-10 10:50:05 url66 6 2015-04-10 10:50:01 2015-04-10 10:10:00
    25. 
   
   
   
   
  25. cookie2 2015-04-10 11:00:00 url77 7 2015-04-10 10:50:05 2015-04-10 10:50:01
    26. 
   
   
   
   
  26.  
    27. 
   
   
   
   
  27.  
    28. 
   
   
   
   
  28. last_1_time: 指定了往上第1行的值，default为'1970-01-01 00:00:00' 
    29. 
   
   
   
   
  29.  cookie1第一行，往上1行为NULL,因此取默认值 1970-01-01 00:00:00
    30. 
   
   
   
   
  30.  cookie1第三行，往上1行值为第二行值，2015-04-10 10:00:02
    31. 
   
   
   
   
  31.  cookie1第六行，往上1行值为第五行值，2015-04-10 10:50:01
    32. 
   
   
   
   
  32. last_2_time: 指定了往上第2行的值，为指定默认值
    33. 
   
   
   
   
  33.  cookie1第一行，往上2行为NULL
    34. 
   
   
   
   
  34.  cookie1第二行，往上2行为NULL
    35. 
   
   
   
   
  35.  cookie1第四行，往上2行为第二行值，2015-04-10 10:00:02
    36. 
   
   
   
   
  36.  cookie1第七行，往上2行为第五行值，2015-04-10 10:50:01
    37.

LEAD

与LAG相反
LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值
第一个参数为列名，第二个参数为往下第n行（可选，默认为1），第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）

  
  
  
  
    
   
   
   
   
  1. SELECT cookieid,
    2. 
   
   
   
   
  2. createtime,
    3. 
   
   
   
   
  3. url,
    4. 
   
   
   
   
  4. ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    5. 
   
   
   
   
  5. LEAD(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS next_1_time,
    6. 
   
   
   
   
  6. LEAD(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS next_2_time 
    7. 
   
   
   
   
  7. FROM lxw1234;
    8. 
   
   
   
   
  8.  
    9. 
   
   
   
   
  9.  
    10. 
   
   
   
   
  10. cookieid createtime url rn next_1_time next_2_time 
    11. 
   
   
   
   
  11. -------------------------------------------------------------------------------------------
    12. 
   
   
   
   
  12. cookie1 2015-04-10 10:00:00 url1 1 2015-04-10 10:00:02 2015-04-10 10:03:04
    13. 
   
   
   
   
  13. cookie1 2015-04-10 10:00:02 url2 2 2015-04-10 10:03:04 2015-04-10 10:10:00
    14. 
   
   
   
   
  14. cookie1 2015-04-10 10:03:04 1url3 3 2015-04-10 10:10:00 2015-04-10 10:50:01
    15. 
   
   
   
   
  15. cookie1 2015-04-10 10:10:00 url4 4 2015-04-10 10:50:01 2015-04-10 10:50:05
    16. 
   
   
   
   
  16. cookie1 2015-04-10 10:50:01 url5 5 2015-04-10 10:50:05 2015-04-10 11:00:00
    17. 
   
   
   
   
  17. cookie1 2015-04-10 10:50:05 url6 6 2015-04-10 11:00:00 NULL
    18. 
   
   
   
   
  18. cookie1 2015-04-10 11:00:00 url7 7 1970-01-01 00:00:00 NULL
    19. 
   
   
   
   
  19. cookie2 2015-04-10 10:00:00 url11 1 2015-04-10 10:00:02 2015-04-10 10:03:04
    20. 
   
   
   
   
  20. cookie2 2015-04-10 10:00:02 url22 2 2015-04-10 10:03:04 2015-04-10 10:10:00
    21. 
   
   
   
   
  21. cookie2 2015-04-10 10:03:04 1url33 3 2015-04-10 10:10:00 2015-04-10 10:50:01
    22. 
   
   
   
   
  22. cookie2 2015-04-10 10:10:00 url44 4 2015-04-10 10:50:01 2015-04-10 10:50:05
    23. 
   
   
   
   
  23. cookie2 2015-04-10 10:50:01 url55 5 2015-04-10 10:50:05 2015-04-10 11:00:00
    24. 
   
   
   
   
  24. cookie2 2015-04-10 10:50:05 url66 6 2015-04-10 11:00:00 NULL
    25. 
   
   
   
   
  25. cookie2 2015-04-10 11:00:00 url77 7 1970-01-01 00:00:00 NULL
    26. 
   
   
   
   
  26.  
    27. 
   
   
   
   
  27. --逻辑与LAG一样，只不过LAG是往上，LEAD是往下。
    28.

FIRST_VALUE

取分组内排序后，截止到当前行，第一个值

  
  
  
  
    
   
   
   
   
  1. SELECT cookieid,
    2. 
   
   
   
   
  2. createtime,
    3. 
   
   
   
   
  3. url,
    4. 
   
   
   
   
  4. ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    5. 
   
