【Spring Boot配置进阶指南】:掌握9大核心技巧,轻松驾驭应用配置管理

chrome-headless-shell-mac-x64-160.0.8160.0(Canary).zip 内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8160.0 x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:x64 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器(Playwright/Puppeteer/Selenium 无界面自动化与爬虫的运行内核);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。 立即下载

第一章:Spring Boot配置基础概述

Spring Boot 的核心优势之一在于其“约定优于配置”的设计理念,极大简化了传统 Spring 应用的配置复杂度。通过自动配置机制,Spring Boot 能根据项目依赖和环境自动装配所需的 Bean,开发者只需少量配置即可启动应用。

配置文件格式

Spring Boot 支持多种配置文件格式,最常用的是 application.properties 和 application.yml。两者均可定义应用参数,如服务器端口、数据库连接等。
  • application.properties 使用键值对形式,结构清晰但嵌套较深
  • application.yml 使用缩进表达层级,更适合复杂结构
例如,设置服务器端口和应用名称:
server:
  port: 8081

spring:
  application:
    name: my-web-app
上述 YAML 配置将内嵌 Tomcat 的监听端口设为 8081,并指定应用名为 my-web-app。
多环境配置管理
在实际开发中,通常需要区分开发、测试和生产环境。Spring Boot 允许通过配置文件后缀实现多环境支持:
  1. application-dev.yml —— 开发环境
  2. application-test.yml —— 测试环境
  3. application-prod.yml —— 生产环境
通过 spring.profiles.active 指定激活的环境:
spring.profiles.active=dev
该配置会加载主配置文件及对应的环境配置,实现灵活切换。

外部化配置来源

Spring Boot 支持从多种来源读取配置,优先级由高到低如下表所示:
配置来源说明
命令行参数如 --server.port=9090
操作系统环境变量适用于容器化部署
jar 包外的配置文件便于不重新打包修改配置
jar 包内的配置文件默认位置:classpath:/config/

第二章:核心配置机制详解

2.1 配置文件结构与application.yml应用实践

在Spring Boot项目中,`application.yml` 是核心配置文件,采用缩进式结构表达层级关系,支持环境隔离与动态属性绑定。
基础结构规范
YAML文件通过键值对组织配置,使用空格缩进(禁止Tab)表示嵌套。例如:
server:
  port: 8080
  servlet:
    context-path: /api

spring:
  datasource:
    url: jdbc:mysql://localhost:3306/demo
    username: root
    password: secret
上述配置定义了服务端口与数据源信息。注意 `context-path` 控制应用上下文路径,而 `datasource` 下的属性将自动映射到 DataSource 对象。
多环境配置管理
通过 `spring.profiles.active` 指定激活配置:
  • 开发环境:dev → application-dev.yml
  • 生产环境:prod → application-prod.yml
实现不同环境下数据库、日志级别等参数的灵活切换,提升部署可维护性。

2.2 多环境配置管理与profile动态切换策略

在微服务架构中,不同部署环境(如开发、测试、生产)需加载对应配置。Spring Boot 提供 `application-{profile}.yml` 文件支持多环境隔离。
Profile 配置文件结构
  • application-dev.yml:开发环境数据库连接、调试日志
  • application-test.yml:模拟服务端点,轻量级中间件
  • application-prod.yml:高可用数据源、安全加密配置
启动时激活指定 Profile
java -jar app.jar --spring.profiles.active=prod
通过 JVM 参数动态指定运行环境,避免硬编码。也可在 application.yml 中设置默认:
spring:
  profiles:
    active: dev
运行时动态切换策略
结合配置中心(如 Nacos),监听配置变更事件实现热更新,无需重启服务即可生效新参数。

