- 博客(62)
- 收藏
- 关注
RSS订阅原创 20250319 工作随笔 水晶报表的修改(.rpx)
Label和TextBox：用于静态文本和动态数据。Line和Shape：用于分割和装饰。Picture：用于插入图片。ReportInfo：用于显示页码、总页数和打印时间等报表信息。使用可以灵活定制ReportInfo的显示格式。
2025-03-19 09:25:51
964
原创 20250307隨筆 使用 A5 SQL 打开 .a5er 文件以及生成建表語句
文件后，你可以查询某个表的名称以及生成数据表的 SQL 脚本。你可以用这个 SQL 在数据库中创建相同的表。如果你想获取某张表的。
2025-03-07 14:50:12
586
原创 20250305随笔 HTML2Canvas 详解与使用指南
是一个用于将 HTML 页面或特定 DOM 元素转换为 Canvas 画布的 JavaScript 库。它通过解析 HTML 和 CSS，生成等效的 Canvas 图像，从而实现网页截图功能。
2025-03-05 21:42:02
408
原创 20250226 工作隨筆 C#文件拷貝
並根據不同條件進行校驗與回滾。，並根據不同條件進行校驗與回滾。方面都有了明顯提升 🎯。方面都有了明顯提升 🎯。，表示操作是否成功。，表示操作是否成功。
2025-02-26 16:34:57
980
原创 20250219 隨筆 [特殊字符] 查看短鏈的實現方式與解決方案優化
透過MQ（消息隊列）配合冗餘雙寫策略來解決分庫分表帶來的解析問題，並確保數據在多庫之間的最終一致性。為減少查詢複雜性並提升查詢效率，將數據按照業務角色分為賣家庫與買家庫。買家庫：賣家庫：目的：確保買家庫與賣家庫之間數據同步，支持多角度高效查詢。具體方案：在分庫分表與冗餘雙寫的場景下，分佈式事務是關鍵問題，尤其是確保數據在多庫間的一致性。問題：解決方案： ✅ 使用 MQ 實現最終一致性優勢：在 分庫分表架構 下，WebRelease 搭配 MQ + 冗餘雙寫 的策略，不僅能解決短鏈解析的庫表定位問題，同時通
2025-02-19 14:46:08
500
原创 20250219 隨筆 [特殊字符] 使用 Sharding-JDBC 時未配置分片規則的表如何通過默認數據源定位？
Sharding-JDBC 是一款來自 Apache ShardingSphere 的分布式數據庫中間件，主要用於支持 分庫分表、分布式事務 和 數據庫治理，且對應用層無侵入。在使用 Sharding-JDBC 時，通常需要為需要分庫分表的表進行分片規則（Sharding Rule）配置。但並不是所有表都需要分片，有些表（如參數表、字典表等）本身數據量較小或不適合分片。當 Sharding-JDBC 檢測到某個表在配置中未定義分片規則時，系統會自動將該表映射到配置文件中聲明的默認數據源。💡 解釋：
2025-02-19 14:36:52
673
原创 20250218 隨筆 垂直分库分表（Vertical Sharding） 和 水平分库分表（Horizontal Sharding）
它们在大规模数据库优化、分布式架构设计中至关重要，主要用于。不同的业务数据存储在不同的数据库中，每个数据库只处理自己相关的业务，提高效率。如果你有具体的业务场景，可以告诉我，我可以给你更详细的架构设计建议！：不同业务拆分到不同数据库，查询、写入性能提升。：数据分布在多个数据库或表，查询、写入速度更快。等功能，如果所有数据都存放在一个数据库。各个数据库可以独立扩展，互不影响。避免单表数据过大，提高查询速度。：可以继续增加数据库或表，支持。查询，需要在应用层处理。，适用于大规模系统架构。：需要分布式事务，如。
2025-02-18 14:34:10
838
原创 20250217 随笔 详细解析 preHandle 方法的作用、流程、优化方案
在 Web 应用中，我们需要对用户请求进行身份认证，防止未授权访问。
2025-02-17 12:03:56
588
原创 20250214 随笔 Elasticsearch（ES）索引数据 vs. 业务数据库冗余双写
都是常见的数据同步方案。在高并发数据查询场景下，
2025-02-14 13:04:14
1030
原创 20250214 随笔 Nginx 负载均衡在数据库中的应用
如果系统使用多个独立的 MySQL 实例（无主从关系），我们可以让数据库请求均匀分布到不同的数据库上，防止某个实例负载过高。在高并发环境下，数据库的性能往往是系统的瓶颈。为了提高数据库的吞吐能力、优化请求分配、减少单点故障，我们可以使用。，它允许我们将数据库请求分发到多个数据库服务器上，从而提高并发能力，减少某一台数据库的压力。这就是完整的文章内容，现在你可以轻松复制了！在数据库架构设计中，我们可以利用 Nginx 进行。，里面可以包含多台数据库服务器。，以及不同场景下的最佳实践。是主要的数据库实例，而。
2025-02-14 10:44:24
