大數據畢業設計選題推薦：護膚品店鋪運營數據可視化分析系統詳解

🍊作者：計算機畢設匠心工作室
🍊簡介：畢業后就一直專業從事計算機軟件程序開發，至今也有8年工作經驗。擅長Java、Python、微信小程序、安卓、大數據、PHP、.NET|C#、Golang等。
擅長：按照需求定制化開發項目、 源碼、對代碼進行完整講解、文檔撰寫、ppt制作。
🍊心愿：點贊 👍 收藏 ?評論 📝
👇🏻 精彩專欄推薦訂閱 👇🏻 不然下次找不到喲~
Java實戰項目
Python實戰項目
微信小程序|安卓實戰項目
大數據實戰項目
PHP|C#.NET|Golang實戰項目
🍅 ↓↓文末獲取源碼聯系↓↓🍅

這里寫目錄標題

  • 基于大數據的護膚品店鋪運營數據可視化分析系統-功能介紹
  • 基于大數據的護膚品店鋪運營數據可視化分析系統-選題背景意義
  • 基于大數據的護膚品店鋪運營數據可視化分析系統-技術選型
  • 基于大數據的護膚品店鋪運營數據可視化分析系統-視頻展示
  • 基于大數據的護膚品店鋪運營數據可視化分析系統-圖片展示
  • 基于大數據的護膚品店鋪運營數據可視化分析系統-代碼展示
  • 基于大數據的護膚品店鋪運營數據可視化分析系統-結語

基于大數據的護膚品店鋪運營數據可視化分析系統-功能介紹

基于大數據的護膚品店鋪運營數據可視化分析系統是一套集數據采集、處理、分析和可視化展示于一體的綜合性運營管理平臺。系統采用Hadoop分布式文件系統存儲海量護膚品銷售數據，通過Spark大數據處理引擎進行高效的數據清洗和分析計算，運用Python進行數據挖掘和機器學習算法實現，后端基于Django框架構建RESTful API接口，前端采用Vue+ElementUI+Echarts技術棧打造直觀的數據可視化界面。系統核心功能涵蓋用戶畫像分析、消費行為深度挖掘、用戶增長趨勢監控和渠道效果評估四大模塊，能夠實現對護膚品店鋪用戶的年齡構成、性別比例、地域分布、會員等級分析，深入解析用戶的品類偏好、消費能力和購買習慣，追蹤新用戶注冊激活情況和活躍度變化，評估不同推廣渠道的獲客質量和轉化效果。通過K-Means聚類算法對用戶進行價值分群，為店鋪制定精準的營銷策略和運營決策提供科學的數據支撐，助力護膚品電商企業實現數據驅動的精細化運營管理。

基于大數據的護膚品店鋪運營數據可視化分析系統-選題背景意義

選題背景
隨著電子商務的蓬勃發展和消費者購買習慣的數字化轉變，護膚品行業正經歷著前所未有的市場變革。傳統的護膚品銷售模式逐漸向線上線下融合的新零售模式轉型，消費者的購買決策越來越依賴于個性化推薦和精準營銷。護膚品作為典型的個人護理產品，具有用戶粘性強、復購率高、品類豐富的特點，每日產生的交易數據、用戶行為數據、產品瀏覽數據呈現爆炸式增長態勢。面對這些海量且復雜的多維數據，傳統的數據處理方式已無法滿足實時分析和深度挖掘的需求。護膚品店鋪經營者迫切需要一套能夠處理大規模數據、提供實時洞察的運營分析系統，來理解用戶偏好、優化產品配置、提升營銷效果。大數據技術的成熟為解決這一問題提供了技術基礎，通過構建基于Hadoop和Spark的分布式數據處理平臺，能夠有效應對護膚品零售業務中數據量大、處理復雜、實時性要求高的挑戰。

選題意義
本系統的開發具有重要的理論探索價值和實踐應用意義。從技術層面來看，將大數據處理技術應用于護膚品零售行業的數據分析，為電商數據挖掘領域提供了新的應用場景和解決方案，驗證了Hadoop+Spark技術架構在處理零售業務數據方面的有效性和穩定性。從商業實踐角度而言，系統通過用戶畫像構建、消費行為分析、渠道效果評估等功能模塊，能夠幫助護膚品店鋪深入了解目標客戶群體的特征和需求，制定更加精準的產品推薦策略和營銷方案，提高客戶滿意度和忠誠度。系統的實施可以優化庫存管理，減少滯銷風險，提升運營效率，為中小型護膚品電商提供了一套成本相對較低的數據化運營解決方案。同時，本項目的開發過程也為計算機專業學生提供了一個將理論知識與實際應用相結合的實踐平臺，加深對大數據處理流程、數據可視化技術、用戶行為分析方法的理解和掌握，提升解決復雜業務問題的綜合能力。

