用大模型（qwen）提取知識三元組并構建可視化知識圖譜：從文本到圖譜的完整實現

引言

知識圖譜作為一種結構化的知識表示方式，在智能問答、推薦系統、數據分析等領域有著廣泛應用。在信息爆炸的時代，如何從非結構化文本中提取有價值的知識并進行結構化展示，是NLP領域的重要任務。知識三元組（Subject-Relation-Object）是知識圖譜的基本組成單元，通過大模型強大的語義理解能力，我們可以自動化提取這些三元組，并構建可交互的知識圖譜可視化界面。本文將介紹一個基于大模型的知識圖譜構建工具，它能從文本中自動提取知識三元組（主體-關系-客體），并通過可視化工具生成交互式知識圖譜。

這是運行結果獲得，如下圖示：

在這里插入圖片描述

一、核心依賴庫

在開始之前，確保已安裝以下依賴庫：

pip install networkx pyvis  # 知識圖譜構建與可視化
# 其他基礎庫：json, re, os（通常Python環境自帶）

而至于大模型環境，我們不在給出。

二、代碼整體結構解析

整個項目代碼主要包含四個核心模塊，形成"文本輸入→三元組提取→圖譜構建→可視化輸出"的完整流程：

# 核心模塊關系
文本輸入 → extract_triples() → 知識三元組 → build_knowledge_graph() → 圖譜數據 → visualize_knowledge_graph() → 可視化HTML

下面我們逐個解析關鍵模塊的實現邏輯。

1. 大模型調用與三元組提取（extract_triples函數）

該函數是整個流程的核心，負責調用大模型從文本中提取知識三元組。其關鍵實現思路如下：

大模型提示詞設計

為了讓大模型精準輸出符合要求的三元組，我們設計了嚴格的系統提示詞（System Prompt）：

system_prompt = """你是專業知識三元組提取器，嚴格按以下規則輸出：
1. 僅從文本提取(主體, 關系, 客體)三元組，忽略無關信息。
2. 必須用JSON數組格式返回，每個元素含"subject"、"relation"、"object"字段。
3. 輸出僅保留JSON數組，不要任何解釋、說明、代碼塊標記。
4. 確保JSON格式正確：引號用雙引號，逗號分隔，無多余逗號。
"""

提示詞明確了輸出格式要求，這是后續解析三元組的基礎。

流式響應處理

大模型通常采用流式輸出方式返回結果，我們需要持續接收并拼接響應內容：

full_response = ""
for chunk in stream_invoke(ll_model, messages):full_response += str(chunk)print(f"\r已接收 {len(full_response)} 字符...", end="")

這種處理方式能實時反饋進度，提升用戶體驗。

格式修復機制

大模型輸出可能存在格式問題（如引號不規范、多余逗號等），因此需要異常處理和格式修復：

try:return json.loads(full_response)
except json.JSONDecodeError:# 嘗試提取JSON結構并修復json_match = re.search(r'\[.*\]', full_response, re.DOTALL)if json_match:cleaned_response = json_match.group()cleaned_response = cleaned_response.replace("'", '"')  # 單引號轉雙引號cleaned_response = re.sub(r',\s*]', ']', cleaned_response)  # 移除末尾多余逗號try:return json.loads(cleaned_response)except json.JSONDecodeError as e:print(f"修復后仍解析失敗：{e}")return []

這一機制大幅提升了代碼的健壯性，即使大模型輸出格式略有瑕疵也能嘗試修復。

2. 知識圖譜構建（build_knowledge_graph函數）

提取三元組后，需要將其轉換為結構化的知識圖譜數據結構：

def build_knowledge_graph(triples):if not triples:return None  # 處理空三元組情況entities = set()# 收集所有實體（主體和客體都是實體）for triple in triples:entities.add(triple["subject"])entities.add(triple["object"])# 構建實體屬性字典entity_attributes = {entity: {"name": entity} for entity in entities}# 構建關系列表relations = [{"source": triple["subject"],"target": triple["object"],"type": triple["relation"]} for triple in triples]return {"entities": [{"id": entity, **attrs} for entity, attrs in entity_attributes.items()],"relations": relations}