   
   
   
  5. FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS first1 
    6. 
   
   
   
   
  6. FROM lxw1234;
    7. 
   
   
   
   
  7.  
    8. 
   
   
   
   
  8. cookieid createtime url rn first1
    9. 
   
   
   
   
  9. ---------------------------------------------------------
    10. 
   
   
   
   
  10. cookie1 2015-04-10 10:00:00 url1 1 url1
    11. 
   
   
   
   
  11. cookie1 2015-04-10 10:00:02 url2 2 url1
    12. 
   
   
   
   
  12. cookie1 2015-04-10 10:03:04 1url3 3 url1
    13. 
   
   
   
   
  13. cookie1 2015-04-10 10:10:00 url4 4 url1
    14. 
   
   
   
   
  14. cookie1 2015-04-10 10:50:01 url5 5 url1
    15. 
   
   
   
   
  15. cookie1 2015-04-10 10:50:05 url6 6 url1
    16. 
   
   
   
   
  16. cookie1 2015-04-10 11:00:00 url7 7 url1
    17. 
   
   
   
   
  17. cookie2 2015-04-10 10:00:00 url11 1 url11
    18. 
   
   
   
   
  18. cookie2 2015-04-10 10:00:02 url22 2 url11
    19. 
   
   
   
   
  19. cookie2 2015-04-10 10:03:04 1url33 3 url11
    20. 
   
   
   
   
  20. cookie2 2015-04-10 10:10:00 url44 4 url11
    21. 
   
   
   
   
  21. cookie2 2015-04-10 10:50:01 url55 5 url11
    22. 
   
   
   
   
  22. cookie2 2015-04-10 10:50:05 url66 6 url11
    23. 
   
   
   
   
  23. cookie2 2015-04-10 11:00:00 url77 7 url11
    24.

LAST_VALUE

取分组内排序后，截止到当前行，最后一个值

  
  
  
  
    
   
   
   
   
  1. SELECT cookieid,
    2. 
   
   
   
   
  2. createtime,
    3. 
   
   
   
   
  3. url,
    4. 
   
   
   
   
  4. ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    5. 
   
   
   
   
  5. LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1 
    6. 
   
   
   
   
  6. FROM lxw1234;
    7. 
   
   
   
   
  7.  
    8. 
   
   
   
   
  8.  
    9. 
   
   
   
   
  9. cookieid createtime url rn last1 
    10. 
   
   
   
   
  10. -----------------------------------------------------------------
    11. 
   
   
   
   
  11. cookie1 2015-04-10 10:00:00 url1 1 url1
    12. 
   
   
   
   
  12. cookie1 2015-04-10 10:00:02 url2 2 url2
    13. 
   
   
   
   
  13. cookie1 2015-04-10 10:03:04 1url3 3 1url3
    14. 
   
   
   
   
  14. cookie1 2015-04-10 10:10:00 url4 4 url4
    15. 
   
   
   
   
  15. cookie1 2015-04-10 10:50:01 url5 5 url5
    16. 
   
   
   
   
  16. cookie1 2015-04-10 10:50:05 url6 6 url6
    17. 
   
   
   
   
  17. cookie1 2015-04-10 11:00:00 url7 7 url7
    18. 
   
   
   
   
  18. cookie2 2015-04-10 10:00:00 url11 1 url11
    19. 
   
   
   
   
  19. cookie2 2015-04-10 10:00:02 url22 2 url22
    20. 
   
   
   
   
  20. cookie2 2015-04-10 10:03:04 1url33 3 1url33
    21. 
   
   
   
   
  21. cookie2 2015-04-10 10:10:00 url44 4 url44
    22. 
   
   
   
   
  22. cookie2 2015-04-10 10:50:01 url55 5 url55
    23. 
   
   
   
   
  23. cookie2 2015-04-10 10:50:05 url66 6 url66
    24. 
   
   
   
   
  24. cookie2 2015-04-10 11:00:00 url77 7 url77
    25.

如果不指定ORDER BY，则默认按照记录在文件中的偏移量进行排序，会出现错误的结果

  
  
  
  
    
   
   
   
   
  1. SELECT cookieid,
    2. 
   
   
   
   
  2. createtime,
    3. 
   
   
   
   
  3. url,
    4. 
   
   
   
   
  4. FIRST_VALUE(url) OVER(PARTITION BY cookieid) AS first2 
    5. 
   
   
   
   
  5. FROM lxw1234;
    6. 
   
   
   
   
  6.  
    7. 
   
   
   
   
  7. cookieid createtime url first2
    8. 
   
   
   
   
  8. ----------------------------------------------
    9. 
   
   
   
   
  9. cookie1 2015-04-10 10:00:02 url2 url2
    10. 
   
   
   
   
  10. cookie1 2015-04-10 10:00:00 url1 url2
    11. 
   
   
   
   
  11. cookie1 2015-04-10 10:03:04 1url3 url2
    12. 
   
   
   
   
  12. cookie1 2015-04-10 10:50:05 url6 url2
    13. 
   