基于大數據的護膚品店鋪運營數據可視化分析系統-技術選型

大數據框架：Hadoop+Spark（本次沒用Hive，支持定制）
開發語言：Python+Java（兩個版本都支持）
后端框架：Django+Spring Boot(Spring+SpringMVC+Mybatis)（兩個版本都支持）
前端：Vue+ElementUI+Echarts+HTML+CSS+JavaScript+jQuery
詳細技術點：Hadoop、HDFS、Spark、Spark SQL、Pandas、NumPy
數據庫：MySQL

基于大數據的護膚品店鋪運營數據可視化分析系統-視頻展示

基于大數據的護膚品店鋪運營數據可視化分析系統

基于大數據的護膚品店鋪運營數據可視化分析系統-圖片展示

在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述

基于大數據的護膚品店鋪運營數據可視化分析系統-代碼展示

from pyspark.sql import SparkSession
from pyspark.sql.functions import col, count, avg, sum as spark_sum, desc, when, isnan, isnull, split, regexp_replace
from pyspark.ml.clustering import KMeans
from pyspark.ml.feature import VectorAssembler, StandardScaler
from pyspark.sql.types import IntegerType, FloatType
from django.http import JsonResponse
from django.views import View
import json
import numpy as npspark = SparkSession.builder.appName("CosmeticShopAnalysis").config("spark.sql.adaptive.enabled", "true").config("spark.sql.adaptive.coalescePartitions.enabled", "true").getOrCreate()class UserProfileAnalysisView(View):def post(self, request):df = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/cosmetic_shop").option("dbtable", "user_data").option("user", "root").option("password", "password").load()df_cleaned = df.filter(col("年齡分組").isNotNull() & col("性別").isNotNull() & col("省份").isNotNull())age_analysis = df_cleaned.groupBy("年齡分組").agg(count("用戶ID").alias("用戶數量")).orderBy(desc("用戶數量"))gender_analysis = df_cleaned.groupBy("性別").agg(count("用戶ID").alias("用戶數量"))gender_percentage = gender_analysis.withColumn("占比", col("用戶數量") * 100.0 / df_cleaned.count())region_analysis = df_cleaned.groupBy("省份").agg(count("用戶ID").alias("用戶數量")).orderBy(desc("用戶數量")).limit(10)member_analysis = df_cleaned.groupBy("會員狀態").agg(count("用戶ID").alias("用戶數量"))activation_analysis = df_cleaned.groupBy("是否激活用戶").agg(count("用戶ID").alias("用戶數量"))activation_rate = activation_analysis.filter(col("是否激活用戶") == "是").collect()[0]["用戶數量"] / df_cleaned.count() * 100age_result = [{"age_group": row["年齡分組"], "user_count": row["用戶數量"]} for row in age_analysis.collect()]gender_result = [{"gender": row["性別"], "user_count": row["用戶數量"], "percentage": row["占比"]} for row in gender_percentage.collect()]region_result = [{"province": row["省份"], "user_count": row["用戶數量"]} for row in region_analysis.collect()]member_result = [{"member_status": row["會員狀態"], "user_count": row["用戶數量"]} for row in member_analysis.collect()]return JsonResponse({"age_analysis": age_result, "gender_analysis": gender_result, "region_analysis": region_result, "member_analysis": member_result, "activation_rate": round(activation_rate, 2)})class ConsumptionBehaviorAnalysisView(View):def post(self, request):df = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/cosmetic_shop").option("dbtable", "user_data").option("user", "root").option("password", "password").load()df_cleaned = df.filter(col("偏好品類").isNotNull() & col("累計消費金額").isNotNull() & col("購買次數").isNotNull())df_numeric = df_cleaned.withColumn("累計消費金額", col("累計消費金額").cast(FloatType())).withColumn("購買次數", col("購買次數").cast(IntegerType()))category_sales = df_numeric.groupBy("偏好品類").agg(spark_sum("累計消費金額").alias("總銷售額"), count("用戶ID").alias("用戶數量")).orderBy(desc("總銷售額"))age_category_preference = df_numeric.groupBy("年齡分組", "偏好品類").agg(count("用戶ID").alias("用戶數量")).withColumn("row_num", row_number().over(Window.partitionBy("年齡分組").orderBy(desc("用戶數量")))).filter(col("row_num") == 1).select("年齡分組", "偏好品類", "用戶數量")member_consumption = df_numeric.groupBy("會員狀態").agg(avg("累計消費金額").alias("平均消費金額"), count("用戶ID").alias("用戶數量")).orderBy(desc("平均消費金額"))df_with_unit_price = df_numeric.withColumn("客單價", when(col("購買次數") > 0, col("累計消費金額") / col("購買次數")).otherwise(0))unit_price_ranges = df_with_unit_price.withColumn("客單價區間", when(col("客單價") <= 50, "0-50元").when(col("客單價") <= 100, "51-100元").when(col("客單價") <= 200, "101-200元").when(col("客單價") <= 500, "201-500元").otherwise("500元以上"))unit_price_analysis = unit_price_ranges.groupBy("客單價區間").agg(count("用戶ID").alias("用戶數量"), avg("客單價").alias("平均客單價")).orderBy(desc("用戶數量"))feature_cols = ["購買次數", "累計消費金額"]assembler = VectorAssembler(inputCols=feature_cols, outputCol="features")df_vector = assembler.transform(df_numeric.fillna(0))scaler = StandardScaler(inputCol="features", outputCol="scaled_features")scaler_model = scaler.fit(df_vector)df_scaled = scaler_model.transform(df_vector)kmeans = KMeans(k=3, seed=42, featuresCol="scaled_features", predictionCol="用戶價值分群")kmeans_model = kmeans.fit(df_scaled)df_clustered = kmeans_model.transform(df_scaled)cluster_analysis = df_clustered.groupBy("用戶價值分群").agg(count("用戶ID").alias("用戶數量"), avg("累計消費金額").alias("平均消費金額"), avg("購買次數").alias("平均購買次數"))cluster_labels = {0: "高價值用戶", 1: "中價值用戶", 2: "低價值用戶"}category_result = [{"category": row["偏好品類"], "total_sales": row["總銷售額"], "user_count": row["用戶數量"]} for row in category_sales.collect()]age_preference_result = [{"age_group": row["年齡分組"], "preferred_category": row["偏好品類"], "user_count": row["用戶數量"]} for row in age_category_preference.collect()]member_result = [{"member_status": row["會員狀態"], "avg_consumption": row["平均消費金額"], "user_count": row["用戶數量"]} for row in member_consumption.collect()]unit_price_result = [{"price_range": row["客單價區間"], "user_count": row["用戶數量"], "avg_unit_price": row["平均客單價"]} for row in unit_price_analysis.collect()]cluster_result = [{"cluster_id": cluster_labels.get(row["用戶價值分群"], f"用戶群{row['用戶價值分群']}"), "user_count": row["用戶數量"], "avg_consumption": row["平均消費金額"], "avg_purchase_times": row["平均購買次數"]} for row in cluster_analysis.collect()]return JsonResponse({"category_sales": category_result, "age_category_preference": age_preference_result, "member_consumption": member_result, "unit_price_analysis": unit_price_result, "user_clustering": cluster_result})class ChannelEffectAnalysisView(View):def post(self, request):df = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/cosmetic_shop").option("dbtable", "user_data").option("user", "root").option("password", "password").load()df_cleaned = df.filter(col("注冊渠道").isNotNull() & col("累計消費金額").isNotNull() & col("是否激活用戶").isNotNull())df_numeric = df_cleaned.withColumn("累計消費金額", col("累計消費金額").cast(FloatType())).withColumn("優惠券使用次數", col("優惠券使用次數").cast(IntegerType())).withColumn("推薦次數", col("推薦次數").cast(IntegerType())).withColumn("接受推薦人數", col("接受推薦人數").cast(IntegerType()))channel_user_count = df_numeric.groupBy("注冊渠道").agg(count("用戶ID").alias("用戶數量")).orderBy(desc("用戶數量"))channel_consumption = df_numeric.groupBy("注冊渠道").agg(avg("累計消費金額").alias("平均消費金額"), count("用戶ID").alias("用戶數量")).orderBy(desc("平均消費金額"))channel_activation = df_numeric.groupBy("注冊渠道").agg((spark_sum(when(col("是否激活用戶") == "是", 1).otherwise(0)) * 100.0 / count("用戶ID")).alias("激活率"), count("用戶ID").alias("總用戶數")).orderBy(desc("激活率"))coupon_effect = df_numeric.withColumn("優惠券使用區間", when(col("優惠券使用次數") == 0, "未使用").when(col("優惠券使用次數") <= 2, "1-2次").when(col("優惠券使用次數") <= 5, "3-5次").otherwise("5次以上"))coupon_analysis = coupon_effect.groupBy("優惠券使用區間").agg(avg("累計消費金額").alias("平均消費金額"), count("用戶ID").alias("用戶數量")).orderBy(desc("平均消費金額"))recommendation_total = df_numeric.agg(spark_sum("推薦次數").alias("總推薦次數"), spark_sum("接受推薦人數").alias("總接受推薦人數")).collect()[0]recommendation_accept_rate = recommendation_total["總接受推薦人數"] / recommendation_total["總推薦次數"] * 100 if recommendation_total["總推薦次數"] > 0 else 0top_channels_by_roi = df_numeric.groupBy("注冊渠道").agg((spark_sum("累計消費金額") / count("用戶ID")).alias("人均貢獻收入"), count("用戶ID").alias("用戶數量"), (spark_sum(when(col("是否激活用戶") == "是", 1).otherwise(0)) * 100.0 / count("用戶ID")).alias("激活率")).orderBy(desc("人均貢獻收入")).limit(5)channel_performance_score = top_channels_by_roi.withColumn("綜合評分", col("人均貢獻收入") * 0.6 + col("激活率") * 0.4).orderBy(desc("綜合評分"))channel_count_result = [{"channel": row["注冊渠道"], "user_count": row["用戶數量"]} for row in channel_user_count.collect()]channel_consumption_result = [{"channel": row["注冊渠道"], "avg_consumption": row["平均消費金額"], "user_count": row["用戶數量"]} for row in channel_consumption.collect()]channel_activation_result = [{"channel": row["注冊渠道"], "activation_rate": row["激活率"], "total_users": row["總用戶數"]} for row in channel_activation.collect()]coupon_result = [{"coupon_usage": row["優惠券使用區間"], "avg_consumption": row["平均消費金額"], "user_count": row["用戶數量"]} for row in coupon_analysis.collect()]channel_performance_result = [{"channel": row["注冊渠道"], "revenue_per_user": row["人均貢獻收入"], "activation_rate": row["激活率"], "performance_score": row["綜合評分"]} for row in channel_performance_score.collect()]return JsonResponse({"channel_user_distribution": channel_count_result, "channel_consumption_quality": channel_consumption_result, "channel_activation_rates": channel_activation_result, "coupon_effectiveness": coupon_result, "recommendation_accept_rate": round(recommendation_accept_rate, 2), "channel_performance_ranking": channel_performance_result})