這個函數的核心邏輯是：

  • 從三元組中提取所有唯一實體（去重）
  • 為每個實體創建基礎屬性（目前包含名稱）
  • 將三元組轉換為"源節點-目標節點-關系類型"的邊結構
  • 最終返回包含實體和關系的圖譜字典

3. 知識圖譜可視化（visualize_knowledge_graph函數）

可視化是知識圖譜的重要展示方式，本項目使用pyvis庫生成交互式HTML圖譜：

可視化配置與節點邊添加

# 初始化有向圖
net = Network(directed=True, height="700px", width="100%", bgcolor="#f5f5f5", font_color="black",notebook=False  # 關鍵配置：非Notebook環境
)# 添加節點
for entity in graph["entities"]:net.add_node(entity["id"],label=entity["name"],title=f"實體: {entity['name']}",color="#4CAF50"  # 綠色節點)# 添加邊（關系）
for relation in graph["relations"]:net.add_edge(relation["source"],relation["target"],label=relation["type"],title=relation["type"],color="#FF9800"  # 橙色邊)

這里的關鍵配置是notebook=False，解決了非Jupyter環境下的模板渲染錯誤問題。

布局與交互配置

通過JSON配置定義圖譜的視覺樣式和交互行為：

net.set_options("""
{"nodes": {"size": 30,"font": {"size": 14}},"edges": {"font": {"size": 12},"length": 200},"interaction": {"dragNodes": true,  # 允許拖拽節點"zoomView": true,   # 允許縮放"dragView": true    # 允許拖拽視圖}
}
""")

這些配置確保生成的圖譜具有良好的可讀性和交互性。

容錯機制與備選方案

為應對HTML生成失敗的情況，代碼設計了備選可視化方案：

try:net.write_html(output_file, open_browser=False)
except Exception as e:# 備選方案：使用matplotlib生成靜態PNGimport matplotlib.pyplot as pltplt.figure(figsize=(12, 8))pos = nx.spring_layout(nx.DiGraph([(r["source"], r["target"]) for r in graph["relations"]]))nx.draw_networkx_nodes(pos, node_size=3000, node_color="#4CAF50")nx.draw_networkx_labels(pos, labels={e["id"]: e["name"] for e in graph["entities"]})nx.draw_networkx_edges(pos, edgelist=[(r["source"], r["target"]) for r in graph["relations"]], arrowstyle="->")nx.draw_networkx_edge_labels(pos, edge_labels={(r["source"], r["target"]): r["type"] for r in graph["relations"]})plt.savefig(output_file.replace(".html", ".png"))

這種雙重保障機制確保即使pyvis出現問題，也能獲得基礎的可視化結果。

4. 主流程控制（process_text_to_graph函數）

該函數整合了前面的所有模塊，形成完整的"文本→三元組→圖譜→可視化"流程：

def process_text_to_graph(text):print("正在從文本中提取知識三元組...")triples = extract_triples(text)if not triples:print("未能提取到任何知識三元組")return Noneprint(f"成功提取 {len(triples)} 個知識三元組：")for i, triple in enumerate(triples, 1):print(f"{i}. ({triple['subject']}, {triple['relation']}, {triple['object']})")print("\n正在構建知識圖譜...")graph = build_knowledge_graph(triples)if not graph:print("構建知識圖譜失敗")return Noneprint("\n正在生成知識圖譜可視化...")output_file = visualize_knowledge_graph(graph)return output_file

流程清晰，包含了必要的日志輸出和異常判斷，方便用戶跟蹤進度和排查問題。

三、使用方法與示例

運行示例

if __name__ == "__main__":sample_text = """愛因斯坦是一位著名的物理學家，他出生于德國。1905年，愛因斯坦提出了相對論。相對論徹底改變了人們對時間和空間的理解。愛因斯坦因光電效應獲得了1921年諾貝爾物理學獎。他后來移居美國，并在普林斯頓大學工作。愛因斯坦與玻爾就量子力學的解釋有過著名的爭論。"""process_text_to_graph(sample_text)

輸出結果

運行后會得到以下輸出：

正在從文本中提取知識三元組...
正在接收大模型流式響應...
已接收 236 字符...
流式響應接收完成，開始解析...
成功提取 6 個知識三元組：
1. (愛因斯坦, 是, 物理學家)
2. (愛因斯坦, 出生于, 德國)
3. (愛因斯坦, 提出, 相對論)
4. (相對論, 改變, 人們對時間和空間的理解)
5. (愛因斯坦, 獲得, 1921年諾貝爾物理學獎)
6. (愛因斯坦, 工作于, 普林斯頓大學)正在構建知識圖譜...
正在生成知識圖譜可視化...
知識圖譜已保存至 /path/to/knowledge_graph.html

