milvus教程：collection和scheme

环境配置：可以看上一节

一.数据库使用

  1. 连接 Milvus Standalone
  2. 创建数据库 my_database_1（无额外属性）
  3. 创建数据库 my_database_2（设置副本数为 3）
  4. 列出所有数据库
  5. 查看默认数据库（default）详情
  6. 修改 my_database_1 属性：限制最大集合数为 10
  7. 删除 my_database_1 的 max.collections 限制
  8. 切换到 my_database_2（后续所有操作都作用于该库）
  9. 删除数据库
from pymilvus import MilvusClient, exceptions# ——————————————
# 1. 连接 Milvus Standalone
# ——————————————
# uri: 协议+地址+端口，默认为 http://docker_IP:19530
# token: "用户名:密码"，默认 root:Milvus
client = MilvusClient(uri="http://IP:19531",token="root:Milvus"
)# ——————————————
# 2. 创建数据库 my_database_1（无额外属性）
# ——————————————
try:client.create_database(db_name="my_database_1")print("✓ my_database_1 创建成功")
except exceptions.MilvusException:print("ℹ my_database_1 已存在")# ——————————————
# 3. 创建数据库 my_database_2（设置副本数为 3）
# ——————————————
client.create_database(db_name="my_database_2",properties={"database.replica.number": 3}
)
print("✓ my_database_2 创建成功，副本数=3")# ——————————————
# 4. 列出所有数据库
# ——————————————
db_list = client.list_databases()
print("当前所有数据库：", db_list)# ——————————————
# 5. 查看默认数据库（default）详情
# ——————————————
default_info = client.describe_database(db_name="default")
print("默认数据库详情：", default_info)# ——————————————
# 6. 修改 my_database_1 属性：限制最大集合数为 10
# ——————————————
client.alter_database_properties(db_name="my_database_1",properties={"database.max.collections": 10}
)
print("✓ 已为 my_database_1 限制最大集合数为 10")# ——————————————
# 7. 删除 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 的最大集合数限制")# ——————————————
# 8. 切换到 my_database_2（后续所有操作都作用于该库）
# ——————————————
client.use_database(db_name="my_database_2")
print("✓ 已切换当前数据库为 my_database_2")# ——————————————
# 9. 删除数据库 my_database_2
#    （注意：如果库内有 Collection，需先 client.drop_collection() 将其清空）
# ——————————————
client.drop_database(db_name="my_database_2")
print("✓ my_database_2 已删除")# ——————————————
# 10. 删除数据库 my_database_1
# ——————————————
client.drop_database(db_name="my_database_1")
print("✓ my_database_1 已删除")

✓ my_database_1 创建成功
✓ my_database_2 创建成功，副本数=3
当前所有数据库： ['my_database_1', 'my_database_2', 'default']
默认数据库详情： {'name': 'default'}
✓ 已为 my_database_1 限制最大集合数为 10
✓ 已移除 my_database_1 的最大集合数限制
✓ 已切换当前数据库为 my_database_2
✓ my_database_2 已删除
✓ my_database_1 已删除

二.Collection

Collection：在 Milvus 中，Collection（集合）是存储向量和其相关元数据的核心对象，可以类比为传统数据库中的“表”。

在这里插入图片描述

2.1.TTL

在 Milvus 中，设置 Collection 的 TTL（Time-To-Live）属性 是为了控制：

插入数据在内存中的生存时间，即：多长时间后这批数据会自动从内存中移除，不再参与检索。

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

这表示：

  • 插入到该集合中的数据，只会在内存中保留 60 秒
  • 超过 60 秒后，这部分数据就会自动被 Milvus 标记过期
  • 这些数据将不再参与 向量检索，也不会占用 检索内存资源