基于大數據的護膚品店鋪運營數據可視化分析系統-結語

👇🏻 精彩專欄推薦訂閱 👇🏻 不然下次找不到喲~
Java實戰項目
Python實戰項目
微信小程序|安卓實戰項目
大數據實戰項目
PHP|C#.NET|Golang實戰項目
🍅 主頁獲取源碼聯系🍅

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/news/919396.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/919396.shtml
英文地址，請注明出處：http://en.pswp.cn/news/919396.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

【github-action 如何為github action設置secrets/environment】

【github-action 如何為github action設置secrets/environment】

Using secrets in GitHub Actions 在 GitHub Actions 中使用密鑰 Learn how to create secrets at the repository, environment, and organization levels for GitHub Actions workflows. 學習如何在倉庫、環境和組織級別為 GitHub Actions 工作流創建密鑰。 Creating secre…
閱讀更多...
寶塔面板Docker安裝n8n漢化中文

寶塔面板Docker安裝n8n漢化中文

一、Docker安裝N8N 安裝配置默認即可&#xff0c;如果端口已被使用&#xff0c;可以自行更改 當狀態為運行中時&#xff0c;就可以點擊端口&#xff1a;訪問N8N 填寫完信息后&#xff0c;點擊下一步&#xff08;郵箱要能接收郵件&#xff1a;接收密鑰&#xff09; 點開始 點擊發…
閱讀更多...
F003疫情傳染病數據可視化vue+flask+mysql