打開生成的knowledge_graph.html文件，可看到交互式知識圖譜，支持節點拖拽、縮放和平移操作。

代碼運行圖示：
在這里插入圖片描述

四、完整代碼

運行知識圖譜完整代碼，該代碼需要調用大模型構建的代碼。我只是作為列子給出知識圖譜的prompt方法。你可以根據graphrag等方式來提取知識圖譜或更專業的方式來提取。

大模型調用完整代碼

from langchain_openai import ChatOpenAI
import sys
import os
sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), "..")))# 給出大語言模型默認參數字典的導入內容
llm_config = {"deepseek_1.5b": {"model_name": "deepseek-r1:1.5b","api_url": "http://162.130.245.26:9542/v1","api_key": "sk-RJaJE4fXaktHAI2MB295F6Ad58004feBcE25B83CdD6F0","embedding_ctx_length": 8191,"chunk_size": 1000,"max_retries": 2,"timeout": None,  # 請求超時時間，默認為 None"default_headers": None,  # 默認請求頭"default_query": None,  # 默認查詢參數"retry_min_seconds": 4,"retry_max_seconds": 20,},"deepseek_14b": {"model_name": "deepseek-r1:14b","api_url": "http://162.130.245.26:9542/v1","api_key": "sk-RJaJE4fXaktHAI2MB295F6Ad58004feBcE25B83CdD6F0","embedding_ctx_length": 8191,"chunk_size": 1000,"max_retries": 2,"timeout": None,  # 請求超時時間，默認為 None"default_headers": None,  # 默認請求頭"default_query": None,  # 默認查詢參數"retry_min_seconds": 4,"retry_max_seconds": 20,},"deepseek_32b": {"model_name": "deepseek-r1:32b","api_url": "http://162.130.245.26:9542/v1","api_key": "sk-RJaJE4fXaktHAI2MB295F6Ad58004feBcE25B83CdD6F0","embedding_ctx_length": 8191,"chunk_size": 1000,"max_retries": 2,"timeout": None,  # 請求超時時間，默認為 None"default_headers": None,  # 默認請求頭"default_query": None,  # 默認查詢參數"retry_min_seconds": 4,"retry_max_seconds": 20,},"qwen3_14b": {"model_name": "qwen3:14b","api_url": "http://192.145.216.20:7542/v1","api_key": "sk-RJaJE4fXaktHAI2M295F6Ad58004f7eBcE25B863CdD6F0","embedding_ctx_length": 8191,"chunk_size": 1000,"max_retries": 2,"timeout": None,  # 請求超時時間，默認為 None"default_headers": None,  # 默認請求頭"default_query": None,  # 默認查詢參數"retry_min_seconds": 4,"retry_max_seconds": 20,},"qwen3_32b": {"model_name": "qwen3:32b","api_url": "http://192.145.216.20:7542/v1","api_key": "sk-RJaJE4fXaktHAI2MB295F6d58004f7eBcE255B863CdD6F0","embedding_ctx_length": 8191,"chunk_size": 1000,"max_retries": 2,"timeout": 60,  # 請求超時時間，默認為 None"default_headers": None,  # 默認請求頭"default_query": None,  # 默認查詢參數"retry_min_seconds": 4,"retry_max_seconds": 20,},}def stream_invoke(llm_model,prompt):"""prompt可以做成2種方式，方式一：from langchain.schema import HumanMessagemessages = [HumanMessage(content=prompt)]方式二：{"role": "user", "content": question}"""full_response = ""results = llm_model.stream(prompt)for chunk in results:print(chunk.content, end="", flush=True)  # 逐塊輸出full_response += chunk.contentreturn full_responsedef invoke( llm_model,prompt):"""調用模型生成響應。:param prompt: 輸入的提示文本:return: 模型生成的響應內容"""response = llm_model.invoke(prompt)print(response)return response.content
def build_model(mode="deepseek_32b"):config = llm_config[mode]model_name = config["model_name"]api_key = config["api_key"]    api_url = config["api_url"]LLM = ChatOpenAI(model=model_name,openai_api_key=api_key,openai_api_base=api_url)return LLMdef remove_think(answer, split_token='</think>'):"""處理模型響應，分離 think 內容和實際回答。:param answer: 模型的完整響應:param split_token: 分隔符，默認為 </think>:return: 實際回答和 think 內容"""parts = answer.split(split_token)content = parts[-1].lstrip("\n")think_content = None if len(parts) <= 1 else parts[0]return contentif __name__ == "__main__":llm_model = build_model(mode="qwen3_14b")# print(llm_model)stream_invoke(llm_model,"解釋大語言模型LLM")