2.2.Milvus 是“冷热分离”的架构

在 Milvus 中，必须先将数据加载到内存（RAM）中，才能进行向量检索。

Milvus 为了高性能向量搜索，采用冷热数据分离设计：

数据状态存储位置能否检索说明
未加载磁盘 / 持久化❌ 不可检索仅存储，节省内存资源
已加载内存（RAM）✅ 可检索向量数据加载到内存才能计算相似度

2.3.Partition

Partition 是 Collection 内部的数据子集，用于逻辑分组、分批插入、加速查询。

✅ 为什么需要 Partition？

如果你要处理 大规模数据（百万、千万、甚至上亿条向量），把所有数据放在一个 Collection 中不够灵活：

  • 检索慢（因为全表搜索）
  • 不方便管理（比如不同用户/场景的数据混在一起）

引入 Partition 后，你可以：

  • 按条件划分数据（如按“用户”“时间”“类别”等）
  • 检索时只针对部分 Partition，提高速度
  • 分批管理加载 / 卸载 Partition，节省内存

📦 举个例子

比如你有一个集合 product_vectors，表示商品的向量数据。

你可以按商品类型创建分区：

Partition 名称内容说明
shoes所有鞋类商品向量
phones手机类商品向量
books图书类商品向量

检索时只搜索某个分区：

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

2.4.Alias

Alias 是指向某个 Collection 的“虚拟名称”，可以随时修改指向的真实集合，不影响客户端代码逻辑。

📌 举个例子：

你有两个 Collection：

  • products_v1：旧版本的商品向量集合
  • products_v2：新版本，已经完成向量更新

此时你可以创建一个别名：

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

客户端代码里一直用别名 products：

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

上线新模型后，只需切换别名指向：

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

这样做的好处？客户端代码不用改，就实现了“无感知热切换”。

❗ 注意事项

  • Alias 是 一对一映射：一个别名只能指向一个 Collection
  • 一个 Collection 可以被多个 alias 指向
  • 检索时如果用 alias，必须确保其所指 Collection 已加载（load_collection）
操作作用
create_alias(alias, collection)创建一个别名，初始指向某个 Collection
alter_alias(alias, new_collection)修改别名指向的 Collection，实现热切换
drop_alias(alias)删除别名
list_aliases(collection_name=...)查看某集合的所有别名

