milvus教程：collection和scheme

環境配置：可以看上一節

一.數據庫使用

  1. 連接 Milvus Standalone
  2. 創建數據庫 my_database_1（無額外屬性）
  3. 創建數據庫 my_database_2（設置副本數為 3）
  4. 列出所有數據庫
  5. 查看默認數據庫（default）詳情
  6. 修改 my_database_1 屬性：限制最大集合數為 10
  7. 刪除 my_database_1 的 max.collections 限制
  8. 切換到 my_database_2（后續所有操作都作用于該庫）
  9. 刪除數據庫
from pymilvus import MilvusClient, exceptions# ——————————————
# 1. 連接 Milvus Standalone
# ——————————————
# uri: 協議+地址+端口，默認為 http://docker_IP:19530
# token: "用戶名:密碼"，默認 root:Milvus
client = MilvusClient(uri="http://IP:19531",token="root:Milvus"
)# ——————————————
# 2. 創建數據庫 my_database_1（無額外屬性）
# ——————————————
try:client.create_database(db_name="my_database_1")print("? my_database_1 創建成功")
except exceptions.MilvusException:print("? my_database_1 已存在")# ——————————————
# 3. 創建數據庫 my_database_2（設置副本數為 3）
# ——————————————
client.create_database(db_name="my_database_2",properties={"database.replica.number": 3}
)
print("? my_database_2 創建成功，副本數=3")# ——————————————
# 4. 列出所有數據庫
# ——————————————
db_list = client.list_databases()
print("當前所有數據庫：", db_list)# ——————————————
# 5. 查看默認數據庫（default）詳情
# ——————————————
default_info = client.describe_database(db_name="default")
print("默認數據庫詳情：", default_info)# ——————————————
# 6. 修改 my_database_1 屬性：限制最大集合數為 10
# ——————————————
client.alter_database_properties(db_name="my_database_1",properties={"database.max.collections": 10}
)
print("? 已為 my_database_1 限制最大集合數為 10")# ——————————————
# 7. 刪除 my_database_1 的 max.collections 限制
# ——————————————
client.drop_database_properties(db_name="my_database_1",property_keys=["database.max.collections"]
)
print("? 已移除 my_database_1 的最大集合數限制")# ——————————————
# 8. 切換到 my_database_2（后續所有操作都作用于該庫）
# ——————————————
client.use_database(db_name="my_database_2")
print("? 已切換當前數據庫為 my_database_2")# ——————————————
# 9. 刪除數據庫 my_database_2
#    （注意：如果庫內有 Collection，需先 client.drop_collection() 將其清空）
# ——————————————
client.drop_database(db_name="my_database_2")
print("? my_database_2 已刪除")# ——————————————
# 10. 刪除數據庫 my_database_1
# ——————————————
client.drop_database(db_name="my_database_1")
print("? my_database_1 已刪除")

? my_database_1 創建成功
? my_database_2 創建成功，副本數=3
當前所有數據庫： ['my_database_1', 'my_database_2', 'default']
默認數據庫詳情： {'name': 'default'}
? 已為 my_database_1 限制最大集合數為 10
? 已移除 my_database_1 的最大集合數限制
? 已切換當前數據庫為 my_database_2
? my_database_2 已刪除
? my_database_1 已刪除

二.Collection

Collection：在 Milvus 中，Collection（集合）是存儲向量和其相關元數據的核心對象，可以類比為傳統數據庫中的“表”。

在這里插入圖片描述

2.1.TTL

在 Milvus 中，設置 Collection 的 TTL（Time-To-Live）屬性 是為了控制：

插入數據在內存中的生存時間，即：多長時間后這批數據會自動從內存中移除，不再參與檢索。

client.create_collection(collection_name="example_collection",dimension=128,ttl_seconds=60
)

這表示：

  • 插入到該集合中的數據，只會在內存中保留 60 秒
  • 超過 60 秒后，這部分數據就會自動被 Milvus 標記過期
  • 這些數據將不再參與 向量檢索，也不會占用 檢索內存資源