F003疫情傳染病數據可視化vue+flask+mysql

編號:F003 文章結尾有CSDN官方提供的學長的聯系方式&#xff01;&#xff01; 歡迎關注B站 ? vue flask 前后端分離架構 ? 實現中國地圖、柱狀圖、折線圖、水地圖、環圖等多種圖形的echarts可視化分析 視頻 vueflask爬蟲 新冠疫情大屏實現 python 可視化分析項目源碼1 系統…
閱讀更多...
plantsimulation知識點25.8.19 工件不在RGV中心怎么辦？

plantsimulation知識點25.8.19 工件不在RGV中心怎么辦？

如果出現這種情況&#xff0c;工件不在RGV的中心該怎么處理。首先說一下出現這種情況的原因。因為模擬的是兩臺RGV共同托舉一個工件移動&#xff0c;實際上RGV控制的代碼還是寫在一條軌道的傳感器控制代碼中。另一臺RGV只是從動的&#xff0c;工件也是在其中任意一臺RGV上&…
閱讀更多...
redis-sentinel基礎概念及部署

redis-sentinel基礎概念及部署

一. 引言&#xff1a;Redis Sentinel 是 redis 官方提供的高可用解決方案&#xff0c;主要用于監控 Redis 主從集群&#xff0c;在主節點故障時自動完成故障轉移&#xff0c;確保服務持續可用。二. 核心功能1. 監控&#xff08;monitoring&#xff09;&#xff1a;持續檢查主節…
閱讀更多...
LangChain RAG 簡述

LangChain RAG 簡述

在 LangChain 中實現 RAG&#xff08;檢索增強生成&#xff0c;Retrieval-Augmented Generation&#xff09;的核心思路是&#xff1a;讓大模型在生成回答前&#xff0c;先從外部知識庫&#xff08;如文檔、數據庫等&#xff09;中檢索相關信息&#xff0c;再基于檢索到的內容生…
閱讀更多...
GEO 優化專家孟慶濤：技術破壁者重構 AI 時代搜索邏輯

GEO 優化專家孟慶濤：技術破壁者重構 AI 時代搜索邏輯

在生成式 AI 重塑全球搜索生態的浪潮中&#xff0c;中國 GEO&#xff08;生成式引擎優化&#xff09;領域的開拓者孟慶濤以 "智能決策革命" 的技術框架&#xff0c;顛覆了傳統 "發發文章" 的簡單認知。作為遼寧粵穗網絡科技有限公司總經理兼 GEO 實驗室主任…
閱讀更多...
用relation-graph構建關系圖譜 vue版

用relation-graph構建關系圖譜 vue版

用relation-graph構建關系圖譜 vue版vue文件和Json數據vue文件和Json數據 <template><div><div style"margin-top:0px;width: calc(100% - 10px);height:calc(100vh);"><RelationGraph ref"graphRef" :options"graphOptions&qu…
閱讀更多...
Python基礎-控制結構

Python基礎-控制結構

控制結構是編程語言中用來控制程序執行流程的語句。Python提供了條件語句、循環語句等控制結構&#xff0c;讓程序能夠根據不同條件執行不同的代碼塊。 程序執行流程圖&#xff1a; ┌───────────────────────────────────────────…
閱讀更多...
Java算法之排序

Java算法之排序

下面我們將講述七大基于比較的排序算法的基本原理及實現。并從穩定性、時間復雜度、空間復雜度3種性能對每種排序進行分析。 重點&#xff1a;快速排序和堆排序&#xff1b;難點&#xff1a;快速排序和歸并排序 目錄 一、排序概念 二、常見排序算法的實現 2.1 插入排序 2.…
閱讀更多...
RabbitMQ：SpringAMQP 多消費者綁定同一隊列

RabbitMQ：SpringAMQP 多消費者綁定同一隊列

目錄一、案例需求二、代碼實現三、總結生產者源碼 消費者源碼 一、案例需求 模擬WorkQueue&#xff0c;實現一個隊列綁定多個消費者。 在RabbitMQ的控制臺創建一個隊列&#xff0c;命名為work.queue。在生產者服務中定義測試方法&#xff0c;在1s內產生50條消息&#xff0c;…
閱讀更多...
Java技術總監的成長之路（技術干貨分享）

Java技術總監的成長之路（技術干貨分享）

以下是針對 ?Java技術總監? 在 Linux 環境下搭建企業級開發環境的完整指南&#xff0c;涵蓋 JDK 配置、工程工具鏈、協作平臺及性能優化方案&#xff1a; 本文章僅提供學習&#xff0c;切勿將其用于不法手段&#xff01; 一、核心環境搭建 1. ?JDK 安裝與調優? ?版本選擇…
閱讀更多...
C++代碼解釋：實現一個 mystring 類，用于表示字符串，實現構造函數，默認構造長度為 10 的空間，提供打印字符串，獲取空間大小，修改內容的成員函數