2.5.演示代码

from pymilvus import MilvusClient# ——————————————
# 0. 连接 Milvus
# ——————————————
client = MilvusClient(uri="http://IP:19530",token="root:Milvus"
)
print("✓ 已连接 Milvus接口")# ——————————————
# 1. 创建 Collection（快速模式）
# ——————————————
# 检查并删除已存在的集合
collection_name = "quick_setup"
if collection_name in client.list_collections():client.drop_collection(collection_name=collection_name)print(f"✓ 已删除已存在的集合 {collection_name}")# 没有定义scheme
# 使用快捷方式创建一个维度为 5 的向量集合（Quick Setup 模式）
client.create_collection(collection_name=collection_name,dimension=5
)
print(f"✓ {collection_name} 已创建")# ——————————————
# 2. 列出所有 Collections
# ——————————————
cols = client.list_collections()
print("当前所有集合：", cols)# ——————————————
# 3. 查看 Collection 详情
# ——————————————
info = client.describe_collection(collection_name=collection_name)
print(f"{collection_name} 详情：", 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"✓ 已删除已存在的集合 {new_collection_name}")client.rename_collection(old_name=collection_name,new_name=new_collection_name
)
print(f"✓ {collection_name} 已重命名为 {new_collection_name}")# ——————————————
# 5. 修改 Collection 属性（设置 TTL 60 秒）
# ——————————————
client.alter_collection_properties(collection_name=new_collection_name,properties={"collection.ttl.seconds": 60}
)
print(f"✓ 已为 {new_collection_name} 设置 TTL=60s")# ——————————————
# 6. 删除 Collection 属性（TTL）
# ——————————————
client.drop_collection_properties(collection_name=new_collection_name,property_keys=["collection.ttl.seconds"]
)
print(f"✓ 已删除 {new_collection_name} 的 TTL 属性")# ——————————————
# 7. 加载集合（将数据加载到内存中）
# ——————————————
client.load_collection(collection_name=new_collection_name)
state = client.get_load_state(collection_name=new_collection_name) # 检查加载状态
print("加载状态：", state)# ——————————————
# 8. 释放集合（将数据从内存中释放）
# ——————————————
client.release_collection(collection_name=new_collection_name)
state = client.get_load_state(collection_name=new_collection_name) # 检查释放状态
print("释放后状态：", state)# ——————————————
# 9. 管理 Partition
# ——————————————
# 9.1 列出 Partition（默认只有 "_default"）
parts = client.list_partitions(collection_name=new_collection_name)
print("Partition 列表：", parts)# 9.2 创建新 Partition
client.create_partition(collection_name=new_collection_name,partition_name="partA"
)
print("✓ 已创建 partition partA")
print("更新后 Partition 列表：", client.list_partitions(new_collection_name))# 9.3 检查 Partition 是否存在
exists = client.has_partition(collection_name=new_collection_name,partition_name="partA"
)
print("partA 存在？", exists)# 9.4 加载 & 释放 指定 Partition 【存入内存】
client.load_partitions(collection_name=new_collection_name,partition_names=["partA"]
)
print("partA 加载状态：", client.get_load_state(new_collection_name, partition_name="partA"))
# 释放 Partition
client.release_partitions(collection_name=new_collection_name,partition_names=["partA"]
)
print("partA 释放后状态：", client.get_load_state(new_collection_name, partition_name="partA"))# 9.5 删除 Partition（需先 release）
client.drop_partition(collection_name=new_collection_name,partition_name="partA"
)
print("✓ 已删除 partition partA")
print("最终 Partition 列表：", client.list_partitions(new_collection_name))# ——————————————
# 10. 管理 Alias
# ——————————————
# 10.1 创建 Alias
client.create_alias(collection_name=new_collection_name, alias="alias3")
client.create_alias(collection_name=new_collection_name, alias="alias4")
print("✓ 已创建 alias3, alias4")# 10.2 列出 Alias
aliases = client.list_aliases(collection_name=new_collection_name)
print("当前 aliases：", aliases)# 10.3 查看 Alias 详情
desc = client.describe_alias(alias="alias3")
print("alias3 详情：", desc)# 10.4 重新分配 Alias
client.alter_alias(collection_name=new_collection_name, alias="alias4")
print("✓ 已将 alias4 重新分配给 quick_renamed")# 10.5 删除 Alias
client.drop_alias(alias="alias3")
print("✓ 已删除 alias3")
print("剩余 aliases：", client.list_aliases(new_collection_name))# ——————————————
# 11. 删除 Collection
# ——————————————
client.drop_collection(collection_name=new_collection_name)
print(f"✓ 集合 {new_collection_name} 已删除")

✓ 已连接 Milvus接口
✓ quick_setup 已创建
当前所有集合： ['quick_setup']
quick_setup 详情： {'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 已重命名为 quick_renamed
✓ 已为 quick_renamed 设置 TTL=60s
✓ 已删除 quick_renamed 的 TTL 属性
加载状态： {'state': <LoadState: Loaded>}
释放后状态： {'state': <LoadState: NotLoad>}
Partition 列表： ['_default']
✓ 已创建 partition partA
更新后 Partition 列表： ['_default', 'partA']
partA 存在？ True
partA 加载状态： {'state': <LoadState: Loaded>}
partA 释放后状态： {'state': <LoadState: NotLoad>}
✓ 已删除 partition partA
最终 Partition 列表： ['_default']
✓ 已创建 alias3, alias4
当前 aliases： {'aliases': ['alias3', 'alias4'], 'collection_name': 'quick_renamed', 'db_name': 'default'}
alias3 详情： {'alias': 'alias3', 'collection_name': 'quick_renamed', 'db_name': 'default'}
✓ 已将 alias4 重新分配给 quick_renamed
✓ 已删除 alias3
剩余 aliases： {'aliases': ['alias4'], 'collection_name': 'quick_renamed', 'db_name': 'default'}
✓ 集合 quick_renamed 已删除

