在数据量小的情况下,flink基于事件驱动,处理更新、删除、追加历史数据

Flink SQL:DROP Statements 阅读详情

实现思想,每来一条数据,按照数据 更新、删除、追加三种情况直接用JDBC的方式更新数据库,然后在faltmap函数中,用最新的所有数据通过JDBC的处理,得到最新的结果,样例如下

package com.bai

import java.sql
import java.sql.{DriverManager, PreparedStatement, ResultSet, ResultSetMetaData}

import com.alibaba.fastjson.{JSON, JSONObject}
import org.apache.flink.api.common.functions.RichFlatMapFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.util.Collector

object JDBCtest {
  var conn: sql.Connection = _
  var selectStmt: PreparedStatement = _
  var insertStmt: PreparedStatement = _

  def main(args: Array[String]): Unit = {
    val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI()
    val ncStream = env.socketTextStream("hadoop104", 7777)
    ncStream.print("before")
    val value1: DataStream[String] = ncStream.filter(_.matches("(\\d)+,(.)*"))
    value1.print("after")
    val value2: DataStream[Student] = value1.flatMap(new RichFlatMapFunction[String, Student] {
      override def flatMap(value: String, out: Collector[Student]) = {
        val arr: Array[String] = value.split(",",2)
        conn = DriverManager.getConnection("jdbc:mysql://hadoop103:3306/test", "root", "123456")
          println(arr.toList)
        insertStmt = conn.prepareStatement("insert into input (id, name) values (?,?)")
        insertStmt.setInt(1,arr(0).toInt)
        insertStmt.setString(2,arr(1))
        insertStmt.execute()

        selectStmt = conn.prepareStatement("select * from   input")
        val data: ResultSetMetaData = selectStmt.getMetaData
        val resultSet: ResultSet = selectStmt.executeQuery()

        while (resultSet.next()) {
          val map = new java.util.HashMap[String, String]()
          val jSONObject = new JSONObject()
          for (i <- 1 to data.getColumnCount) {
            val key: String = data.getColumnName(i)
            val value: String = resultSet.getString(i)
            map.put(key, value)
            jSONObject.put(key, value)
          }
          //        println(jSONObject)
          val a: Student = JSON.parseObject(jSONObject.toString(), classOf[Student])

          out.collect(a)
        }
        selectStmt.close()
        conn.close()
      }
    })
    value2.print("dd")

//    value1.map(r => {
//      conn = DriverManager.getConnection("jdbc:mysql://hadoop103:3306/test", "root", "123456")
//      selectStmt = conn.prepareStatement("select * from   input")
//      val data: ResultSetMetaData = selectStmt.getMetaData
//      val resultSet: ResultSet = selectStmt.executeQuery()

//      while (resultSet.next()) {
//        val map = new java.util.HashMap[String, String]()
//        val jSONObject = new JSONObject()
//        for (i <- 1 to data.getColumnCount) {
//          val key: String = data.getColumnName(i)
//          val value: String = resultSet.getString(i)
//          map.put(key, value)
//          jSONObject.put(key, value)
//        }
//        //        println(jSONObject)
//        val value: Student = JSON.parseObject(jSONObject.toString(), classOf[Student])
//        println(value + "dd")
//        println(jSONObject.toString())
//      }
//      selectStmt.close()
//      conn.close()
//      r
//    }
//    )
    //    inputstream.addSink(new )
    env.execute()
  }

}

case class Student(id: Int, name: String)

maven 依赖如下

<properties>
		<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
		<flink.version>1.11.0</flink.version>
		<scala.binary.version>2.11</scala.binary.version>
		<scala.version>2.11.12</scala.version>
		<log4j.version>2.12.1</log4j.version>
		<hadoop.version>2.7.3</hadoop.version>
	</properties>