知識圖譜提取完整代碼

from Models.LLM_Models import build_model, stream_invoke
import networkx as nx
from pyvis.network import Network
import json
import re
import os  # 新增：用于處理文件路徑# 初始化大模型
ll_model = build_model()def extract_triples(text):"""使用stream_invoke從文本中提取知識三元組"""system_prompt = """你是專業知識三元組提取器，嚴格按以下規則輸出：1. 僅從文本提取(主體, 關系, 客體)三元組，忽略無關信息。2. 必須用JSON數組格式返回，每個元素含"subject"、"relation"、"object"字段。3. 輸出僅保留JSON數組，** 不要任何解釋、說明、代碼塊標記（如```json）**。4. 確保JSON格式正確：引號用雙引號，逗號分隔，無多余逗號。示例輸出：[{"subject":"愛因斯坦","relation":"是","object":"物理學家"},{"subject":"愛因斯坦","relation":"提出","object":"相對論"}]"""user_input = f"從以下文本提取三元組，嚴格按示例格式輸出：\n{text}"messages = [{"role": "system", "content": system_prompt},{"role": "user", "content": user_input}]# 接收流式響應print("正在接收大模型流式響應...")full_response = ""for chunk in stream_invoke(ll_model, messages):# 根據實際返回格式調整，有些stream_invoke可能需要chunk["content"]full_response += str(chunk)print(f"\r已接收 {len(full_response)} 字符...", end="")print("\n流式響應接收完成，開始解析...")full_response = full_response.strip()# 格式修復try:return json.loads(full_response)except json.JSONDecodeError:print("首次解析失敗，嘗試修復格式...")json_match = re.search(r'\[.*\]', full_response, re.DOTALL)if json_match:cleaned_response = json_match.group()cleaned_response = cleaned_response.replace("'", '"')cleaned_response = re.sub(r',\s*]', ']', cleaned_response)try:return json.loads(cleaned_response)except json.JSONDecodeError as e:print(f"修復后仍解析失敗：{e}")return []else:print("未找到有效JSON結構")return []def build_knowledge_graph(triples):"""構建知識圖譜數據結構"""if not triples:return None  # 新增：處理空三元組情況entities = set()for triple in triples:entities.add(triple["subject"])entities.add(triple["object"])entity_attributes = {entity: {"name": entity} for entity in entities}relations = [{"source": triple["subject"],"target": triple["object"],"type": triple["relation"]} for triple in triples]return {"entities": [{"id": entity, **attrs} for entity, attrs in entity_attributes.items()],"relations": relations}def visualize_knowledge_graph(graph, output_file="knowledge_graph.html"):"""修復可視化函數，解決模板渲染錯誤"""if not graph:print("無法可視化空圖譜")return None# 確保輸出目錄存在output_dir = os.path.dirname(output_file)if output_dir and not os.path.exists(output_dir):os.makedirs(output_dir, exist_ok=True)# 初始化圖時指定notebook=False（關鍵修復）net = Network(directed=True, height="700px", width="100%", bgcolor="#f5f5f5", font_color="black",notebook=False  # 新增：明確指定非 notebook 環境)# 添加節點和邊for entity in graph["entities"]:net.add_node(entity["id"],label=entity["name"],title=f"實體: {entity['name']}",color="#4CAF50")for relation in graph["relations"]:net.add_edge(relation["source"],relation["target"],label=relation["type"],title=relation["type"],color="#FF9800")# 簡化配置選項，避免復雜JSON解析問題net.set_options("""{"nodes": {"size": 30,"font": {"size": 14}},"edges": {"font": {"size": 12},"length": 200},"interaction": {"dragNodes": true,"zoomView": true,"dragView": true}}""")# 直接使用write_html方法，避免show()的復雜邏輯try:net.write_html(output_file, open_browser=False)print(f"知識圖譜已保存至 {os.path.abspath(output_file)}")return output_fileexcept Exception as e:print(f"生成HTML時出錯: {e}")# 嘗試備選方案：使用networkx的基本可視化import matplotlib.pyplot as pltplt.figure(figsize=(12, 8))pos = nx.spring_layout(nx.DiGraph([(r["source"], r["target"]) for r in graph["relations"]]))nx.draw_networkx_nodes(pos, node_size=3000, node_color="#4CAF50")nx.draw_networkx_labels(pos, labels={e["id"]: e["name"] for e in graph["entities"]})nx.draw_networkx_edges(pos, edgelist=[(r["source"], r["target"]) for r in graph["relations"]], arrowstyle="->")nx.draw_networkx_edge_labels(pos, edge_labels={(r["source"], r["target"]): r["type"] for r in graph["relations"]})plt.savefig(output_file.replace(".html", ".png"))print(f"已生成PNG備選可視化: {output_file.replace('.html', '.png')}")return output_file.replace(".html", ".png")def process_text_to_graph(text):"""端到端處理流程"""print("正在從文本中提取知識三元組...")triples = extract_triples(text)if not triples:print("未能提取到任何知識三元組")return Noneprint(f"成功提取 {len(triples)} 個知識三元組：")for i, triple in enumerate(triples, 1):print(f"{i}. ({triple['subject']}, {triple['relation']}, {triple['object']})")print("\n正在構建知識圖譜...")graph = build_knowledge_graph(triples)if not graph:print("構建知識圖譜失敗")return Noneprint("\n正在生成知識圖譜可視化...")output_file = visualize_knowledge_graph(graph)return output_file# 示例用法
if __name__ == "__main__":sample_text = """愛因斯坦是一位著名的物理學家，他出生于德國。1905年，愛因斯坦提出了相對論。相對論徹底改變了人們對時間和空間的理解。愛因斯坦因光電效應獲得了1921年諾貝爾物理學獎。他后來移居美國，并在普林斯頓大學工作。愛因斯坦與玻爾就量子力學的解釋有過著名的爭論。"""process_text_to_graph(sample_text)