三.Scheme

schema 定义了 Collections 的数据结构。创建 Collections 时，需要根据自己的要求设计模式。

类似于，你将怎么定义表的结构（列名）

from pymilvus import MilvusClient, DataType# ——————————————
# 0. 连接 Milvus
# ——————————————
client = MilvusClient(uri="http://IP:19530",token="root:Milvus"
)
print("✓ 已连接 Milvus接口")# ——————————————
# 1. 创建基本 Schema
# ——————————————
schema = MilvusClient.create_schema()
print("✓ 已创建空 Schema")# ——————————————
# 2. 添加主键字段（Primary Field）
# ——————————————
# 2.1 INT64类型主键（手动指定ID）
schema.add_field(field_name="id",datatype=DataType.INT64,is_primary=True,  # 设置为主键auto_id=False     # 不自动生成ID
)# 2.2 VARCHAR类型主键（自动生成ID）
# schema.add_field(
#     field_name="doc_id",
#     datatype=DataType.VARCHAR,
#     is_primary=True,  # 设置为主键
#     auto_id=True,     # 自动生成ID
#     max_length=100    # VARCHAR类型需要指定最大长度
# )
print("✓ 已添加主键字段")# ——————————————
# 3. 添加向量字段（Vector Field）
# ——————————————
# 3.1 Dense Vector (浮点向量)
schema.add_field(field_name="text_vector",datatype=DataType.FLOAT_VECTOR,  # 32位浮点向量dim=768                          # 向量维度
)# 3.2 Binary Vector (二进制向量)
schema.add_field(field_name="image_vector",datatype=DataType.BINARY_VECTOR,  # 二进制向量dim=256                           # 维度必须是8的倍数
)
print("✓ 已添加向量字段")# ——————————————
# 4. 添加标量字段（Scalar Field）
# ——————————————
# 4.1 字符串字段
schema.add_field(field_name="title",datatype=DataType.VARCHAR,max_length=200,# 可以为空且有默认值is_nullable=True,default_value="untitled"
)# 4.2 数值字段
schema.add_field(field_name="age",datatype=DataType.INT32,is_nullable=False  # 不可为空
)# 4.3 布尔字段
schema.add_field(field_name="is_active",datatype=DataType.BOOL,default_value=True  # 默认值为True
)# 4.4 JSON字段
schema.add_field(field_name="metadata",datatype=DataType.JSON
)# 4.5 数组字段
schema.add_field(field_name="tags",datatype=DataType.ARRAY,element_type=DataType.VARCHAR,  # 数组元素类型max_capacity=10,                # 数组最大容量max_length=50                   # 每个元素最大长度
)
print("✓ 已添加标量字段")# ——————————————
# 5. 添加动态字段（Dynamic Field）
# ——————————————
# schema.add_field(
#     field_name="dynamic_field",
#     datatype=DataType.VARCHAR,
#     is_dynamic=True,    # 设置为动态字段
#     max_length=500
# )
print("✓ 已添加动态字段")# ——————————————
# 6. 使用Schema创建Collection
# ——————————————
collection_name = "document_store10"
client.create_collection(collection_name=collection_name,schema=schema
)
print(f"✓ 已创建集合 {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详情
# ——————————————
info = client.describe_collection(collection_name=collection_name)
print("Collection详情：", info)# ——————————————
# 9. 清理
# ——————————————
client.drop_collection(collection_name=collection_name)
print("✓ 已删除测试集合")

✓ 已连接 Milvus接口
✓ 已创建空 Schema
✓ 已添加主键字段
✓ 已添加向量字段
✓ 已添加标量字段
✓ 已添加动态字段
✓ 已创建集合 document_store10
Collection详情： {'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}
✓ 已删除测试集合