1108
原创 20250213 隨筆 自增id與業務id
中，通常会在业务表（Business Table）中。，由于它们是随机生成的，会导致索引分裂，影响性能。中，自增 ID 可能会带来。，这样做的目的是为了兼顾。
2025-02-13 16:04:05
645
原创 20250213 随笔 PV（Page View） 和 UV（Unique Visitor）
是两个常见的访问统计指标，它们用于衡量短链的流量情况。在短链（短网址）系统中，
2025-02-13 14:03:02
255
原创 20250213 隨筆 雪花算法
但使用時需要考慮機器 ID 分配、時鐘同步等問題。如果業務場景對 ID 長度較為敏感，則可以考慮基於雪花算法的變種方案來縮短 ID 位數。在 2010 年開發的一種。如果 64-bit ID。
2025-02-13 12:41:39
897
原创 20250213 隨筆 讀寫分離（Read-Write Splitting）
讀寫分離 是一種 資料庫架構優化方案，它的核心思想是 將「寫操作」和「讀操作」分離，分別交給不同的資料庫伺服器處理，以提高性能、擴展性和並發能力。在傳統的單一資料庫架構中，所有的 增、刪、改、查（CRUD）操作都發生在同一個資料庫上，這樣會導致：為了解決這些問題，我們使用「讀寫分離」架構，讓：通常，讀寫分離使用 主從（Master-Slave）架構 來實現，典型架構如下： Master 負責寫入：所有的寫操作（INSERT/UPDATE/DELETE）都發送到 主庫，並同步到從庫。 Slave 負
2025-02-13 09:34:31
756
原创 20250212 ThreadLocal
以下是一篇介紹的文章，包含了從「HTTP 請求與執行緒」的背景，到的用途、原理和使用注意事項的完整說明。
2025-02-12 14:25:43
929
原创 20250124 Flink 增量聚合 vs 全量聚合
以下通过对比 **增量聚合** 和 **全量聚合（ProcessWindowFunction）** 的工作机制，结合具体示例解释其原理和优势。| **场景** | **增量聚合** | **全量聚合** |Long sum = iterable.iterator().next();- **增量聚合**：仅保存聚合中间结果（如 `sum=100`, `max=50`）。
2025-01-24 14:36:33
1462
原创 20250120 Flink 中的 Rescaling 算子
可以把 Flink 的 Rescaling 想象成一家工厂的生产线。如果工厂原本有 5 条生产线，但由于订单增加，需要增加到 10 条生产线，那么工厂就会对生产资源进行重新分配。类似地，Flink 的 Rescaling 就是调整流处理任务中“工人”的数量。就是 Flink 中对任务的并行度（Parallelism）进行调整的过程。简单来说，就是在任务运行时或重新部署时，改变 Flink 应用中算子的工作线程数量，使其能够更好地适应数据量的变化或资源的可用性。
2025-01-20 16:53:21
681
原创 20250120 Flink 的 缓冲区超时（Buffer Timeout）
机制确实类似于一辆车等待乘客的过程，如果车每次只载一个乘客就发车，会导致效率低下，资源浪费。同样，在Flink的数据流处理中，缓冲区超时的设置对吞吐量和延迟的权衡至关重要。通过合理配置缓冲区超时，可以在Flink中实现吞吐量和延迟之间的最佳平衡。选择缓冲区超时值时，需要根据应用的。
2025-01-20 13:15:34
996
原创 20250120 深入了解 Apache Flink 的 Checkpointing
当任务因故障而中断时，Flink可以从最近一次成功的Checkpoint恢复，继续任务执行，而无需重新处理已经完成的数据。当任务重启时，Flink会从最近的偏移量开始重新消费数据，确保数据不会丢失或重复处理。在实时流处理任务中，保证数据的一致性和任务的容错性是至关重要的，而Flink的。如果你正在使用Flink进行实时流处理任务，Checkpoint是你必须深入了解和掌握的关键机制！通过合理配置Checkpoint，可以确保Flink作业在高负载和分布式环境下的可靠运行。
2025-01-20 13:07:19
1279
原创 20250118 Flink中的延迟执行机制和数据处理的逻辑拓扑结构（向圖）
【代码】20250118 Flink中的延迟执行机制和数据处理的逻辑拓扑结构（向圖）
2025-01-17 12:45:54
1100
原创 隨筆20241226 ExcdlJs 將數據寫入excel
ExcelJS是一個功能強大的 Node.js 庫，可以用來創建、讀取和修改 Excel 文件。本文將重點介紹如何基於模板生成 Excel 文件，並進行數據填充、圖片插入和頁面設置。
2024-12-26 08:27:36
778
原创 Electron小案例