2.2.Milvus 是“冷熱分離”的架構

在 Milvus 中，必須先將數據加載到內存（RAM）中，才能進行向量檢索。

Milvus 為了高性能向量搜索，采用冷熱數據分離設計：

數據狀態存儲位置能否檢索說明
未加載磁盤 / 持久化? 不可檢索僅存儲，節省內存資源
已加載內存（RAM）? 可檢索向量數據加載到內存才能計算相似度

2.3.Partition

Partition 是 Collection 內部的數據子集，用于邏輯分組、分批插入、加速查詢。

? 為什么需要 Partition？

如果你要處理 大規模數據（百萬、千萬、甚至上億條向量），把所有數據放在一個 Collection 中不夠靈活：

  • 檢索慢（因為全表搜索）
  • 不方便管理（比如不同用戶/場景的數據混在一起）

引入 Partition 后，你可以：

  • 按條件劃分數據（如按“用戶”“時間”“類別”等）
  • 檢索時只針對部分 Partition，提高速度
  • 分批管理加載 / 卸載 Partition，節省內存

📦 舉個例子

比如你有一個集合 product_vectors，表示商品的向量數據。

你可以按商品類型創建分區：

Partition 名稱內容說明
shoes所有鞋類商品向量
phones手機類商品向量
books圖書類商品向量

檢索時只搜索某個分區：

client.search(collection_name="product_vectors",partition_names=["phones"],  # 只搜索手機...
)

2.4.Alias

Alias 是指向某個 Collection 的“虛擬名稱”，可以隨時修改指向的真實集合，不影響客戶端代碼邏輯。

📌 舉個例子：

你有兩個 Collection：

  • products_v1：舊版本的商品向量集合
  • products_v2：新版本，已經完成向量更新

此時你可以創建一個別名：

client.create_alias("products", "products_v1")

客戶端代碼里一直用別名 products：

client.search(collection_name="products", ...)

上線新模型后，只需切換別名指向：

client.alter_alias("products", "products_v2")

這樣做的好處？客戶端代碼不用改，就實現了“無感知熱切換”。

? 注意事項

  • Alias 是 一對一映射：一個別名只能指向一個 Collection
  • 一個 Collection 可以被多個 alias 指向
  • 檢索時如果用 alias，必須確保其所指 Collection 已加載（load_collection）
操作作用
create_alias(alias, collection)創建一個別名，初始指向某個 Collection
alter_alias(alias, new_collection)修改別名指向的 Collection，實現熱切換
drop_alias(alias)刪除別名
list_aliases(collection_name=...)查看某集合的所有別名