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/web/89321.shtml
繁體地址，請注明出處：http://hk.pswp.cn/web/89321.shtml
英文地址，請注明出處：http://en.pswp.cn/web/89321.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

（附源碼）基于 Go 和 gopacket+Fyne 的跨平臺網絡抓包工具開發實錄

（附源碼）基于 Go 和 gopacket+Fyne 的跨平臺網絡抓包工具開發實錄

基于 Go 和 gopacket Fyne 的跨平臺網絡抓包工具開發實錄 一、項目背景 在網絡安全、協議分析、運維排查等場景中&#xff0c;抓包工具是不可或缺的利器。Wireshark 雖然功能強大&#xff0c;但對于部分初學者或有定制需求的開發者來說&#xff0c;學習曲線較陡&#xff0c;且…
閱讀更多...
Langchain和Faiss搭建本地知識庫對比

Langchain和Faiss搭建本地知識庫對比

對比 對比維度及優缺點分析對比維度LangChain&#xff08;封裝 FAISS&#xff09;直接使用 FAISS易用性? 高&#xff0c;提供高級封裝&#xff0c;簡化開發流程? 中等&#xff0c;需要熟悉 FAISS API學習成本? 低&#xff0c;適合快速開發? 高&#xff0c;需要掌握 FAISS 的…
閱讀更多...
Java常用命令匯總

Java常用命令匯總

JDK 工具命令jps&#xff08;Java Virtual Machine Process Status Tool&#xff09;命令示例&#xff1a;jps -l 應用場景&#xff1a;列出當前系統中所有Java進程的PID和主類名&#xff0c;常用于快速定位Java應用的進程ID。javac&#xff08;Java Compiler&#xff09;命令示…
閱讀更多...
Llama 2：開放基礎模型與微調聊天模型