2.3 外部化配置优先级与加载顺序深度解析

在Spring Boot应用中,外部化配置的加载遵循严格的优先级顺序,确保灵活性与可覆盖性。高优先级配置会覆盖低优先级同名属性。
配置源加载顺序(从低到高)
  1. 默认属性(SpringApplication.setDefaultProperties)
  2. jar 包外的 application.yml
  3. jar 包内的 application.yml
  4. @PropertySource 注解配置
  5. 命令行参数(如 --server.port=8081)
典型配置文件加载示例
# config/application.yml
server:
  port: 8080

# 命令行启动时传入
--server.port=9090
上述配置中,尽管 application.yml 指定端口为 8080,但命令行参数具有更高优先级,最终生效端口为 9090。该机制支持环境差异化部署,提升运维灵活性。

2.4 类型安全的配置绑定:@ConfigurationProperties实战

在Spring Boot应用中,`@ConfigurationProperties` 提供了类型安全的外部化配置绑定机制,将属性文件中的配置自动映射到Java对象中。
启用配置绑定
通过在类上添加注解并指定前缀,实现结构化配置读取:
@ConfigurationProperties(prefix = "app.datasource")
@Component
public class DatabaseProperties {
    private String url;
    private String username;
    private String password;
    // getter 和 setter 方法
}
上述代码将 `application.yml` 中以 `app.datasource` 开头的属性自动绑定到字段。例如: ```yaml app: datasource: url: jdbc:mysql://localhost:3306/demo username: root password: secret ```
优势与验证支持
  • 支持松散命名(如 camelCase、kebab-case 自动匹配)
  • 集成JSR-303校验注解,如 @NotBlank、@Min
  • 配合 spring-boot-configuration-processor 生成元数据,提升IDE提示体验

2.5 条件化配置:@Conditional注解家族灵活运用

在Spring框架中,`@Conditional`注解家族实现了基于条件的Bean注册机制,使应用能够根据运行时环境动态启用或禁用配置。
核心注解与典型使用场景
Spring提供了多个派生注解,如`@ConditionalOnClass`、`@ConditionalOnMissingBean`等,广泛应用于自动配置中。
@Configuration
@ConditionalOnClass(DataSource.class)
public class DataSourceConfig {
    @Bean
    @ConditionalOnMissingBean
    public DataSource dataSource() {
        return new EmbeddedDatabaseBuilder().build();
    }
}
上述代码表示:仅当类路径存在`DataSource`时才加载该配置类,并且只有在容器中不存在`DataSource` Bean时才会创建默认数据源实例。这种机制避免了不必要的Bean冲突,提升了配置灵活性。
自定义条件判断
通过实现`Condition`接口,可编写定制化条件逻辑:
  • 实现matches()方法进行运行时判断
  • 结合Environment读取配置属性
  • 支持条件组合与优先级控制

第三章:配置进阶技巧

3.1 自定义配置源扩展Environment接口实现

在Spring环境中,通过实现`PropertySource`并注册到`Environment`,可动态引入外部配置源。此机制支持灵活的配置管理策略。
核心实现步骤
  • 继承PropertySource<T>抽象类
  • 重写getProperty(String name)方法
  • 将实例注入MutablePropertySources
public class CustomPropertySource extends PropertySource<String> {
    public CustomPropertySource(String name) {
        super(name);
    }

    @Override
    public String getProperty(String name) {
        // 模拟从远程服务获取配置
        return RemoteConfigService.get(name);
    }
}
上述代码中,`RemoteConfigService.get(name)`封装了自定义数据源访问逻辑,如HTTP API、数据库或缓存系统。通过返回键值对形式的字符串,实现与Spring环境的无缝集成。
注册流程
将自定义PropertySource添加至Environment:
context.getEnvironment().getPropertySources().addFirst(new CustomPropertySource("custom"));