2.5.演示代碼

from pymilvus import MilvusClient# ——————————————
# 0. 連接 Milvus
# ——————————————
client = MilvusClient(uri="http://IP:19530",token="root:Milvus"
)
print("? 已連接 Milvus接口")# ——————————————
# 1. 創建 Collection（快速模式）
# ——————————————
# 檢查并刪除已存在的集合
collection_name = "quick_setup"
if collection_name in client.list_collections():client.drop_collection(collection_name=collection_name)print(f"? 已刪除已存在的集合 {collection_name}")# 沒有定義scheme
# 使用快捷方式創建一個維度為 5 的向量集合（Quick Setup 模式）
client.create_collection(collection_name=collection_name,dimension=5
)
print(f"? {collection_name} 已創建")# ——————————————
# 2. 列出所有 Collections
# ——————————————
cols = client.list_collections()
print("當前所有集合：", cols)# ——————————————
# 3. 查看 Collection 詳情
# ——————————————
info = client.describe_collection(collection_name=collection_name)
print(f"{collection_name} 詳情：", info)# ——————————————
# 4. 重命名 Collection
# ——————————————
new_collection_name = "quick_renamed"
if new_collection_name in client.list_collections():client.drop_collection(collection_name=new_collection_name)print(f"? 已刪除已存在的集合 {new_collection_name}")client.rename_collection(old_name=collection_name,new_name=new_collection_name
)
print(f"? {collection_name} 已重命名為 {new_collection_name}")# ——————————————
# 5. 修改 Collection 屬性（設置 TTL 60 秒）
# ——————————————
client.alter_collection_properties(collection_name=new_collection_name,properties={"collection.ttl.seconds": 60}
)
print(f"? 已為 {new_collection_name} 設置 TTL=60s")# ——————————————
# 6. 刪除 Collection 屬性（TTL）
# ——————————————
client.drop_collection_properties(collection_name=new_collection_name,property_keys=["collection.ttl.seconds"]
)
print(f"? 已刪除 {new_collection_name} 的 TTL 屬性")# ——————————————
# 7. 加載集合（將數據加載到內存中）
# ——————————————
client.load_collection(collection_name=new_collection_name)
state = client.get_load_state(collection_name=new_collection_name) # 檢查加載狀態
print("加載狀態：", state)# ——————————————
# 8. 釋放集合（將數據從內存中釋放）
# ——————————————
client.release_collection(collection_name=new_collection_name)
state = client.get_load_state(collection_name=new_collection_name) # 檢查釋放狀態
print("釋放后狀態：", state)# ——————————————
# 9. 管理 Partition
# ——————————————
# 9.1 列出 Partition（默認只有 "_default"）
parts = client.list_partitions(collection_name=new_collection_name)
print("Partition 列表：", parts)# 9.2 創建新 Partition
client.create_partition(collection_name=new_collection_name,partition_name="partA"
)
print("? 已創建 partition partA")
print("更新后 Partition 列表：", client.list_partitions(new_collection_name))# 9.3 檢查 Partition 是否存在
exists = client.has_partition(collection_name=new_collection_name,partition_name="partA"
)
print("partA 存在？", exists)# 9.4 加載 & 釋放 指定 Partition 【存入內存】
client.load_partitions(collection_name=new_collection_name,partition_names=["partA"]
)
print("partA 加載狀態：", client.get_load_state(new_collection_name, partition_name="partA"))
# 釋放 Partition
client.release_partitions(collection_name=new_collection_name,partition_names=["partA"]
)
print("partA 釋放后狀態：", client.get_load_state(new_collection_name, partition_name="partA"))# 9.5 刪除 Partition（需先 release）
client.drop_partition(collection_name=new_collection_name,partition_name="partA"
)
print("? 已刪除 partition partA")
print("最終 Partition 列表：", client.list_partitions(new_collection_name))# ——————————————
# 10. 管理 Alias
# ——————————————
# 10.1 創建 Alias
client.create_alias(collection_name=new_collection_name, alias="alias3")
client.create_alias(collection_name=new_collection_name, alias="alias4")
print("? 已創建 alias3, alias4")# 10.2 列出 Alias
aliases = client.list_aliases(collection_name=new_collection_name)
print("當前 aliases：", aliases)# 10.3 查看 Alias 詳情
desc = client.describe_alias(alias="alias3")
print("alias3 詳情：", desc)# 10.4 重新分配 Alias
client.alter_alias(collection_name=new_collection_name, alias="alias4")
print("? 已將 alias4 重新分配給 quick_renamed")# 10.5 刪除 Alias
client.drop_alias(alias="alias3")
print("? 已刪除 alias3")
print("剩余 aliases：", client.list_aliases(new_collection_name))# ——————————————
# 11. 刪除 Collection
# ——————————————
client.drop_collection(collection_name=new_collection_name)
print(f"? 集合 {new_collection_name} 已刪除")

? 已連接 Milvus接口
? quick_setup 已創建
當前所有集合： ['quick_setup']
quick_setup 詳情： {'collection_name': 'quick_setup', 'auto_id': False, 'num_shards': 1, 'description': '', 'fields': [{'field_id': 100, 'name': 'id', 'description': '', 'type': <DataType.INT64: 5>, 'params': {}, 'is_primary': True}, {'field_id': 101, 'name': 'vector', 'description': '', 'type': <DataType.FLOAT_VECTOR: 101>, 'params': {'dim': 5}}], 'functions': [], 'aliases': [], 'collection_id': 458770152609592009, 'consistency_level': 2, 'properties': {}, 'num_partitions': 1, 'enable_dynamic_field': True}
? quick_setup 已重命名為 quick_renamed
? 已為 quick_renamed 設置 TTL=60s
? 已刪除 quick_renamed 的 TTL 屬性
加載狀態： {'state': <LoadState: Loaded>}
釋放后狀態： {'state': <LoadState: NotLoad>}
Partition 列表： ['_default']
? 已創建 partition partA
更新后 Partition 列表： ['_default', 'partA']
partA 存在？ True
partA 加載狀態： {'state': <LoadState: Loaded>}
partA 釋放后狀態： {'state': <LoadState: NotLoad>}
? 已刪除 partition partA
最終 Partition 列表： ['_default']
? 已創建 alias3, alias4
當前 aliases： {'aliases': ['alias3', 'alias4'], 'collection_name': 'quick_renamed', 'db_name': 'default'}
alias3 詳情： {'alias': 'alias3', 'collection_name': 'quick_renamed', 'db_name': 'default'}
? 已將 alias4 重新分配給 quick_renamed
? 已刪除 alias3
剩余 aliases： {'aliases': ['alias4'], 'collection_name': 'quick_renamed', 'db_name': 'default'}
? 集合 quick_renamed 已刪除