Llama 2：開放基礎模型與微調聊天模型

溫馨提示&#xff1a; 本篇文章已同步至"AI專題精講" Llama 2&#xff1a;開放基礎模型與微調聊天模型 摘要 在本研究中&#xff0c;我們開發并發布了 Llama 2&#xff0c;一組預訓練和微調的大型語言模型&#xff08;LLMs&#xff09;&#xff0c;其規模從 70 億參…
閱讀更多...
ThinkPHP 8 在 Apache 下啟用偽靜態

ThinkPHP 8 在 Apache 下啟用偽靜態

ThinkPHP 8 在 Apache 下啟用偽靜態&#xff0c;需要配置 .htaccess 文件并確保 Apache 支持 URL 重寫。以下是詳細設置步驟&#xff1a;1. 啟用 Apache 重寫模塊首先確保 Apache 的 mod_rewrite 模塊已啟用。編輯 Apache 配置文件&#xff08;通常是 /etc/apache2/apache2.con…
閱讀更多...
Android開發中Retrofit使用方法與底層原理詳解

Android開發中Retrofit使用方法與底層原理詳解

Retrofit 是 Android 開發中一個 類型安全、基于注解、高度解耦 的 RESTful HTTP 客戶端庫&#xff0c;由 Square 公司開發。它極大地簡化了 Android 應用與 Web 服務進行網絡交互的過程。 核心價值&#xff1a; 聲明式 API 定義&#xff1a; 使用 Java/Kotlin 接口和注解描述 …
閱讀更多...
基于FPGA的IIC控制EEPROM讀寫（2）

基于FPGA的IIC控制EEPROM讀寫（2）

基于FPGA的IIC控制EEPROM讀寫 文章目錄基于FPGA的IIC控制EEPROM讀寫一、EEPROM簡介二、代碼實現——個人理解1、狀態機2、仿真效果3、上板驗證4、代碼top.viic_master.vuart三、代碼實現——復用性較高的IIC模塊1、框架設計2、狀態機設計3、仿真效果4、上板驗證5、代碼top.viic…
閱讀更多...
C# 界面程序在23H2型號系統中無法退出

C# 界面程序在23H2型號系統中無法退出

20250716記錄 環境&#xff1a;c# winform問題描述&#xff1a;主界面退出直接使用了Environment.Exit(0); 程序假死&#xff0c;無法關閉解決措施&#xff1a;//使用 this.Close();以下代碼目標&#xff1a;執行完程序自身后&#xff0c;刪除指定文件&#xff08;可用于程序文…
閱讀更多...
Kafka——集群核心參數配置

Kafka——集群核心參數配置

引言在分布式系統中&#xff0c;Kafka 憑借其高吞吐量、低延遲和強大的擴展性&#xff0c;成為數據管道和流處理的首選解決方案。然而&#xff0c;要充分發揮 Kafka 的性能和穩定性&#xff0c;正確配置集群參數至關重要。為什么參數配置如此重要&#xff1f;Kafka 的參數配置直…
閱讀更多...
單臂路由實現VLAN互通實驗

單臂路由實現VLAN互通實驗

實驗拓撲圖實驗需求&#xff1a;按照圖示為 PC3 和 PC4 配置 IP 地址和網關PC3 屬于 Vlan10&#xff0c;PC4 屬于 Vlan20&#xff0c;配置單臂路由實現 Vlan10 和 Vlan20 三層互通PC3 和 PC4 可以互通實驗步驟&#xff1a;1.PC 配置 IP 地址2.PC3 屬于 Vlan10&#xff0c;PC4 屬…
閱讀更多...
基于漸進式遷移學習網絡（PTLN）?的小樣本故障診斷模型

基于漸進式遷移學習網絡（PTLN）?的小樣本故障診斷模型

目錄 一、研究背景與挑戰? ?二、創新方法：漸進式遷移學習網絡（PTLN）?? ?1. 核心架構?編輯 ?2. 訓練優化? 三、核心代碼 四、實驗結果與優勢? ?1. 數據集? ?2. 性能對比? ?3. 關鍵驗證? 五、工程價值與未來方向? 六、補充信息? 一、研究背景與挑…
閱讀更多...
網絡原理 —— HTTP