   
   
   
  13. cookie1 2015-04-10 11:00:00 url7 url2
    14. 
   
   
   
   
  14. cookie1 2015-04-10 10:10:00 url4 url2
    15. 
   
   
   
   
  15. cookie1 2015-04-10 10:50:01 url5 url2
    16. 
   
   
   
   
  16. cookie2 2015-04-10 10:00:02 url22 url22
    17. 
   
   
   
   
  17. cookie2 2015-04-10 10:00:00 url11 url22
    18. 
   
   
   
   
  18. cookie2 2015-04-10 10:03:04 1url33 url22
    19. 
   
   
   
   
  19. cookie2 2015-04-10 10:50:05 url66 url22
    20. 
   
   
   
   
  20. cookie2 2015-04-10 11:00:00 url77 url22
    21. 
   
   
   
   
  21. cookie2 2015-04-10 10:10:00 url44 url22
    22. 
   
   
   
   
  22. cookie2 2015-04-10 10:50:01 url55 url22
    23. 
   
   
   
   
  23.  
    24. 
   
   
   
   
  24. SELECT cookieid,
    25. 
   
   
   
   
  25. createtime,
    26. 
   
   
   
   
  26. url,
    27. 
   
   
   
   
  27. LAST_VALUE(url) OVER(PARTITION BY cookieid) AS last2 
    28. 
   
   
   
   
  28. FROM lxw1234;
    29. 
   
   
   
   
  29.  
    30. 
   
   
   
   
  30. cookieid createtime url last2
    31. 
   
   
   
   
  31. ----------------------------------------------
    32. 
   
   
   
   
  32. cookie1 2015-04-10 10:00:02 url2 url5
    33. 
   
   
   
   
  33. cookie1 2015-04-10 10:00:00 url1 url5
    34. 
   
   
   
   
  34. cookie1 2015-04-10 10:03:04 1url3 url5
    35. 
   
   
   
   
  35. cookie1 2015-04-10 10:50:05 url6 url5
    36. 
   
   
   
   
  36. cookie1 2015-04-10 11:00:00 url7 url5
    37. 
   
   
   
   
  37. cookie1 2015-04-10 10:10:00 url4 url5
    38. 
   
   
   
   
  38. cookie1 2015-04-10 10:50:01 url5 url5
    39. 
   
   
   
   
  39. cookie2 2015-04-10 10:00:02 url22 url55
    40. 
   
   
   
   
  40. cookie2 2015-04-10 10:00:00 url11 url55
    41. 
   
   
   
   
  41. cookie2 2015-04-10 10:03:04 1url33 url55
    42. 
   
   
   
   
  42. cookie2 2015-04-10 10:50:05 url66 url55
    43. 
   
   
   
   
  43. cookie2 2015-04-10 11:00:00 url77 url55
    44. 
   
   
   
   
  44. cookie2 2015-04-10 10:10:00 url44 url55
    45. 
   
   
   
   
  45. cookie2 2015-04-10 10:50:01 url55 url55
    46.

如果想要取分组内排序后最后一个值，则需要变通一下：

  
  
  
  
    
   
   
   
   
  1. SELECT cookieid,
    2. 
   
   
   
   
  2. createtime,
    3. 
   
   
   
   
  3. url,
    4. 
   
   
   
   
  4. ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    5. 
   
   
   
   
  5. LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1,
    6. 
   
   
   
   
  6. FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime DESC) AS last2 
    7. 
   
   
   
   
  7. FROM lxw1234 
    8. 
   
   
   
   
  8. ORDER BY cookieid,createtime;
    9. 
   
   
   
   
  9.  
    10. 
   
   
   
   
  10. cookieid createtime url rn last1 last2
    11. 
   
   
   
   
  11. -------------------------------------------------------------
    12. 
   
   
   
   
  12. cookie1 2015-04-10 10:00:00 url1 1 url1 url7
    13. 
   
   
   
   
  13. cookie1 2015-04-10 10:00:02 url2 2 url2 url7
    14. 
   
   
   
   
  14. cookie1 2015-04-10 10:03:04 1url3 3 1url3 url7
    15. 
   
   
   
   
  15. cookie1 2015-04-10 10:10:00 url4 4 url4 url7
    16. 
   
   
   
   
  16. cookie1 2015-04-10 10:50:01 url5 5 url5 url7
    17. 
   
   
   
   
  17. cookie1 2015-04-10 10:50:05 url6 6 url6 url7
    18. 
   
   
   
   
  18. cookie1 2015-04-10 11:00:00 url7 7 url7 url7
    19. 
   
   
   
   
  19. cookie2 2015-04-10 10:00:00 url11 1 url11 url77
    20. 
   
   
   
   
  20. cookie2 2015-04-10 10:00:02 url22 2 url22 url77
    21. 
   
   
   
   
  21. cookie2 2015-04-10 10:03:04 1url33 3 1url33 url77
    22. 
   