三.Scheme

schema 定義了 Collections 的數據結構。創建 Collections 時，需要根據自己的要求設計模式。

類似于，你將怎么定義表的結構（列名）

from pymilvus import MilvusClient, DataType# ——————————————
# 0. 連接 Milvus
# ——————————————
client = MilvusClient(uri="http://IP:19530",token="root:Milvus"
)
print("? 已連接 Milvus接口")# ——————————————
# 1. 創建基本 Schema
# ——————————————
schema = MilvusClient.create_schema()
print("? 已創建空 Schema")# ——————————————
# 2. 添加主鍵字段（Primary Field）
# ——————————————
# 2.1 INT64類型主鍵（手動指定ID）
schema.add_field(field_name="id",datatype=DataType.INT64,is_primary=True,  # 設置為主鍵auto_id=False     # 不自動生成ID
)# 2.2 VARCHAR類型主鍵（自動生成ID）
# schema.add_field(
#     field_name="doc_id",
#     datatype=DataType.VARCHAR,
#     is_primary=True,  # 設置為主鍵
#     auto_id=True,     # 自動生成ID
#     max_length=100    # VARCHAR類型需要指定最大長度
# )
print("? 已添加主鍵字段")# ——————————————
# 3. 添加向量字段（Vector Field）
# ——————————————
# 3.1 Dense Vector (浮點向量)
schema.add_field(field_name="text_vector",datatype=DataType.FLOAT_VECTOR,  # 32位浮點向量dim=768                          # 向量維度
)# 3.2 Binary Vector (二進制向量)
schema.add_field(field_name="image_vector",datatype=DataType.BINARY_VECTOR,  # 二進制向量dim=256                           # 維度必須是8的倍數
)
print("? 已添加向量字段")# ——————————————
# 4. 添加標量字段（Scalar Field）
# ——————————————
# 4.1 字符串字段
schema.add_field(field_name="title",datatype=DataType.VARCHAR,max_length=200,# 可以為空且有默認值is_nullable=True,default_value="untitled"
)# 4.2 數值字段
schema.add_field(field_name="age",datatype=DataType.INT32,is_nullable=False  # 不可為空
)# 4.3 布爾字段
schema.add_field(field_name="is_active",datatype=DataType.BOOL,default_value=True  # 默認值為True
)# 4.4 JSON字段
schema.add_field(field_name="metadata",datatype=DataType.JSON
)# 4.5 數組字段
schema.add_field(field_name="tags",datatype=DataType.ARRAY,element_type=DataType.VARCHAR,  # 數組元素類型max_capacity=10,                # 數組最大容量max_length=50                   # 每個元素最大長度
)
print("? 已添加標量字段")# ——————————————
# 5. 添加動態字段（Dynamic Field）
# ——————————————
# schema.add_field(
#     field_name="dynamic_field",
#     datatype=DataType.VARCHAR,
#     is_dynamic=True,    # 設置為動態字段
#     max_length=500
# )
print("? 已添加動態字段")# ——————————————
# 6. 使用Schema創建Collection
# ——————————————
collection_name = "document_store10"
client.create_collection(collection_name=collection_name,schema=schema
)
print(f"? 已創建集合 {collection_name}")# ——————————————
# 7. 修改Collection字段
# ——————————————
# 添加新字段
# client.alter_collection_field(
#     collection_name=collection_name,
#     field_name="tags",
#     field_params={
#         "max_capacity": 64
#     }
# )
# print("? 已添加新字段")# ——————————————
# 8. 查看Collection詳情
# ——————————————
info = client.describe_collection(collection_name=collection_name)
print("Collection詳情：", info)# ——————————————
# 9. 清理
# ——————————————
client.drop_collection(collection_name=collection_name)
print("? 已刪除測試集合")