四.实体：Entity

在 Milvus 中，Entity（实体） 是指 插入到 Collection（集合）中的一条数据记录

✅ 举个例子

你要插入一张商品图像的向量表示到 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.实体：Upsert

当你需要更新集合中的实体，或者不确定是更新还是插入时，可以尝试使用 Upsert 操作。

务必确保 Upsert 请求中包含的实体包含主键，否则会报错。

  1. 检查Collection的主字段是否启用了AutoId。
    • 如果是，Milvus 会将实体中的主键替换为自动生成的主键，并插入数据。
    • 如果没有，Milvus 将使用实体携带的主键来插入数据。
  2. 根据Upsert请求中包含的Entity的主键值执行删除操作。
    在这里插入图片描述
from pymilvus import MilvusClient
import random# 连接到 Milvus
client = MilvusClient(uri="http://1.14.201.121:19530",token="root:Milvus"
)# 1. 创建集合
# 检查集合是否存在，如果存在则删除
if client.has_collection("quick_setup"):client.drop_collection("quick_setup")# 创建集合
client.create_collection(collection_name="quick_setup",dimension=5,  # vector 维度primary_field_name="id",vector_field_name="vector",id_type="int"
)print("集合创建成功")# 2. 插入实体(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. 更新实体
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更新结果:", res)# 4. 删除实体
res = client.delete(collection_name="quick_setup",ids=[0]
)
print("\n删除结果:", res)# 5. 查询实体
res = client.query(collection_name="quick_setup",filter="id in [1,2]",output_fields=["id", "color"]
)
print("\n查询结果:", res)

{'insert_count': 10, 'ids': [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]}
更新结果: {'upsert_count': 2}
删除结果: {'delete_count': 1}
查询结果: data: ["{'id': 1, 'color': 'updated_red_7025'}", "{'id': 2, 'color': 'orange_6781'}"]

六.Function

您可以在 Milvus 创建集合时设置函数来导出字段。例如，全文搜索功能使用用户自定义函数从特定的 varchar 字段导出稀疏向量字段。

七.Consistency Level（数据一致性）

分布式数据库系统通常使用一致性级别来定义跨数据节点和副本的数据相同性。

可以在创建集合或在集合内进行相似性搜索时设置单独的一致性级别。适用的一致性级别包括：Strong, Bounded Staleness, Session, Eventually

在这里插入图片描述

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

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.pswp.cn/diannao/87422.shtml
繁体地址，请注明出处：http://hk.pswp.cn/diannao/87422.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

14：00开始面试，14：06就出来了，问的问题有点变态。。。

14：00开始面试，14：06就出来了，问的问题有点变态。。。

从小厂出来&#xff0c;没想到在另一家公司又寄了。 到这家公司开始上班&#xff0c;加班是每天必不可少的&#xff0c;看在钱给的比较多的份上&#xff0c;就不太计较了。没想到6月一纸通知&#xff0c;所有人不准加班&#xff0c;加班费不仅没有了&#xff0c;薪资还要降40%…
阅读更多...
Electron（01）

Electron（01）

Electron Electron是什么 electron可以使用前端技术开发桌面应用&#xff0c;跨平台性&#xff0c;开发一套应用&#xff0c;可以打包到三个平台。 electron结合Chromium&#xff08;谷歌内核&#xff09;和 Node.js 和Native Api 当使用 Electron 时&#xff0c;很重要的一…
阅读更多...
Kafka 拦截器深度剖析：原理、配置与实践

Kafka 拦截器深度剖析：原理、配置与实践

引言 在构建高可用、可扩展的消息系统时&#xff0c;Kafka以其卓越的性能和稳定性成为众多企业的首选。而Kafka拦截器作为Kafka生态中强大且灵活的功能组件&#xff0c;能够在消息的生产和消费过程中实现自定义逻辑的注入&#xff0c;为消息处理流程带来极大的扩展性和可控性。…
阅读更多...
Flutter 与原生技术（Objective-C/Swift，java）的关系