   
   
   
  22. cookie2 2015-04-10 10:10:00 url44 4 url44 url77
    23. 
   
   
   
   
  23. cookie2 2015-04-10 10:50:01 url55 5 url55 url77
    24. 
   
   
   
   
  24. cookie2 2015-04-10 10:50:05 url66 6 url66 url77
    25. 
   
   
   
   
  25. cookie2 2015-04-10 11:00:00 url77 7 url77 url77
    26.

提示：在使用分析函数的过程中，要特别注意ORDER BY子句，用的不恰当，统计出的结果就不是你所期望的。

你可能感兴趣的:(HIVE分析窗口函数: LAG,LEAD,FIRST_VALUE,LAST_VALUE)

  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 地推话术，如何应对地推过程中家长的拒绝 校师学
    相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
  • 扫地机类清洁产品之直流无刷电机控制 悟空胆好小 清洁服务机器人单片机人工智能
    扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
  • 店群合一模式下的社区团购新发展——结合链动 2+1 模式、AI 智能名片与 S2B2C 商城小程序源码 说私域 人工智能小程序
    摘要：本文探讨了店群合一的社区团购平台在当今商业环境中的重要性和优势。通过分析店群合一模式如何将互联网社群与线下终端紧密结合，阐述了链动2+1模式、AI智能名片和S2B2C商城小程序源码在这一模式中的应用价值。这些创新元素的结合为社区团购带来了新的机遇，提升了用户信任感、拓展了营销渠道，并实现了线上线下的完美融合。一、引言随着互联网技术的不断发展，社区团购作为一种新兴的商业模式，在满足消费者日常需
  • 抖音乐买买怎么加入赚钱?赚钱方法是什么 测评君高省
    你会在抖音买东西吗?如果会，那么一定要免费注册一个乐买买，抖音直播间，橱窗，小视频里的小黄车买东西都可以返佣金!省下来都是自己的，分享还可以赚钱乐买买是好省旗下的抖音返佣平台，乐买买分析社交电商的价值，乐买买属于今年难得的副业项目风口机会，2019年错过做好省的搞钱的黄金时期，那么2022年千万别再错过乐买买至于我为何转到高省呢？当然是高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个自
  • Python数据分析与可视化实战指南 William数据分析 pythonpython数据
    在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
  • Pyecharts数据可视化大屏：打造沉浸式数据分析体验 我的运维人生 信息可视化数据分析数据挖掘运维开发技术共享
    Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
  • 18-115 一切思考不能有效转化为行动，都TM是扯淡！ 成长时间线
    7月25号写了一篇关于为什么会断更如此严重的反思，然而，之后日更仅仅维持了一周，又出现了这次更严重的现象。从8月2号到昨天8月6号，5天！又是5天没有更文！虽然这次断更时间和上次一样，那为什么说这次更严重？因为上次之后就分析了问题的原因，以及应该如何解决，按理说应该会好转，然而，没过几天严重断更的现象再次出现，想想，经过反思，问题依然没有解决与改变，这让我有些担忧。到底是哪里出了问题，难道我就真的
  • 高端密码学院笔记285 柚子_b4b4
    高端幸福密码学院（高级班）幸福使者：李华第（598）期《幸福》之回归内在深层生命原动力基础篇——揭秘“激励”成长的喜悦心理案例分析主讲：刘莉一，知识扩充:成功=艰苦劳动+正确方法+少说空话。贪图省力的船夫，目标永远下游。智者的梦再美，也不如愚人实干的脚印。幸福早课堂2020.10.16星期五一笔记:1，重视和珍惜的前提是知道它的价值非常重要，当你珍惜了，你就真正定下来，真正的学到身上。2，大家需要
  • python是什么意思中文-在python中%是什么意思 编程大乐趣
    Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
  • Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Pythonpython开发语言大数据数据分析数据挖掘
    大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
  • pyecharts——绘制柱形图折线图 2224070247 信息可视化pythonjava数据可视化
    一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
  • 数据仓库——维度表一致性 墨染丶eye 背诵数据仓库
    数据仓库基础笔记思维导图已经整理完毕，完整连接为：数据仓库基础知识笔记思维导图维度一致性问题从逻辑层面来看，当一系列星型模型共享一组公共维度时，所涉及的维度称为一致性维度。当维度表存在不一致时，短期的成功难以弥补长期的错误。维度时确保不同过程中信息集成起来实现横向钻取货活动的关键。造成横向钻取失败的原因维度结构的差别，因为维度的差别，分析工作涉及的领域从简单到复杂，但是都是通过复杂的报表来弥补设计
  • 闲鱼鱼小铺怎么开通？鱼小铺开通需要哪些流程？ 高省APP大九