	<dependencies>
		<dependency>
			<groupId>mysql</groupId>
			<artifactId>mysql-connector-java</artifactId>
			<version>5.1.44</version>
		</dependency>
		<!-- Apache Flink dependencies -->
		<!-- These dependencies are provided, because they should not be packaged into the JAR file. -->
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-scala_${scala.binary.version}</artifactId>
			<version>${flink.version}</version>
<!--			<scope>provided</scope>-->
		</dependency>
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-streaming-scala_${scala.binary.version}</artifactId>
			<version>${flink.version}</version>
<!--			<scope>provided</scope>-->
		</dependency>
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-clients_${scala.binary.version}</artifactId>
			<version>${flink.version}</version>
<!--			<scope>provided</scope>-->
		</dependency>
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-table-api-scala-bridge_${scala.binary.version}</artifactId>
			<version>${flink.version}</version>
<!--			<scope>provided</scope>-->
		</dependency>
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-table-planner-blink_${scala.binary.version}</artifactId>
			<version>${flink.version}</version>
<!--			<scope>provided</scope>-->
		</dependency>
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-table-common</artifactId>
			<version>${flink.version}</version>
<!--			<scope>provided</scope>-->
		</dependency>
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-runtime-web_2.11</artifactId>
<!--			<scope>provided</scope>-->
			<version>${flink.version}</version>
		</dependency>

		<!-- Scala Library, provided by Flink as well. -->
		<dependency>
			<groupId>org.scala-lang</groupId>
			<artifactId>scala-library</artifactId>
			<version>${scala.version}</version>
<!--			<scope>provided</scope>-->
		</dependency>
		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-statebackend-rocksdb_${scala.binary.version}</artifactId>
			<version>${flink.version}</version>
		</dependency>


		<!-- Add connector dependencies here. They must be in the default scope (compile). -->

		<!-- Example:

		-->

		<dependency>
			<groupId>org.apache.flink</groupId>
			<artifactId>flink-connector-kafka_${scala.binary.version}</artifactId>
			<version>${flink.version}</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hbase</groupId>
			<artifactId>hbase-server</artifactId>
			<scope>provided</scope>
			<version>2.2.4</version>
		</dependency>
		<dependency>
			<groupId>com.google.guava</groupId>
			<artifactId>guava</artifactId>
			<version>29.0-jre</version>
		</dependency>
		<dependency>
			<groupId>com.alibaba</groupId>
			<artifactId>fastjson</artifactId>
			<version>1.2.68</version>
		</dependency>
		<!-- Add logging framework, to produce console output when running in the IDE. -->
		<!-- These dependencies are excluded from the application JAR by default. -->
		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-slf4j-impl</artifactId>
			<version>${log4j.version}</version>
			<scope>runtime</scope>
		</dependency>
		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-api</artifactId>
			<version>${log4j.version}</version>
			<scope>runtime</scope>
		</dependency>
		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-core</artifactId>
			<version>${log4j.version}</version>
			<scope>runtime</scope>
		</dependency>
		<!-- hadoop-->
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-common</artifactId>
			<version>${hadoop.version}</version>
			<scope>provided</scope>
			<exclusions>
				<exclusion>
					<groupId>org.slf4j</groupId>
					<artifactId>slf4j-log4j12</artifactId>
				</exclusion>
				<exclusion>
					<groupId>log4j</groupId>
					<artifactId>log4j</artifactId>
				</exclusion>
				<exclusion>
					<groupId>org.slf4j</groupId>
					<artifactId>slf4j-api</artifactId>
				</exclusion>
				<exclusion>
					<artifactId>commons-logging</artifactId>
					<groupId>commons-logging</groupId>
				</exclusion>
			</exclusions>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-hdfs</artifactId>
			<version>${hadoop.version}</version>
			<scope>provided</scope>
			<exclusions>
				<exclusion>
					<artifactId>log4j</artifactId>
					<groupId>log4j</groupId>
				</exclusion>
			</exclusions>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-client</artifactId>
			<version>${hadoop.version}</version>
			<scope>provided</scope>
		</dependency>
		<dependency>
			<groupId>jdk.tools</groupId>
			<artifactId>jdk.tools</artifactId>
			<version>1.8</version>
			<scope>system</scope>
			<systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
		</dependency>

	</dependencies>

	<build>
		<plugins>
			<plugin >
				<groupId>org.apache.maven.plugins</groupId>
				<artifactId>maven-compiler-plugin</artifactId>
				<version>3.6.1</version>
				<!-- 所有的编译都依照JDK1.8来搞 -->
				<configuration>
					<source>1.8</source>
					<target>1.8</target>
				</configuration>
			</plugin>