網絡原理 —— HTTP

通過網絡初識&#xff0c;我們認識了網絡的協議棧&#xff0c;TCP/IP 分為五層&#xff1a;應用層&#xff0c;傳輸層&#xff0c;網絡層&#xff0c;數據鏈路層&#xff0c;物理層。也介紹了其中的關鍵協議。而這些協議的理解&#xff0c;是我們寫網絡代碼的基礎。 應用層&…
閱讀更多...
docker--安裝--原理

docker--安裝--原理

安裝 鏈接 啟動之后&#xff0c;docker狀態查看&#xff1a; sudo systemctl status docker 添加普通用戶到docker用戶組&#xff1a; sudo usermod -aG docker $USER# 重啟或者使用以下命令刷新組權限&#xff1a;newgrp docker 原理
閱讀更多...
Java并發第一篇（從零開始：一文讀懂Java并發編程核心基礎）

Java并發第一篇（從零開始：一文讀懂Java并發編程核心基礎）

從零開始&#xff1a;一文讀懂Java并發編程核心基礎一. 為什么需要并發編程&#xff1f;二. 并發編程的“另一面”&#xff1a;挑戰與代價2.1 頻繁的上下文切換2.2 線程安全問題&#xff08;如&#xff1a;死鎖&#xff09;三. 夯實基礎&#xff1a;必須掌握的核心概念與操作3.…
閱讀更多...
【刪庫跑路】一次刪除pip的所有第三方庫

【刪庫跑路】一次刪除pip的所有第三方庫

進入命令行&#xff0c;先list看下庫存pip list導出所有的第三方庫至一文件列表pip freeze >requirements.txt按照列表卸載所有庫pip uninstall -r requirements.txt -y再list看下&#xff0c;可見庫存已清空
閱讀更多...
python 【技術面試題和HR面試題】?列表操作、條件判斷、循環、函數定義編程題

python 【技術面試題和HR面試題】?列表操作、條件判斷、循環、函數定義編程題

1.技術面試題 &#xff08;1&#xff09;解釋Linux中的進程、線程和守護進程的概念&#xff0c;以及如何管理它們&#xff1f; 答&#xff1a; 進程 概念&#xff1a;程序運行的實例&#xff0c;有獨立資源&#xff08;如內存&#xff09;&#xff0c;是系統調度的基本單位。 管…
閱讀更多...
Debian 12中利用dpkg命令安裝MariaDB 11.8.2

Debian 12中利用dpkg命令安裝MariaDB 11.8.2

MariaDB 11.8解決了2038問題&#xff0c;即在32位系統中將timestamp從2038-01-19 03:14:07 UTC擴展到2106-02-07 06:28:15 UTC&#xff0c;向后延長了68年。由于寫此文時Debian 12的源中還沒有MariaDB 11.8,采用源碼編譯又太費時&#xff0c;可用二進制碼或dpkg安裝 .下面簡要記…
閱讀更多...
Go語言高并發聊天室（三）：性能優化與壓力測試

Go語言高并發聊天室（三）：性能優化與壓力測試

Go語言高并發聊天室&#xff08;三&#xff09;&#xff1a;性能優化與壓力測試 &#x1f3af; 本篇目標 在前兩篇文章中&#xff0c;我們完成了聊天室的基礎功能。本篇將深入性能優化&#xff0c;實現真正的高并發&#xff1a; &#x1f50d; 性能瓶頸分析? 關鍵優化技術&…
閱讀更多...
【leetcode】852. 山脈數組的封頂索引

【leetcode】852. 山脈數組的封頂索引

文章目錄題目題解1. 遍歷2. 二分查找題目 852. 山脈數組的封頂索引 給定一個長度為 n 的整數 山脈 數組 arr &#xff0c;其中的值遞增到一個 峰值元素 然后遞減。 返回峰值元素的下標。 你必須設計并實現時間復雜度為 O(log(n)) 的解決方案。 示例 1&#xff1a; 輸入&a…
閱讀更多...
Java期末考試準備

Java期末考試準備

文章目錄Java期末考試準備一、Java的輸入.next()輸入.nextLine()輸入區別補充二、Java的輸出三、類中常寫方法toString()equals()其他四、容器/數組五、繼承六、靜態屬性、方法.七、抽象類八、接口九、初始化模塊十、泛型考完結束語Java學習歷程注:這篇文章本來是寫給同學的&am…
閱讀更多...
最新文章

Copyright @ 2022~2023