    闲鱼鱼小铺是平台推出的一个专业程度的店铺，与普通店铺相比会有更多的权益，比如说发布的商品数量从50增加到500；拥有专业的店铺数据看板与分析的功能，这对于专门在闲鱼做生意的用户来说是非常有帮助的，那么鱼小铺每个人都能开通吗？大家好，我是高省APP联合创始人蓓蓓导师，高省APP是2021年推出的电商导购平台，0投资，0风险、高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个可省钱佣金高，能
  • 2019-11-04复盘——飞来山上千寻塔，闻说鸡鸣见日升。 那一叶秋
    1、大盘篇先上老图，看习惯了，也就知道走势了图1上证指数日线图还是那张老图，自己可以在自己的相关软件上画出来，快变盘了。2、个股篇未加仓、未减仓。分析量能的时候，突然发现这么一个东西：“放量突破年线，缩量回调。”合众科技日线图其实，最近的N只个股，在技术分析上，都到了变盘的临界时候。结合这么久的走势，特别是ZJH不断放开IPO的申请，本质上说是融资难度变大，或者说是为企业的融资开创便利。但现在市场
  • 18、架构-可观测性之聚合度量 大树~~ 架构javapython后端架构
    聚合度量聚合度量是指对系统运行时产生的各种指标数据进行收集、聚合和分析，以了解系统的健康状况和性能表现。聚合度量是可观测性的关键组成部分，通过对度量数据的分析，可以及时发现系统中的异常和瓶颈。以下是对聚合度量各个方面的详细解析，并结合具体的数据案例和技术支撑。指标收集收集系统运行时产生的各种指标数据是聚合度量的基础。常见的指标包括CPU使用率、内存使用率、请求处理时间、请求数、错误率等。以下是指标
  • 果然只有离职的时候，才有人敢说真话！ return2ok
    今天公司出了神贴。今天中午吃饭，同事问我看了论坛上的神贴了吗？什么帖子？我问。同事显得很惊讶，你居然没看，现在那个帖子可能会成为年度最佳帖子。这么厉害？我等不及了，饭没吃完就快速的奔向办公室，打开公司论坛，我要一睹这个帖子的神奇。写这帖子的童鞋胆儿真肥。这哪里是一个帖子，这是很多个帖子，组成了一个系列。某人从公司文化、管理、人事、项目管理等多个方面分析了公司的概况，并抨击了公司的各种弊端，并提出了
  • nosql数据库技术与应用知识点 皆过客，揽星河 NoSQLnosql数据库大数据数据分析数据结构非关系型数据库
    Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
  • 《Python数据分析实战终极指南》 xjt921122 python数据分析开发语言
    对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
  • Python开发常用的三方模块如下： 换个网名有点难 python开发语言
    Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
  • ES聚合分析原理与代码实例讲解 光剑书架上的书 大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    ES聚合分析原理与代码实例讲解1.背景介绍1.1问题的由来在大规模数据分析场景中，特别是在使用Elasticsearch（ES）进行数据存储和检索时，聚合分析成为了一个至关重要的功能。聚合分析允许用户对数据集进行细分和分组，以便深入探索数据的结构和模式。这在诸如实时监控、日志分析、业务洞察等领域具有广泛的应用。1.2研究现状目前，ES聚合分析已经成为现代大数据平台的核心组件之一。它支持多种类型的聚
  • 母亲节如何做小红书营销 美橙传媒
    小红书的一举一动引起了外界的高度关注。通过爆款笔记和流行话题，我们可以看到“干货”类型的内容在小红书中偏向实用的生活经验共享和生活指南非常受欢迎。根据运营社的分析，这种现象是由小红书用户心智和内容社区背后机制共同决定的。首先，小红书将使用“强搜索”逻辑为用户提供特定的“搜索场景”。在“我必须这样生活”中，大量使用了满足小红书站用户喜好和需求的内容。内容社区自制的高质量内容也吸引了寻找营销新途径的品
  • 系统架构设计师 需求分析篇二 AmHardy 软件架构设计师系统架构需求分析面向对象分析分析模型UML和SysML
    面向对象分析方法1.用例模型构建用例模型一般需要经历4个阶段：识别参与者：识别与系统交互的所有事物。合并需求获得用例：将需求分配给予其相关的参与者。细化用例描述：详细描述每个用例的功能。调整用例模型：优化用例之间的关系和结构，前三个阶段是必需的。2.用例图的三元素参与者：使用系统的用户或其他外部系统和设备。用例：系统所提供的服务。通信关联：参与者和用例之间的关系，或用例与用例之间的关系。3.识别参
  • 语文主题教学学习笔记之87 东哥杂谈
    “语文主题教学”学习笔记之八十七（0125）今天继续学习小学语文主题教学的实践样态。板块三：教学中体现“书艺”味道。作为四大名著之一的《水浒传》，堪称我国文学宝库之经典。对从《水浒传》中摘选的单元，教师就要了解其原生态，即评书体特点。这也要求教师要了解一些常用的评书行话术语，然后在教学时适时地加入一些，让学生体味其文本中原有的特色。学生也要尽可能地通过朗读的方式，而不单是分析讲解的方式进行学习。细
  • Python神器！WEB自动化测试集成工具 DrissionPage 亚丁号 python开发语言
    一、前言用requests做数据采集面对要登录的网站时，要分析数据包、JS源码，构造复杂的请求，往往还要应付验证码、JS混淆、签名参数等反爬手段，门槛较高。若数据是由JS计算生成的，还须重现计算过程，体验不好，开发效率不高。使用浏览器，可以很大程度上绕过这些坑，但浏览器运行效率不高。因此，这个库设计初衷，是将它们合而为一，能够在不同须要时切换相应模式，并提供一种人性化的使用方法，提高开发和运行效率
  • Java爬虫框架（一）--架构设计 狼图腾-狼之传说 java框架java任务html解析器存储电子商务