			<plugin>
				<groupId>org.scala-tools</groupId>
				<artifactId>maven-scala-plugin</artifactId>
				<version>2.15.1</version>
				<executions>
					<execution>
						<id>compile-scala</id>
						<goals>
							<goal>add-source</goal>
							<goal>compile</goal>
						</goals>
					</execution>
					<execution>
						<id>test-compile-scala</id>
						<goals>
							<goal>add-source</goal>
							<goal>testCompile</goal>
						</goals>
					</execution>
				</executions>
			</plugin>
			<plugin>
				<groupId>org.apache.maven.plugins</groupId>
				<artifactId>maven-assembly-plugin</artifactId>
				<configuration>
					<archive>
						<manifest>
						</manifest>
					</archive>
					<descriptorRefs>
						<descriptorRef>jar-with-dependencies</descriptorRef>
					</descriptorRefs>
				</configuration>
			</plugin>
			<plugin>
				<groupId>net.alchim31.maven</groupId>
				<artifactId>scala-maven-plugin</artifactId>
				<version>3.2.2</version>
				<executions>
					<execution>
						<!-- 声明绑定到maven的compile阶段 -->
						<goals>
							<goal>compile</goal>
							<goal>testCompile</goal>
						</goals>
					</execution>
				</executions>
			</plugin>