3.2 配置属性校验与数据一致性保障方案

在分布式系统中,配置属性的准确性直接影响服务运行的稳定性。为确保配置项符合预期格式与业务约束,需引入校验机制。
配置校验实现方式
采用结构化标签与反射技术对配置对象进行前置校验。例如,在Go语言中可通过`validator`标签定义规则:
type Config struct {
    ListenAddr string `json:"addr" validate:"required,ip"`
    Timeout    int    `json:"timeout" validate:"gt=0,lte=30"`
}
上述代码中,`required`确保字段非空,`ip`校验IP格式,`gt=0`和`lte=30`限定超时范围在1~30秒之间,防止非法值引发运行时异常。
数据一致性同步策略
使用版本号+时间戳机制保障多节点配置一致:
字段类型说明
versionint64递增版本号,每次更新+1
timestampint64Unix时间戳,标识更新时间
节点通过比对`version`与本地缓存判断是否拉取新配置,避免数据漂移。

3.3 运行时动态刷新配置:@RefreshScope应用场景

在Spring Cloud应用中,`@RefreshScope` 是实现配置热更新的核心注解。它允许被修饰的Bean在配置变更后通过 `/actuator/refresh` 端点触发重新初始化,而无需重启服务。
使用方式示例
@RestController
@RefreshScope
public class ConfigController {
    @Value("${app.message}")
    private String message;

    @GetMapping("/message")
    public String getMessage() {
        return message;
    }
}
上述代码中,`@RefreshScope` 注解作用于控制器类,使得 `app.message` 配置值在调用刷新端点后能动态注入。当外部配置中心(如Config Server)更新配置并触发 refresh 时,该Bean会被销毁并重建,从而加载最新配置。
适用场景与限制
  • 适用于Web控制器、数据源、缓存配置等需动态调整的组件
  • 不适用于原型(Prototype)作用域以外的复杂Bean,因其可能引发不可控的依赖重载

第四章:集成与优化实践

4.1 集成Config Server实现分布式配置管理

在微服务架构中,集中化配置管理是保障系统一致性与可维护性的关键环节。Spring Cloud Config Server 提供了统一的外部化配置支持,允许将环境相关的配置信息从应用中剥离,集中存储于 Git 或本地文件系统。
服务端配置示例
spring:
  cloud:
    config:
      server:
        git:
          uri: https://github.com/example/config-repo
          search-paths: '{application}'
该配置指定 Config Server 从远程 Git 仓库拉取配置文件,search-paths 支持按服务名称组织配置,提升文件管理结构化程度。
客户端启动流程
  • 应用启动时向 Config Server 发起配置请求
  • 根据 spring.application.name 和 profile 匹配对应配置文件
  • 加载并注入配置至 Spring 环境上下文
通过此机制,实现配置热更新与多环境隔离,显著降低运维复杂度。

4.2 使用Vault保护敏感配置信息最佳实践

在现代分布式系统中,敏感信息如数据库密码、API密钥等需集中加密管理。HashiCorp Vault 提供了安全的 secrets 管理机制,确保配置信息在传输与存储过程中的机密性。
启用动态Secrets与最小权限原则
应优先使用动态 secret(如数据库动态凭证),避免长期有效的静态密钥。通过策略(Policy)限制访问路径与操作权限:
path "secret/data/app/*" {
  capabilities = ["read"]
  allowed_parameters = {
    "ttl" = []
  }
}
该策略仅允许读取 `app/` 路径下的 secret,并禁用写入与删除操作,降低泄露风险。
实施自动化的凭据轮换
结合 Vault 的 TTL 机制与定期任务,实现自动轮换。例如,在 Kubernetes 中通过 Sidecar 模式定期拉取最新 secret:
  • 应用启动时从 Vault 获取临时 token
  • 每隔指定周期刷新 secret 值
  • 旧凭据自动失效,减少暴露窗口