    一、架构图那里搜网络爬虫框架主要针对电子商务网站进行数据爬取，分析，存储，索引。爬虫：爬虫负责爬取，解析，处理电子商务网站的网页的内容数据库：存储商品信息索引：商品的全文搜索索引Task队列：需要爬取的网页列表Visited表：已经爬取过的网页列表爬虫监控平台：web平台可以启动，停止爬虫，管理爬虫，task队列，visited表。二、爬虫1.流程1)Scheduler启动爬虫器，TaskMast
  • 今日分享：有的孩子家长常常在对于小朋友老是说谎，还特别爱推卸责任，很头痛，不知道该怎么办！ 雨燕Cassie
    其实六岁以前都不叫撒谎，只能叫做逃避和害怕，因为他们都是没有撒谎的这个概念，家长所谓的撒谎只能说是因为做错了事情，怕受到责罚而找一个「台阶」给自己一下而已，所以家长不能给孩子一个贴上撒谎的这个标签，如果说孩子出现家长所说的撒谎，我们应该做的是：1.允许孩子将事情的原委进行一个表达，给孩子说明的机会，不提示孩子说谎，不急著批评孩子。2.不使用问句，不恐吓和严刑逼供，耐心的以故事或者以分析的形式和孩子
  • 06选课支付模块之基于消息队列发送支付通知消息 echo 云清 学成在线javarabbitmq消息队列支付通知学成在线
    消息队列发送支付通知消息需求分析订单服务作为通用服务，在订单支付成功后需要将支付结果异步通知给其他对接的微服务，微服务收到支付结果根据订单的类型去更新自己的业务数据技术方案使用消息队列进行异步通知需要保证消息的可靠性即生产端将消息成功通知到服务端：消息发送到交换机-->由交换机发送到队列-->消费者监听队列，收到消息进行处理，参考文章02-使用Docker安装RabbitMQ-CSDN博客生产者确
  • 《 C++ 修炼全景指南：九 》打破编程瓶颈！掌握二叉搜索树的高效实现与技巧 Lenyiin C++修炼全景指南技术指南c++算法stl
    摘要本文详细探讨了二叉搜索树（BinarySearchTree,BST）的核心概念和技术细节，包括插入、查找、删除、遍历等基本操作，并结合实际代码演示了如何实现这些功能。文章深入分析了二叉搜索树的性能优势及其时间复杂度，同时介绍了前驱、后继的查找方法等高级功能。通过自定义实现的二叉搜索树类，读者能够掌握其实际应用，此外，文章还建议进一步扩展为平衡树（如AVL树、红黑树）以优化极端情况下的性能退化。
  • 遥感影像的切片处理 sand&wich 计算机视觉python图像处理
    在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
  • mondb入手 木zi_鸣 mongodb
    windows 启动mongodb  编写bat文件， mongod --dbpath D:\software\MongoDBDATA mongod --help  查询各种配置 配置在mongob 打开批处理，即可启动，27017原生端口，shell操作监控端口  扩展28017，web端操作端口 启动配置文件配置， 数据更灵活 
  • 大型高并发高负载网站的系统架构 bijian1013 高并发负载均衡
            扩展Web应用程序 一.概念         简单的来说，如果一个系统可扩展，那么你可以通过扩展来提供系统的性能。这代表着系统能够容纳更高的负载、更大的数据集，并且系统是可维护的。扩展和语言、某项具体的技术都是无关的。扩展可以分为两种：         1.
  • DISPLAY变量和xhost(原创) czmmiao display
    DISPLAY 在Linux/Unix类操作系统上, DISPLAY用来设置将图形显示到何处. 直接登陆图形界面或者登陆命令行界面后使用startx启动图形, DISPLAY环境变量将自动设置为:0:0, 此时可以打开终端, 输出图形程序的名称(比如xclock)来启动程序, 图形将显示在本地窗口上, 在终端上输入printenv查看当前环境变量, 输出结果中有如下内容:DISPLAY=:0.0
  • 获取B/S客户端IP 周凡杨 java编程jspWeb浏览器
       最近想写个B/S架构的聊天系统，因为以前做过C/S架构的QQ聊天系统，所以对于Socket通信编程只是一个巩固。对于C/S架构的聊天系统，由于存在客户端Java应用，所以直接在代码中获取客户端的IP，应用的方法为：    String ip = InetAddress.getLocalHost().getHostAddress(); 然而对于WEB
  • 浅谈类和对象 朱辉辉33 编程
        类是对一类事物的总称，对象是描述一个物体的特征，类是对象的抽象。简单来说，类是抽象的，不占用内存，对象是具体的， 占用存储空间。     类是由属性和方法构成的，基本格式是public  class 类名{ //定义属性 private/public 数据类型 属性名； //定义方法 publ
  • android activity与viewpager+fragment的生命周期问题 肆无忌惮_ viewpager
    有一个Activity里面是ViewPager，ViewPager里面放了两个Fragment。 第一次进入这个Activity。开启了服务，并在onResume方法中绑定服务后，对Service进行了一定的初始化，其中调用了Fragment中的一个属性。 super.onResume(); bindService(intent, conn, BIND_AUTO_CREATE);
  • base64Encode对图片进行编码 843977358 base64图片encoder
    /** * 对图片进行base64encoder编码 * * @author mrZhang * @param path * @return */ public static String encodeImage(String path) { BASE64Encoder encoder = null; byte[] b = null; I
  • Request Header简介 aigo servlet