			<!-- 用于项目的打包插件 -->
			<plugin>
				<groupId>org.apache.maven.plugins</groupId>
				<artifactId>maven-assembly-plugin</artifactId>
				<version>3.0.0</version>
				<executions>
					<execution>
						<id>make-assembly</id>
						<phase>package</phase>
						<goals>
							<goal>single</goal>
						</goals>
					</execution>
				</executions>
			</plugin>
		</plugins>
	</build>
	```
Flink中的JDBC SQL Connector Flink中的JDBC SQL Connector JDBC 连接器允许使用 JDBC 驱动程序从任何关系数据库读取数据并将数据写入数据。 本文档介绍如何设置 JDBC 连接器以针对关系数据库运行 SQL 查询。 如果在 DDL 上定义了主键,则 JDBC sink 以 upsert 模式与外部系统交换 UPDATE/DELETE 消息,否则,它以 append 模式运行,不支持消费 UPDATE/DELETE 消息。 引入依赖 为了使用 JDBC 连接器,使用构建自动化工具(例如 Maven 或 SBT) 阅读详情

相关推荐

2026年数据集成趋势:从批处理到实时事件驱动的架构演进

数据集成是构建现代数据架构的核心环节,其核心原理在于实现不同数据源之间的高效、可靠连接与同步。传统批处理模式依赖周期性任务,存在固有延迟,难以满足业务对实时性的需求。随着CDC(变更数据捕获)和流处理技术的成熟,实时事件驱动架构正成为技术演进的主流方向,其技术价值在于将数据集成从被动搬运转变为主动响应,极大提升了业务敏捷性与决策时效性。在电商实时推荐、金融风控等应用场景中,毫秒级的数据流动已成为关键竞争力。本文聚焦于如何利用CDC、流处理框架等技术,构建能够感知和驱动业务事件的实时数据管道,这正是实现从批处

weixin_30697239的博客 439

Flink SQL使用jdbc连接数据库参数配置及注意事项

Flink SQL 通过jdbc连接表的DDL语句 create table deal_mysql( tenant_id String, shop_id String, pay_amt decimal(19, 2), pay_qty double, sku_code String, category_code_b string, write_time timestamp, dt Date, primary key (tenant_id,sku_code) not enforced )with( 'con

HD0do的博客 1万+

基于Flink CDC构建实时数据同步链路,根治搜索延迟8分钟难题

在微服务与数据驱动架构中,数据一致性是核心挑战。传统的数据同步方案,如定时轮询或双写,常因延迟高、可靠性差导致业务数据不一致,影响用户体验与决策。变更数据捕获(CDC)技术通过实时监听数据库日志(如MySQL binlog),将数据变更作为事件流捕获,实现了从被动拉取到主动推送的范式转变。其技术价值在于提供毫秒级延迟、低侵入性的准实时数据流动能力,保障了事务级数据一致性。这一特性使其成为构建实时数仓、缓存更新和搜索索引同步等场景的理想解决方案。本文以Flink CDC为核心,结合Debezium与Elast

aaa1231722的博客 303

【Mysql系列】mysql中删除数据的几种方法

在MySQL数据库中,删除数据是一个常见的操作,它允许您从表中移除不再需要的数据。在执行删除操作时,需要谨慎,以免误删重要数据。

颜淡慕潇 4万+

电力数据底座重构:走向秒级实时化的湖仓一体实践

数据底座是电力系统从“源随荷动”迈向“双高”形态的关键支撑。传统“采-存-析”模式下,数据先落库再计算,面对新能源出力的随机波动与海量测点,时延和吞吐双双告急。实时化改造需从架构层面入手,以事件驱动替代轮询批处理,借助湖仓一体分层与流批一体计算,实现贴源层、明细层、汇总层的解耦。该架构既保证毫秒级控制链路稳定,又支持分钟级滚动预测与报表查询,使数据从沉睡资产变为流动价值。结合电力数据平台重构实战,分享流计算框架选型、数据质量治理与双轨迁移经验,为同类实时数据底座建设提供参考。

weixin_33874713的博客 240

CLDS架构模式解析:构建高扩展数据处理系统的四层设计

在现代数据密集型应用开发中,如何清晰管理数据流、提升系统可扩展性是核心挑战。从基础概念切入,数据处理通常涉及状态存储、快速访问、事件记录与海量资产管理等不同需求。其核心原理在于通过职责分离,将数据的不同生命周期和访问模式映射到专门的技术组件,从而实现性能、可靠性与成本的最优平衡。这一设计理念的技术价值在于为复杂业务逻辑提供了清晰的架构蓝图,避免了数据不一致、系统耦合等常见问题。典型的应用场景包括电商交易、内容推荐、物联网数据处理等需要处理高并发读写、异步事件流和海量非结构化数据的领域。本文聚焦的CLDS模式

tang_zongyun的博客 422

基于Flink+ClickHouse打造轻量级点击流实时数仓

前言 今天事情又比较多,写得言简意赅一些,看官勿怪。 Flink和ClickHouse分别是实时计算和(近实时)OLAP领域的翘楚,也是近些年非常火爆的开源框架,很多大厂都在将两者结合使用来构建各种用途的实时平台,效果很好。关于两者的优点就不再赘述,本文来简单介绍笔者团队在点击流实时数仓方面的一点实践经验。 点击流及其维度建模 所谓点击流(click stream),就是指用户访问网站、App等W...