Flutter 与原生技术（Objective-C/Swift，java）的关系

在 iOS 开发中&#xff0c;Flutter 与原生技术&#xff08;Objective-C/Swift&#xff09;的关系 一、技术定位与核心差异 Flutter 语言&#xff1a;使用Dart 语言开发&#xff0c;通过 AOT&#xff08;提前编译&#xff09;将代码转换为原生 ARM 指令&#xff0c;无需依赖 iOS…
阅读更多...
最新期刊影响因子，基本包含全部期刊

最新期刊影响因子，基本包含全部期刊

原文链接&#xff1a;2024年期刊最新影响因子&#xff08;IF&#xff09; 2024年期刊最新影响因子&#xff08;IF&#xff09; BioinfoR生信筆記 &#xff0c;注于分享生物信息学相关知识和R语言绘图教程。
阅读更多...
java 设计模式_行为型_14策略模式

java 设计模式_行为型_14策略模式

14.策略模式 策略模式作为一种软件设计模式&#xff0c;指对象有某个行为&#xff0c;但是在不同的场景中&#xff0c;该行为有不同的实现算法。 策略模式把这些算法&#xff0c;都抽取出来&#xff0c;组成一个一个的类&#xff0c;可以任意的替换&#xff0c;大大降低了代码…
阅读更多...
【AI Study】第四天，Pandas（9）- 进阶主题

【AI Study】第四天，Pandas（9）- 进阶主题

文章概要 本文详细介绍 Pandas 的进阶主题&#xff0c;包括&#xff1a; 自定义函数高级索引数据导出实际应用示例 自定义函数 函数应用 # 基本函数应用 def calculate_bonus(salary, performance):"""计算奖金Args:salary (float): 基本工资performance (…
阅读更多...
Boost dlib opencv vs2022 C++ 源码安装集成配置

Boost dlib opencv vs2022 C++ 源码安装集成配置

​在进行人脸检测开发时候出现 E1696: 无法打开源文件 "dlib/image_processing/frontal_face_detector.h 解决方案 1, 下载boost 需要：https://www.boost.org/ 或github git clone --recursive https://gitee.com/luozhonghua/boost.git 记住一定要完整版源码…
阅读更多...
rest_framework permission_classes 无效的解决方法

rest_framework permission_classes 无效的解决方法

写了一个特别简单的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.…
阅读更多...
Windows 体系对比 + 嵌入式开发全流程拆解

Windows 体系对比 + 嵌入式开发全流程拆解

一、操作系统层级对比&#xff1a;Windows 家族 vs Linux 家族 角色Windows 体系Linux 体系本质核心内核Windows NT KernelLinux Kernel操作系统引擎&#xff08;管理CPU/内存/硬件&#xff09;完整操作系统Windows 11 Home/ProUbuntu / Debian / CentOS内核 界面 软件 驱动…
阅读更多...
C# 实现 gRPC高级通信框架简单实现

C# 实现 gRPC高级通信框架简单实现

1. 前言 gRPC&#xff08;Google Remote Procedure Call&#xff09;是一个高性能、开源和通用的RPC框架&#xff0c;由Google主导开发。它支持多种编程语言&#xff0c;并广泛用于构建分布式应用程序和服务。gRPC基于HTTP/2协议&#xff0c;支持双向流、请求-响应和多请求-多…
阅读更多...
将项目推到Github

将项目推到Github

前提条件 需要安装GIT需要注册GitHub账号 步骤 首先我们需要登录我们的GITHUB账号&#xff0c;然后点击新建存储库 然后起一个名字&#xff0c;设置一些私有公开即可 创建完成之后&#xff0c;这里有可以远程推送的命令 后面就直接输出命令即可 之后推送即可 git push orig…
阅读更多...
K8S 专栏 —— namespace和Label篇