    当一个客户端(通常是浏览器)向Web服务器发送一个请求是，它要发送一个请求的命令行，一般是GET或POST命令，当发送POST命令时，它还必须向服务器发送一个叫“Content-Length”的请求头(Request   Header)   用以指明请求数据的长度，除了Content-Length之外，它还可以向服务器发送其它一些Headers，如：    
  • HttpClient4.3 创建SSL协议的HttpClient对象 alleni123 httpclient爬虫ssl
    public class HttpClientUtils { public static CloseableHttpClient createSSLClientDefault(CookieStore cookies){ SSLContext sslContext=null; try { sslContext=new SSLContextBuilder().l
  • java取反 -右移-左移-无符号右移的探讨 百合不是茶 位运算符 位移
    取反： 在二进制中第一位，1表示符数，0表示正数 byte a = -1; 原码：10000001 反码：11111110 补码：11111111 //异或: 00000000 byte b = -2; 原码：10000010 反码：11111101 补码：11111110 //异或: 00000001
  • java多线程join的作用与用法 bijian1013 java多线程
            对于JAVA的join，JDK 是这样说的：join public final void join （long millis ）throws InterruptedException Waits at most millis milliseconds for this thread to die. A timeout of 0 means t
  • Java发送http请求(get 与post方法请求) bijian1013 javaspring
    PostRequest.java package com.bijian.study; import java.io.BufferedReader; import java.io.DataOutputStream; import java.io.IOException; import java.io.InputStreamReader; import java.net.HttpURL
  • 【Struts2二】struts.xml中package下的action配置项默认值 bit1129 struts.xml
    在第一部份，定义了struts.xml文件，如下所示：   <!DOCTYPE struts PUBLIC "-//Apache Software Foundation//DTD Struts Configuration 2.3//EN" "http://struts.apache.org/dtds/struts
  • 【Kafka十三】Kafka Simple Consumer bit1129 simple
    代码中关于Host和Port是割裂开的，这会导致单机环境下的伪分布式Kafka集群环境下，这个例子没法运行。 实际情况是需要将host和port绑定到一起，   package kafka.examples.lowlevel; import kafka.api.FetchRequest; import kafka.api.FetchRequestBuilder; impo
  • nodejs学习api ronin47 nodejs api
    NodeJS基础 什么是NodeJS JS是脚本语言，脚本语言都需要一个解析器才能运行。对于写在HTML页面里的JS，浏览器充当了解析器的角色。而对于需要独立运行的JS，NodeJS就是一个解析器。 每一种解析器都是一个运行环境，不但允许JS定义各种数据结构，进行各种计算，还允许JS使用运行环境提供的内置对象和方法做一些事情。例如运行在浏览器中的JS的用途是操作DOM，浏览器就提供了docum
  • java-64.寻找第N个丑数 bylijinnan java
    public class UglyNumber { /** * 64.查找第N个丑数 具体思路可参考 [url] http://zhedahht.blog.163.com/blog/static/2541117420094245366965/[/url] * 题目：我们把只包含因子 2、3和5的数称作丑数（Ugly Number）。例如6、8都是丑数，但14
  • 二维数组（矩阵）对角线输出 bylijinnan 二维数组
    /** 二维数组 对角线输出 两个方向 例如对于数组： { 1, 2, 3, 4 }, { 5, 6, 7, 8 }, { 9, 10, 11, 12 }, { 13, 14, 15, 16 }, slash方向输出： 1 5 2 9 6 3 13 10 7 4 14 11 8 15 12 16 backslash输出： 4 3
  • [JWFD开源工作流设计]工作流跳跃模式开发关键点(今日更新) comsci 工作流
       既然是做开源软件的,我们的宗旨就是给大家分享设计和代码,那么现在我就用很简单扼要的语言来透露这个跳跃模式的设计原理    大家如果用过JWFD的ARC-自动运行控制器,或者看过代码,应该知道在ARC算法模块中有一个函数叫做SAN(),这个函数就是ARC的核心控制器,要实现跳跃模式,在SAN函数中一定要对LN链表数据结构进行操作,首先写一段代码,把
  • redis常见使用 cuityang redis常见使用