LittleMagic's Blog 2940

基于CDC技术解决分布式系统数据延迟:从MySQL到ES/Redis的实时同步实战

在分布式系统架构中,数据一致性是保障业务可靠性的核心挑战。其原理在于多数据源间的状态同步,传统定时同步方案因固有延迟窗口常导致分钟级不一致。CDC(变更数据捕获)技术通过实时监听数据库日志(如MySQL的binlog),以事件驱动方式实现毫秒级数据流转,技术价值在于构建低延迟、高可靠的数据链路。这一方案在电商、内容平台等对实时性要求高的应用场景中尤为重要,能有效解决搜索与详情页间的数据延迟问题。本文结合Flink CDC等热词,通过实战演示如何构建从MySQL到Elasticsearch和Redis的实时同

weixin_30596343的博客 401

构建企业级数据流全景图:从事件驱动架构到实时数仓实践

在数据驱动的业务决策中,数据流架构是支撑实时分析、智能推荐和风控系统的技术基石。其核心原理在于通过分层解耦和事件驱动模型,将复杂的数据处理链路标准化、可视化,从而解决数据孤岛、链路冗长和故障难定位等工程难题。这一架构的技术价值在于实现了数据从产生到消费的端到端可观测与可治理,显著提升了数据交付的可靠性和团队协作效率。典型的应用场景包括电商实时推荐、金融风控和IoT数据分析等。本文以Hermes架构全景图为例,深入探讨了如何基于Kafka、Flink和ClickHouse等组件,构建从数据采集、实时处理到服务

weixin_34318272的博客 346

缓慢变化维度SCD:Type 1/2/3原理、选型与实时落地实践

缓慢变化维度(SCD)是数据仓库中支撑时间回溯分析的核心建模机制,本质是在‘状态更新’与‘历史保全’之间构建可审计的时空一致性协议。其底层原理基于对维度属性变更频率、业务语义约束和查询模式的三维权衡:Type 1覆盖更新适用于无历史价值字段,Type 2新行插入通过代理键+有效期实现完整时间轴,Type 3双列存储则专注最近一次变更对比。技术价值在于保障指标稳定性、支持合规审计与驱动精准归因分析;典型应用场景涵盖客户地址变迁追踪、组织架构演进分析、信用等级历史回溯等。本文聚焦生产级SCD落地——从需求解析四

weixin_30410119的博客 391

【信息科学与工程学】【数据科学】数据科学领域 第十二篇 大数据主要算法07 任务工序(2)

工序类别工序名称工序描述处理时序输入输出控制点质量指标异常处理数据接入工序​流数据源连接连接到外部流数据源初始阶段流数据源配置流数据连接连接参数配置连接成功率重连机制,失败告警数据拉取从数据源拉取数据持续实时数据源连接原始数据流拉取频率,批大小数据延迟,吞吐量超时重试,流量控制反序列化将二进制数据反序列化数据到达时二进制数据结构化数据记录序列化格式反序列化成功率格式异常处理数据预处理工序​数据验证验证数据完整性和格式反序列化后原始数据记录验证后数据验证规则数据质量合格率丢弃无效数据,异常记录数据清洗清洗脏数

weixin_49199313的博客 784

大数据架构设计(四十五)

批处理层每天凌晨将kafka浏览、下单消息同步到HDFS,再将HDFS中的日志解析成Hive表,用hive sql/spark sql计算出分区统计结果hive表,最终hive表导出到mysql服务中。来了数据直接塞到消息队列,以流处理为主,实时计算没有问题,当需要离线分析的时候,则将数据湖的数据再次通过消息队列重播一次。因为lambda是通过消费kafka来存储和计算数据的,以事件驱动为核心,业务数据只是驱动产生的视图,并且 批处理和加速层实现读写分离。Spark是专门大数据处理,快速通用的计算引擎。

ke1ying的博客 437

基于Apache Flink的电商实时分析平台:架构设计与核心模块实现

实时计算是处理无界数据流、实现低延迟业务响应的核心技术,其核心原理在于对连续到达的事件进行持续处理,而非传统的批量处理模式。Apache Flink作为流处理领域的标准框架,凭借其高吞吐、低延迟和精确一次(Exactly-Once)语义保障,为构建健壮的实时数据管道提供了强大支持。在电商等高并发场景中,实时计算的技术价值尤为凸显,能够将海量的用户点击、浏览、加购等行为日志,即时转化为驱动业务增长的洞察力,应用于实时大屏、个性化推荐、风险监控等多个关键场景。本文以电商用户行为分析为具体案例,深入探讨了如何利用

cuankuangzhong6373的博客 484

游标同步 vs CDC:数据同步方案选型与避坑指南

数据同步是中大型系统架构中绕不开的工程难题,从业务库到搜索引擎、从OLTP到数仓,如何高效且可靠地搬运数据直接影响系统稳定性。业界常见的两种方案——基于游标的增量同步与基于日志的变更数据捕获(CDC),各自原理不同:游标同步通过有序字段分批查询业务表,实现简单但难以感知删除事件;CDC则解析binlog等事务日志,能完整还原每一行变更。技术选型的关键不在于数据量大小,而在于下游对事件完整性的要求。状态同步场景适合游标方案,事件驱动、审计溯源等场景则需引入CDC,实际生产中两者常组合使用,全量初始化用游标,增

weixin_34025151的博客 393

Flink CDC 达梦数据库实时同步实战:日志解析与踩坑指南