C++代碼解釋：實現一個 mystring 類，用于表示字符串，實現構造函數，默認構造長度為 10 的空間，提供打印字符串，獲取空間大小，修改內容的成員函數

題目代碼#include <cstring> // 包含字符串處理函數庫&#xff0c;如strlen、strncpy等 #include <iostream> // 包含輸入輸出流庫&#xff0c;用于cout等操作 using namespace std; // 使用標準命名空間&#xff0c;避免重復書寫std::class mystring { // 定…
閱讀更多...
如何解決IDEA/Datagrip無法連接數據庫的問題：解決方法為添加參數-Djava.net.preferIPv4Stack=true

如何解決IDEA/Datagrip無法連接數據庫的問題：解決方法為添加參數-Djava.net.preferIPv4Stack=true

如何解決IDEA/Datagrip無法連接數據庫的問題&#xff1a;解決方法為添加參數-Djava.net.preferIPv4Stacktrue 引言 在開發過程中&#xff0c;我們常常使用集成開發環境&#xff08;IDE&#xff09;如 IntelliJ IDEA 或 JetBrains DataGrip 來與數據庫進行交互。然而&#xff…
閱讀更多...
走進數字時代，融入數字生活，構建數字生態

走進數字時代，融入數字生活，構建數字生態

一、準備在IT行業深耕十七年&#xff0c;始終專注于企業生產經營中的實際應用問題&#xff0c;歷經開發、測試、運維、實施、架構設計等多個技術崗位&#xff0c;并參與肉制品的生產與銷售業務&#xff0c;推進了企業主業的市場管理落地&#xff0c;積累了業務與信息技術融合的…
閱讀更多...
【Vue開發】在Vite+Vue3項目中實現離線Iconify圖標方案

【Vue開發】在Vite+Vue3項目中實現離線Iconify圖標方案

在ViteVue3項目中實現離線Iconify圖標方案 項目背景 當前項目需要部署到無網絡連接的離線環境&#xff0c;因此需要將Iconify圖標集打包到項目構建結果中&#xff0c;實現完全離線使用。 技術環境 框架: Vue 3構建工具: Vite核心依賴:"iconify/json": "^2.2…
閱讀更多...
Kotlin 協程之Channel

Kotlin 協程之Channel

前言 在之前的文章中&#xff0c;我們已經知道了協程的啟動、掛起、取消、異常以及常用的協程作用域等基礎應用。 這些基礎應用適合的場景是一次性任務&#xff0c;執行完就結束了的場景。 launch / async 適合的場景 網絡請求數據庫查詢文件讀寫并行計算任務等等 Channel …
閱讀更多...
linux系統裝google chrome，amd64

linux系統裝google chrome，amd64

google chrome官網最下邊其他平臺&#xff0c;linux 查看自己的系統架構&#xff08;用下邊這行代碼查看&#xff09;&#xff0c;看看是amd還是 &#xff0c;我的顯示amd64&#xff0c;amd對應.deb,rpm對應x86 &#xff0c;選擇下載 dpkg --print-architecture 然后 sudo…
閱讀更多...
【C++基礎】C++ 中const與volatile關鍵字深度解析：從面試考點到底層實現

【C++基礎】C++ 中const與volatile關鍵字深度解析：從面試考點到底層實現

在 C 開發崗位的面試中&#xff0c;const與volatile關鍵字是高頻考點之一。這兩個關鍵字看似簡單&#xff0c;但實際上蘊含著豐富的語義和底層機制。本文從基礎語法到高級應用&#xff0c;結合大廠真題&#xff0c;深入解析這兩個關鍵字的奧秘。一、const關鍵字&#xff1a;常量…
閱讀更多...
達夢分布式集群DPC_故障分析_yxy

達夢分布式集群DPC_故障分析_yxy

達夢分布式集群DPC_節點故障分析1 DPC核心概念回顧2 場景1-主庫故障3 場景2-少數備庫故障4 場景3-多數節點故障4.1 多數節點故障&#xff08;包括主庫&#xff09;4.2 多數備庫節點故障&#xff08;不包括主庫&#xff09;1 DPC核心概念回顧 達夢分布式集群DPC&#xff0c;基于…
閱讀更多...
最新文章

Copyright @ 2022~2023