? 已連接 Milvus接口
? 已創建空 Schema
? 已添加主鍵字段
? 已添加向量字段
? 已添加標量字段
? 已添加動態字段
? 已創建集合 document_store10
Collection詳情： {'collection_name': 'document_store10', 'auto_id': False, 'num_shards': 1, 'description': '', 'fields': [{'field_id': 100, 'name': 'id', 'description': '', 'type': <DataType.INT64: 5>, 'params': {}, 'is_primary': True}, {'field_id': 101, 'name': 'text_vector', 'description': '', 'type': <DataType.FLOAT_VECTOR: 101>, 'params': {'dim': 768}}, {'field_id': 102, 'name': 'image_vector', 'description': '', 'type': <DataType.BINARY_VECTOR: 100>, 'params': {'dim': 256}}, {'field_id': 103, 'name': 'title', 'description': '', 'type': <DataType.VARCHAR: 21>, 'params': {'max_length': 200}, 'default_value': string_data: "untitled"
}, {'field_id': 104, 'name': 'age', 'description': '', 'type': <DataType.INT32: 4>, 'params': {}}, {'field_id': 105, 'name': 'is_active', 'description': '', 'type': <DataType.BOOL: 1>, 'params': {}, 'default_value': bool_data: true
}, {'field_id': 106, 'name': 'metadata', 'description': '', 'type': <DataType.JSON: 23>, 'params': {}}, {'field_id': 107, 'name': 'tags', 'description': '', 'type': <DataType.ARRAY: 22>, 'params': {'max_length': 50, 'max_capacity': 10}, 'element_type': <DataType.VARCHAR: 21>}], 'functions': [], 'aliases': [], 'collection_id': 458770152609609581, 'consistency_level': 2, 'properties': {}, 'num_partitions': 1, 'enable_dynamic_field': False}
? 已刪除測試集合

四.實體：Entity

在 Milvus 中，Entity（實體） 是指 插入到 Collection（集合）中的一條數據記錄

? 舉個例子

你要插入一張商品圖像的向量表示到 Milvus：

entities = [{"product_id": 1, "image_vector": [0.1, 0.2, 0.3, 0.4], "category": "shoe"},{"product_id": 2, "image_vector": [0.9, 0.8, 0.7, 0.6], "category": "book"},
]client.insert(collection_name="products",data=entities
)