在窗体2渲染进程中通过按钮点击事件更新状态，并将状态传递给主进程。主进程监听窗体2的关闭事件，在关闭窗体2时，将状态传递给窗体1。窗体1渲染进程接收到状态后，根据状态值执行相应的操作。这种方式使得窗体2的关闭操作和状态更新能够实时传递给窗体1，从而实现了你希望的交互功能。在 Electron 中，event是一个事件对象，通常在事件监听函数中作为第一个参数传递给回调函数。它包含有关事件的各种信息，具体内容取决于事件的类型。event对象。
2024-12-09 22:04:27
990
原创 Flink随笔 20241203 Flink重点内容
TaskManager 和 JobManager 的内存和并行度配置通过和来配置 TaskManager 的内存和任务槽数。和配置 JobManager 的内存大小和主机地址。JobManager 的调度策略通过来配置作业失败后的恢复策略（如自动重启）。Checkpoint 配置通过来配置Checkpoint的周期，来指定状态后端。通过对这些配置的合理调整，Flink 可以根据不同的业务需求提供高效、容错、可扩展的流式计算服务。希望这些解析能帮助你更好地理解 Flink 的核心概念。
2024-12-03 08:19:00
918
原创 Flink随笔 20241129 流数据处理：以生产线烤鸡为例理解 Flink
流数据（streaming data）就像是一条永不停歇的生产线，源源不断地向前推进，带来新的数据。而 Apache Flink 就是这条生产线的核心，它负责对数据进行处理、分类、聚合和存储。下面，我们将通过这个类比一步步讲解 Flink 的核心概念，并展示如何在 Flink 中实现这些操作。
2024-11-29 15:30:47
1109
原创 随笔20241126 Kafka 消费者的自动提交与手动提交偏移量详解
Kafka 消费者的偏移量提交是保障数据消费准确性的重要环节。自动提交通过后台定期提交偏移量，简化了开发者的工作，但在一些情况下会导致消息的重复消费。手动提交则为开发者提供了更精确的控制，能够确保数据在被正确处理后才提交偏移量，适用于对一致性要求高的业务场景。根据业务需求，合理选择偏移量提交方式，可以有效提升 Kafka 消费系统的稳定性和数据一致性，从而确保系统在处理大规模数据流时的可靠性。希望本文能帮助你更好地理解 Kafka 消费者的自动和手动提交机制，为你的项目选择合适的方案。
2024-11-26 16:55:09
1069
原创 随笔20241126 ShardingSphere-Proxy 的特性。
数据库代理：ShardingSphere-Proxy 作为代理，负责将应用程序的请求路由到正确的数据库节点上，并处理诸如分片和读写分离等逻辑。协议封装：它支持 MySQL 和 PostgreSQL 的原生协议，使得所有与数据库的交互看起来就像是在和真实的 MySQL 或 PostgreSQL 数据库通信。透明性：对应用程序而言，它完全看不到底层的复杂性，只需要与 ShardingSphere-Proxy 通信，而代理会处理背后的所有分布式架构。客户端兼容性。
2024-11-26 05:03:15
664
原创 随笔20241126 S和Harding JDBC的 结果归并
结果归并是 ShardingJDBC 处理分布式查询的关键环节，它负责将多个分片的数据合并为一个完整的结果，以提供透明的分片管理。通过对查询结果进行排序、去重、分页、聚合等操作，ShardingJDBC 能够确保返回的数据符合用户的查询要求，达到与单体数据库相似的用户体验。ShardingJDBC 使得开发人员能够像操作普通数据库一样操作分布式数据库，并自动完成 SQL 的拆分、执行和结果的归并，大大简化了开发工作，但在实现中需要克服分布式环境中的数据一致性、网络开销和性能瓶颈等挑战。
2024-11-26 04:59:19
773
原创 随笔20241113 数据分组与期次累加计算功能实现
在金融或数据分析系统中，经常需要对一段时间的数据进行分组和聚合，并按照一定的时间规则来进行累加统计。本篇文章将详细介绍如何利用 VB.NET 实现数据分组和期次累加计算。DateTime。
2024-11-13 23:06:38
364
原创 20241108 “postinstall“: “electron-builder install-app-deps“ 導致無法正常下載依賴
在中，
2024-11-08 08:08:13
812
原创 隨筆20241028 ISR 的收缩与扩展及其机制解析
在 Kafka 中，是一组副本，它们与 Leader 保持同步，确保数据一致性。然而，ISR 的大小会因多种因素而变化，包括收缩和扩展。以下是 ISR 收缩与扩展的详细解释及其背后的机制。
2024-10-28 14:45:16
413
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人