数据同步是数据架构中的基础环节,常见方案包括定时轮询、触发器和日志解析,其中基于日志的Change Data Capture(CDC)技术因对源库侵入小、支持增量回溯而成为实时同步的首选。达梦数据库作为国产数据库的代表,其日志结构与MySQL等存在差异,但通过合理配置归档模式和权限,依然可以借助Flink CDC实现高效的日志级实时同步。本文从数据同步的基本概念出发,梳理开启达梦归档模式、创建同步账号等前置准备工作,详细讲解Flink SQL与DataStream两种连接器配置方式,并针对类型映射、主键缺失

weixin_29054195的博客 215

abaqus2matlab的安装与使用:如何用matlab提取abaqus的odb结果

官网abaqus2matlab官网地址matlab社区地址matlab社区地址在这里可以看到.m文件的源码论文:Abaqus2Matlab: A suitable tool for finite element post-processingabaqus2matlab可以处理.inp、.fil、.odb三种类型的文件。.inp文件:处理功能就在于只是单纯的输出inp文件,由于我自己写了自己的函数,不需要用到这个功能。

qianxin1234的博客 2020

数据抽取架构演变:从传统ETL到实时CDC与数据湖智能化

数据抽取是数据工程的基础能力,其架构演进经历了从全量到增量、从离线批量到实时流式的长期迭代。传统ETL工具依赖批处理窗口,在数据量增长与时效性要求下逐渐暴露瓶颈;随后Sqoop等分布式框架通过并行抽取解决了吞吐问题,但离线批量模式仍难满足秒级同步需求。基于binlog解析的CDC技术实现了对源系统的低侵入变更捕获,配合Kafka与Flink形成实时数据管道,并推动批流一体落地。当前数据湖与大模型辅助,使抽取架构走向智能化,但抽算分离、可观测性、最小侵入等设计原则仍是选型核心。本文梳理了数据抽取架构的完整脉络

weixin_34013044的博客 391

OPTI Toolbox v2.28 安装与 3 个求解器补全:SCIP、SeDuMi、MOSEK 配置详解

本文详细介绍了OPTI Toolbox v2.28在MATLAB环境下的完整安装指南,包括SCIP、SeDuMi和MOSEK三个关键求解器的配置与优化技巧。通过分步指导和实战案例,帮助用户高效搭建强大的优化工具包,提升混合整数规划、二次约束二次规划等复杂问题的求解效率。

weixin_29039773的博客 352

Apache Hudi 实战指南:数据湖事务与增量处理核心原理

在数据湖架构中,高效处理数据的更新、删除和增量查询是核心挑战。传统基于文件的数据湖(如直接使用Parquet/ORC文件)难以支持记录级变更和事务保证,导致数据更新成本高昂、历史回溯复杂。Apache Hudi通过引入事务性表服务层,在底层存储(如HDFS、S3)之上实现了类似数据库的ACID语义和时间旅行能力。其核心设计围绕两种表类型展开:写时复制表通过重写文件保证查询性能,适用于读多写少场景;读时合并表采用LSM-Tree思想,以追加日志方式实现低延迟写入,特别适合流式数据摄入和CDC同步。Hudi的时

weixin_34238633的博客 327

DOSBOX 0.74模拟器安装Windows 95

DosBox本身带有5.0版的DOS系统,启动后虚拟一个Z盘存放有Dosbox特有的外部指令,如config.com、imgmount.com等,经测试,可以顺利安装各版本的windows 3.1系统,但是不能安装win95,需要用原版的dos镜像启动才能安装。1. 获取启动盘镜像文件 下载Win95启动软盘镜像文件,名为boot.img,放到DosBox 0.74的目录下。2. 制作硬盘镜像文件

xjnzhidao的博客 9313

HDRP shader 获取阴影(Custom Pass)

Unity:2021.3.0f1 HDRP:12.1.6

LanQ的博客 2100

新闻App评论系统架构演进与分布式设计实践

评论系统作为用户互动的核心组件,其架构设计直接影响平台用户体验和系统扩展性。从技术原理上看,分布式系统通过分库分表解决数据存储瓶颈,采用多级缓存架构提升读取性能。在工程实践中,Redis集群和Caffeine缓存的组合能有效应对高并发场景,而算法评分系统则通过实时计算确保内容质量。现代新闻App评论系统通常需要处理千万级日活用户的海量数据,这要求架构设计必须考虑水平扩展能力和容错机制。分片策略的选择尤为关键,按新闻ID哈希分片能保证同一新闻下的评论操作集中在相同分片,而时间分片则便于历史数据归档。随着Web

weixin_34199764的博客 26

泛微Ecology流程数据表结构解析:workflow_requestbase和workflow_currentoperator到底怎么关联查询?

本文深入解析泛微Ecology系统中workflow_requestbase和workflow_currentoperator表的结构与关联机制,提供SQL查询语句示例,帮助开发者高效查询流程数据。涵盖待办事项、已办事项、办结事项和流程监控等典型场景,并分享性能优化技巧和常见问题排查指南。

weixin_33738555的博客 816
上一篇: 没有jdbc驱动on: No suitable driver found for jdbc:mysql://hadoop103:3306/test
下一篇: Failure to find org.glassfish:javax.el:pom:3.0.1-b07-SNAPSHOT
BigData-0
博客等级 码龄7年 341粉丝 309原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

BigData-0

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值