五.實體：Upsert

當你需要更新集合中的實體，或者不確定是更新還是插入時，可以嘗試使用 Upsert 操作。

務必確保 Upsert 請求中包含的實體包含主鍵，否則會報錯。

  1. 檢查Collection的主字段是否啟用了AutoId。
    • 如果是，Milvus 會將實體中的主鍵替換為自動生成的主鍵，并插入數據。
    • 如果沒有，Milvus 將使用實體攜帶的主鍵來插入數據。
  2. 根據Upsert請求中包含的Entity的主鍵值執行刪除操作。
    在這里插入圖片描述
from pymilvus import MilvusClient
import random# 連接到 Milvus
client = MilvusClient(uri="http://1.14.201.121:19530",token="root:Milvus"
)# 1. 創建集合
# 檢查集合是否存在，如果存在則刪除
if client.has_collection("quick_setup"):client.drop_collection("quick_setup")# 創建集合
client.create_collection(collection_name="quick_setup",dimension=5,  # vector 維度primary_field_name="id",vector_field_name="vector",id_type="int"
)print("集合創建成功")# 2. 插入實體(Entity)
data=[{"id": 0, "vector": [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592], "color": "pink_8682"},{"id": 1, "vector": [0.19886812562848388, 0.06023560599112088, 0.6976963061752597, 0.2614474506242501, 0.838729485096104], "color": "red_7025"},{"id": 2, "vector": [0.43742130801983836, -0.5597502546264526, 0.6457887650909682, 0.7894058910881185, 0.20785793220625592], "color": "orange_6781"},{"id": 3, "vector": [0.3172005263489739, 0.9719044792798428, -0.36981146090600725, -0.4860894583077995, 0.95791889146345], "color": "pink_9298"},{"id": 4, "vector": [0.4452349528804562, -0.8757026943054742, 0.8220779437047674, 0.46406290649483184, 0.30337481143159106], "color": "red_4794"},{"id": 5, "vector": [0.985825131989184, -0.8144651566660419, 0.6299267002202009, 0.1206906911183383, -0.1446277761879955], "color": "yellow_4222"},{"id": 6, "vector": [0.8371977790571115, -0.015764369584852833, -0.31062937026679327, -0.562666951622192, -0.8984947637863987], "color": "red_9392"},{"id": 7, "vector": [-0.33445148015177995, -0.2567135004164067, 0.8987539745369246, 0.9402995886420709, 0.5378064918413052], "color": "grey_8510"},{"id": 8, "vector": [0.39524717779832685, 0.4000257286739164, -0.5890507376891594, -0.8650502298996872, -0.6140360785406336], "color": "white_9381"},{"id": 9, "vector": [0.5718280481994695, 0.24070317428066512, -0.3737913482606834, -0.06726932177492717, -0.6980531615588608], "color": "purple_4976"}
]res = client.insert(collection_name="quick_setup",data=data
)print(res)# 3. 更新實體
update_data = [{"id": 0, "vector": [random.random() for _ in range(5)], "color": "updated_pink_8682"},{"id": 1, "vector": [random.random() for _ in range(5)], "color": "updated_red_7025"}
]res = client.upsert(collection_name="quick_setup",data=update_data
)
print("\n更新結果:", res)# 4. 刪除實體
res = client.delete(collection_name="quick_setup",ids=[0]
)
print("\n刪除結果:", res)# 5. 查詢實體
res = client.query(collection_name="quick_setup",filter="id in [1,2]",output_fields=["id", "color"]
)
print("\n查詢結果:", res)

{'insert_count': 10, 'ids': [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]}
更新結果: {'upsert_count': 2}
刪除結果: {'delete_count': 1}
查詢結果: data: ["{'id': 1, 'color': 'updated_red_7025'}", "{'id': 2, 'color': 'orange_6781'}"]

六.Function

您可以在 Milvus 創建集合時設置函數來導出字段。例如，全文搜索功能使用用戶自定義函數從特定的 varchar 字段導出稀疏向量字段。

七.Consistency Level（數據一致性）

分布式數據庫系統通常使用一致性級別來定義跨數據節點和副本的數據相同性。

可以在創建集合或在集合內進行相似性搜索時設置單獨的一致性級別。適用的一致性級別包括：Strong, Bounded Staleness, Session, Eventually

在這里插入圖片描述

client.create_collection(collection_name="my_collection",schema=schema,consistency_level="Bounded", # Defaults to Bounded if not specified
)

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/diannao/87422.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/87422.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/87422.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

14：00開始面試，14：06就出來了，問的問題有點變態。。。

14：00開始面試，14：06就出來了，問的問題有點變態。。。

從小廠出來&#xff0c;沒想到在另一家公司又寄了。 到這家公司開始上班&#xff0c;加班是每天必不可少的&#xff0c;看在錢給的比較多的份上&#xff0c;就不太計較了。沒想到6月一紙通知&#xff0c;所有人不準加班&#xff0c;加班費不僅沒有了&#xff0c;薪資還要降40%…
閱讀更多...
Electron（01）

Electron（01）

Electron Electron是什么 electron可以使用前端技術開發桌面應用&#xff0c;跨平臺性&#xff0c;開發一套應用&#xff0c;可以打包到三個平臺。 electron結合Chromium&#xff08;谷歌內核&#xff09;和 Node.js 和Native Api 當使用 Electron 時&#xff0c;很重要的一…
閱讀更多...
Kafka 攔截器深度剖析：原理、配置與實踐