    redis 通常被认为是一个数据结构服务器，主要是因为其有着丰富的数据结构 strings、map、 list、sets、 sorted sets 引入jar包 jedis-2.1.0.jar  (本文下方提供下载) package redistest; import redis.clients.jedis.Jedis; public class Listtest
  • 配置多个redis dalan_123 redis
    配置多个redis客户端 <?xml version="1.0" encoding="UTF-8"?><beans xmlns="http://www.springframework.org/schema/beans"       xmlns:xsi=&quo
  • attrib命令 dcj3sjt126com attr
      attrib指令用于修改文件的属性.文件的常见属性有:只读.存档.隐藏和系统.    只读属性是指文件只可以做读的操作.不能对文件进行写的操作.就是文件的写保护.    存档属性是用来标记文件改动的.即在上一次备份后文件有所改动.一些备份软件在备份的时候会只去备份带有存档属性的文件. 
  • Yii使用公共函数 dcj3sjt126com yii
    在网站项目中，没必要把公用的函数写成一个工具类，有时候面向过程其实更方便。 在入口文件index.php里添加 require_once('protected/function.php'); 即可对其引用，成为公用的函数集合。 function.php如下：   <?php /**   * This is the shortcut to D
  • linux 系统资源的查看（free、uname、uptime、netstat） eksliang netstatlinux unamelinux uptimelinux free
    linux 系统资源的查看 转载请出自出处：http://eksliang.iteye.com/blog/2167081   http://eksliang.iteye.com 一、free查看内存的使用情况 语法如下：   free [-b][-k][-m][-g] [-t] 参数含义 -b:直接输入free时，显示的单位是kb我们可以使用b(bytes),m
  • JAVA的位操作符 greemranqq 位运算JAVA位移<<>>>
    最近几种进制，加上各种位操作符，发现都比较模糊，不能完全掌握，这里就再熟悉熟悉。   1.按位操作符 ：    按位操作符是用来操作基本数据类型中的单个bit,即二进制位，会对两个参数执行布尔代数运算，获得结果。    与（&）运算：    1&1 = 1, 1&0 = 0, 0&0 &
  • Web前段学习网站 ihuning Web
      Web前段学习网站 菜鸟学习：http://www.w3cschool.cc/   JQuery中文网：http://www.jquerycn.cn/   内存溢出：http://outofmemory.cn/#csdn.blog   http://www.icoolxue.com/   http://www.jikexue
  • 强强联合：FluxBB 作者加盟 Flarum justjavac r
    原文：FluxBB Joins Forces With Flarum作者：Toby Zerner译文：强强联合：FluxBB 作者加盟 Flarum译者：justjavac FluxBB 是一个快速、轻量级论坛软件，它的开发者是一名德国的 PHP 天才 Franz Liedke。FluxBB 的下一个版本(2.0)将被完全重写，并已经开发了一段时间。FluxBB 看起来非常有前途的，
  • java统计在线人数（session存储信息的） macroli javaWeb
    这篇日志是我写的第三次了 前两次都发布失败！郁闷极了！   由于在web开发中常常用到这一部分所以在此记录一下，呵呵，就到备忘录了！ 我对于登录信息时使用session存储的，所以我这里是通过实现HttpSessionAttributeListener这个接口完成的。 1、实现接口类，在web.xml文件中配置监听类，从而可以使该类完成其工作。 public class Ses
  • bootstrp carousel初体验 快速构建图片播放 qiaolevip 每天进步一点点学习永无止境bootstrap纵观千象
    img{ border: 1px solid white; box-shadow: 2px 2px 12px #333; _width: expression(this.width > 600 ? "600px" : this.width + "px"); _height: expression(this.width &
  • SparkSQL读取HBase数据，通过自定义外部数据源 superlxw1234 sparksparksqlsparksql读取hbasesparksql外部数据源
    关键字：SparkSQL读取HBase、SparkSQL自定义外部数据源     前面文章介绍了SparSQL通过Hive操作HBase表。   SparkSQL从1.2开始支持自定义外部数据源(External DataSource)，这样就可以通过API接口来实现自己的外部数据源。这里基于Spark1.4.0，简单介绍SparkSQL自定义外部数据源，访
  • Spring Boot 1.3.0.M1发布 wiselyman spring boot
        Spring Boot 1.3.0.M1于6.12日发布，现在可以从Spring milestone repository下载。这个版本是基于Spring Framework 4.2.0.RC1,并在Spring Boot 1.2之上提供了大量的新特性improvements and new features。主要包含以下：   1.提供一个新的sprin
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他