K8S 专栏 —— namespace和Label篇

文章目录 namespace创建namespacenamespace使用默认namespaceLabel添加Label查询Labelnamespace 命名空间是一种用于在 kubernetes 集群中划分资源的虚拟化手段，每个资源都属于一个命名空间，使得多个团队或应用可以在同一个集群中独立运行，避免资源冲突。 创建namespace y…
阅读更多...
44.第二阶段x64游戏实战-封包-分析掉落物列表id存放位置

44.第二阶段x64游戏实战-封包-分析掉落物列表id存放位置

免责声明&#xff1a;内容仅供学习参考&#xff0c;请合法利用知识&#xff0c;禁止进行违法犯罪活动&#xff01; 本次游戏没法给 内容参考于&#xff1a;微尘网络安全 上一个内容&#xff1a;43.第二阶段x64游戏实战-封包-代码实现获取包裹物品 之前的内容找到了掉落物的…
阅读更多...
汇编语言期末快速过手笔记

汇编语言期末快速过手笔记

一、计算机系统组成 计算机系统组成&#xff1a;由硬件系统和软件系统组成 硬件系统&#xff1a;CPU、存储器、输入/输出设备等物理部件软件系统&#xff1a;操作系统、各种语言、系统软件和应用软件 汇编语言分类 属于低级语言&#xff08;直接面向硬件&#xff09;与高级语言…
阅读更多...
C++相比于C语言增加了哪些概念？

C++相比于C语言增加了哪些概念？

C相比于C语言增加了哪些概念&#xff1f; 作者将狼才鲸创建日期2025-06-17 CSDN阅读地址&#xff1a;C相比于C语言增加了哪些概念&#xff1f;Gitee源码目录&#xff1a;qemu/demo_代码示例/02_C_Class 目标受众&#xff1a;熟悉C语言&#xff0c;对C完全不了解&#xff0c;但…
阅读更多...
HarmonyOS5 分布式测试：断网情况支付场景异常恢复验证

HarmonyOS5 分布式测试：断网情况支付场景异常恢复验证

以下是针对HarmonyOS 5分布式事务在断网支付场景下的异常恢复验证全流程方案&#xff0c;综合关键技术与测试策略&#xff1a; 一、核心事务机制验证 ‌两阶段提交&#xff08;2PC&#xff09;协议‌ 模拟支付流程中网络中断&#xff0c;验证事务协调者能否正确处理预提交与回滚…
阅读更多...
【狂飙AGI】第5课：前沿技术-文生图（系列1）

【狂飙AGI】第5课：前沿技术-文生图（系列1）

目录 &#xff08;一&#xff09;绘画本质&#xff08;二&#xff09;国内外AI转绘展&#xff08;三&#xff09;创作思路&#xff08;四&#xff09;美学理论&#xff08;1&#xff09;不可能美学&#xff08;2&#xff09;趋无限美学&#xff08;3&#xff09;反物理美学&…
阅读更多...
发那科A06B-6290-H124 伺服驱动器

发那科A06B-6290-H124 伺服驱动器

‌FANUC A06B-6290-H124 伺服驱动器核心性能解析‌ ‌一、核心控制能力‌ ‌多模式精密控制‌ 位置控制‌&#xff1a;支持高精度旋转角度/直线位移调节&#xff08;分辨率达脉冲级&#xff09;&#xff0c;适用于数控机床定位&#xff08;误差0.01mm级&#xff09;和机器人轨…
阅读更多...
Spring Boot 项目启动优化

Spring Boot 项目启动优化

Spring Boot 项目启动优化是一个非常重要的话题&#xff0c;尤其是在微服务和云原生环境下&#xff0c;快速启动意味着更快的部署、更高效的弹性伸缩和更好的开发体验。 下面我将从分析诊断、优化策略和终极方案三个层面&#xff0c;为你提供一个全面、可操作的优化指南。 一、…
阅读更多...
最新文章

Copyright @ 2022~2023