Kafka 攔截器深度剖析：原理、配置與實踐

引言 在構建高可用、可擴展的消息系統時&#xff0c;Kafka以其卓越的性能和穩定性成為眾多企業的首選。而Kafka攔截器作為Kafka生態中強大且靈活的功能組件&#xff0c;能夠在消息的生產和消費過程中實現自定義邏輯的注入&#xff0c;為消息處理流程帶來極大的擴展性和可控性。…
閱讀更多...
Flutter 與原生技術（Objective-C/Swift，java）的關系

Flutter 與原生技術（Objective-C/Swift，java）的關系

在 iOS 開發中&#xff0c;Flutter 與原生技術&#xff08;Objective-C/Swift&#xff09;的關系 一、技術定位與核心差異 Flutter 語言&#xff1a;使用Dart 語言開發&#xff0c;通過 AOT&#xff08;提前編譯&#xff09;將代碼轉換為原生 ARM 指令&#xff0c;無需依賴 iOS…
閱讀更多...
最新期刊影響因子，基本包含全部期刊

最新期刊影響因子，基本包含全部期刊

原文鏈接&#xff1a;2024年期刊最新影響因子&#xff08;IF&#xff09; 2024年期刊最新影響因子&#xff08;IF&#xff09; BioinfoR生信筆記 &#xff0c;注于分享生物信息學相關知識和R語言繪圖教程。
閱讀更多...
java 設計模式_行為型_14策略模式

java 設計模式_行為型_14策略模式

14.策略模式 策略模式作為一種軟件設計模式&#xff0c;指對象有某個行為&#xff0c;但是在不同的場景中&#xff0c;該行為有不同的實現算法。 策略模式把這些算法&#xff0c;都抽取出來&#xff0c;組成一個一個的類&#xff0c;可以任意的替換&#xff0c;大大降低了代碼…
閱讀更多...
【AI Study】第四天，Pandas（9）- 進階主題

【AI Study】第四天，Pandas（9）- 進階主題

文章概要 本文詳細介紹 Pandas 的進階主題&#xff0c;包括&#xff1a; 自定義函數高級索引數據導出實際應用示例 自定義函數 函數應用 # 基本函數應用 def calculate_bonus(salary, performance):"""計算獎金Args:salary (float): 基本工資performance (…
閱讀更多...
Boost dlib opencv vs2022 C++ 源碼安裝集成配置

Boost dlib opencv vs2022 C++ 源碼安裝集成配置

?在進行人臉檢測開發時候出現 E1696: 無法打開源文件 "dlib/image_processing/frontal_face_detector.h 解決方案 1, 下載boost 需要：https://www.boost.org/ 或github git clone --recursive https://gitee.com/luozhonghua/boost.git 記住一定要完整版源碼…
閱讀更多...
rest_framework permission_classes 無效的解決方法

rest_framework permission_classes 無效的解決方法

寫了一個特別簡單的view&#xff1a; csrf_exempt login_required() authentication_classes([TokenAuthentication]) permission_classes([IsAdminUser, IsAuthenticated]) def department_management_view(request):if request.method POST:department_name request.POST.…
閱讀更多...
Windows 體系對比 + 嵌入式開發全流程拆解

Windows 體系對比 + 嵌入式開發全流程拆解

一、操作系統層級對比&#xff1a;Windows 家族 vs Linux 家族 角色Windows 體系Linux 體系本質核心內核Windows NT KernelLinux Kernel操作系統引擎&#xff08;管理CPU/內存/硬件&#xff09;完整操作系統Windows 11 Home/ProUbuntu / Debian / CentOS內核 界面 軟件 驅動…
閱讀更多...
C# 實現 gRPC高級通信框架簡單實現

C# 實現 gRPC高級通信框架簡單實現

1. 前言 gRPC&#xff08;Google Remote Procedure Call&#xff09;是一個高性能、開源和通用的RPC框架&#xff0c;由Google主導開發。它支持多種編程語言&#xff0c;并廣泛用于構建分布式應用程序和服務。gRPC基于HTTP/2協議&#xff0c;支持雙向流、請求-響應和多請求-多…
閱讀更多...
將項目推到Github

將項目推到Github

前提條件 需要安裝GIT需要注冊GitHub賬號 步驟 首先我們需要登錄我們的GITHUB賬號&#xff0c;然后點擊新建存儲庫 然后起一個名字&#xff0c;設置一些私有公開即可 創建完成之后&#xff0c;這里有可以遠程推送的命令 后面就直接輸出命令即可 之后推送即可 git push orig…
閱讀更多...
K8S 專欄 —— namespace和Label篇

K8S 專欄 —— namespace和Label篇

文章目錄 namespace創建namespacenamespace使用默認namespaceLabel添加Label查詢Labelnamespace 命名空間是一種用于在 kubernetes 集群中劃分資源的虛擬化手段，每個資源都屬于一個命名空間，使得多個團隊或應用可以在同一個集群中獨立運行，避免資源沖突。 創建namespace y…
閱讀更多...
44.第二階段x64游戲實戰-封包-分析掉落物列表id存放位置

44.第二階段x64游戲實戰-封包-分析掉落物列表id存放位置

免責聲明&#xff1a;內容僅供學習參考&#xff0c;請合法利用知識&#xff0c;禁止進行違法犯罪活動&#xff01; 本次游戲沒法給 內容參考于&#xff1a;微塵網絡安全 上一個內容&#xff1a;43.第二階段x64游戲實戰-封包-代碼實現獲取包裹物品 之前的內容找到了掉落物的…
閱讀更多...
匯編語言期末快速過手筆記

匯編語言期末快速過手筆記

一、計算機系統組成 計算機系統組成&#xff1a;由硬件系統和軟件系統組成 硬件系統&#xff1a;CPU、存儲器、輸入/輸出設備等物理部件軟件系統&#xff1a;操作系統、各種語言、系統軟件和應用軟件 匯編語言分類 屬于低級語言&#xff08;直接面向硬件&#xff09;與高級語言…
閱讀更多...
C++相比于C語言增加了哪些概念？

C++相比于C語言增加了哪些概念？

C相比于C語言增加了哪些概念&#xff1f; 作者將狼才鯨創建日期2025-06-17 CSDN閱讀地址&#xff1a;C相比于C語言增加了哪些概念&#xff1f;Gitee源碼目錄&#xff1a;qemu/demo_代碼示例/02_C_Class 目標受眾&#xff1a;熟悉C語言&#xff0c;對C完全不了解&#xff0c;但…
閱讀更多...
HarmonyOS5 分布式測試：斷網情況支付場景異常恢復驗證

HarmonyOS5 分布式測試：斷網情況支付場景異常恢復驗證

以下是針對HarmonyOS 5分布式事務在斷網支付場景下的異常恢復驗證全流程方案&#xff0c;綜合關鍵技術與測試策略&#xff1a; 一、核心事務機制驗證 ?兩階段提交&#xff08;2PC&#xff09;協議? 模擬支付流程中網絡中斷&#xff0c;驗證事務協調者能否正確處理預提交與回滾…
閱讀更多...
【狂飆AGI】第5課：前沿技術-文生圖（系列1）

【狂飆AGI】第5課：前沿技術-文生圖（系列1）

目錄 &#xff08;一&#xff09;繪畫本質&#xff08;二&#xff09;國內外AI轉繪展&#xff08;三&#xff09;創作思路&#xff08;四&#xff09;美學理論&#xff08;1&#xff09;不可能美學&#xff08;2&#xff09;趨無限美學&#xff08;3&#xff09;反物理美學&…
閱讀更多...
發那科A06B-6290-H124 伺服驅動器

發那科A06B-6290-H124 伺服驅動器

?FANUC A06B-6290-H124 伺服驅動器核心性能解析? ?一、核心控制能力? ?多模式精密控制? 位置控制?&#xff1a;支持高精度旋轉角度/直線位移調節&#xff08;分辨率達脈沖級&#xff09;&#xff0c;適用于數控機床定位&#xff08;誤差0.01mm級&#xff09;和機器人軌…
閱讀更多...
Spring Boot 項目啟動優化

Spring Boot 項目啟動優化

Spring Boot 項目啟動優化是一個非常重要的話題&#xff0c;尤其是在微服務和云原生環境下&#xff0c;快速啟動意味著更快的部署、更高效的彈性伸縮和更好的開發體驗。 下面我將從分析診斷、優化策略和終極方案三個層面&#xff0c;為你提供一個全面、可操作的優化指南。 一、…
閱讀更多...
最新文章

Copyright @ 2022~2023