4.3 配置热更新与高可用架构设计模式

在现代分布式系统中,配置热更新能力是保障服务高可用的关键环节。通过动态加载配置,系统可在不重启实例的前提下完成参数调整,极大提升了服务连续性。
基于事件驱动的配置监听
采用监听机制实现配置变更的实时响应。以 etcd 为例,可使用如下代码注册监听:

watcher := clientv3.NewWatcher(client)
ctx, cancel := context.WithCancel(context.Background())
defer cancel()

watchChan := watcher.Watch(ctx, "/config/service_a", clientv3.WithPrefix())
for resp := range watchChan {
    for _, ev := range resp.Events {
        fmt.Printf("配置更新: %s -> %s\n", ev.Kv.Key, ev.Kv.Value)
        reloadConfig(ev.Kv.Value) // 触发本地配置重载
    }
}
该机制依赖长连接监听键空间变化,当配置中心数据更新时,触发客户端回调,实现毫秒级同步。
多副本配置一致性保障
为避免配置漂移,通常采用主从复制或 Raft 协议保证多节点间配置一致。下表列出常见方案对比:
方案一致性模型更新延迟适用场景
etcd + Watch强一致≤100msKubernetes 生态
Consul + Blocking Query最终一致≤500ms多数据中心部署

4.4 配置性能调优与启动加速策略

合理配置JVM参数以提升服务启动速度
通过调整JVM启动参数,可显著减少应用冷启动时间。例如:

-XX:+UseG1GC -Xms512m -Xmx2g -XX:MaxGCPauseMillis=200 -XX:+TieredCompilation
上述配置启用G1垃圾回收器,限制最大暂停时间,并开启分层编译,平衡启动性能与运行时吞吐量。初始堆设为512MB可加快初始化,避免内存过度分配。
延迟加载与组件预热机制
采用按需注册Bean策略,结合Spring的@Lazy注解控制初始化时机。同时,在容器启动后触发关键路径预热:
  • 提前加载高频配置项至本地缓存
  • 异步建立数据库连接池
  • 预编译正则表达式与动态代理类
该策略有效降低首次请求响应延迟达40%以上。

第五章:总结与未来演进方向

架构优化的实际路径
在高并发系统中,微服务拆分后的性能瓶颈常出现在服务间通信。某电商平台通过引入 gRPC 替代原有 RESTful 接口,将平均响应延迟从 120ms 降至 45ms。关键改动如下:

// 使用 gRPC 定义服务接口
service OrderService {
  rpc CreateOrder(CreateOrderRequest) returns (CreateOrderResponse);
}

message CreateOrderRequest {
  string user_id = 1;
  repeated Item items = 2;
}
可观测性增强方案
分布式追踪成为故障定位的核心手段。某金融系统集成 OpenTelemetry 后,实现了全链路调用追踪。以下为关键组件部署策略:
  • 在入口网关注入 TraceID
  • 各微服务透传上下文信息
  • 使用 Jaeger 作为后端存储与查询界面
  • 设置慢请求告警阈值(P99 > 800ms)
未来技术演进趋势
Serverless 架构正在重塑后端开发模式。以 AWS Lambda 为例,结合 API Gateway 可实现完全按需伸缩的后端服务。下表对比传统部署与 Serverless 的资源利用率:
指标传统虚拟机Serverless
平均 CPU 利用率30%85%
冷启动时间N/A200-600ms
成本模型按实例时长按执行次数与时长

客户端 → API Gateway → 函数计算 → 数据库

事件驱动流程:HTTP 请求触发函数执行,处理完成后写入持久层

多智能体-系统-形成-控制 附matlab代码.rar 立即下载

相关推荐

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文构建了一个包含PWM控制VSC-HVDC链路的IEEE30节点电力传输系统,并基于Simulink平台完成了系统的建模仿真。该模型聚焦于高压直流输电(HVDC)技术在区域电网互联中的应用,采用电压源型换流器(VSC)与脉宽调制(PWM)技术实现高效、灵活的电能传输。研究重点在于分析VSC-HVDC链路在复杂多节点电网中对潮流分布、系统稳定性及电能质量的调控能力,特别关注其在区域电网互联、新能源大规模接入以及跨区域电力交换等场景下的动态响应特性与控制性能,为现代智能电网的发展提供技术支撑与仿真验证手段。; 适合人群:具备电力系统、电气工程或自动化等相关专业背景的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于研究VSC-HVDC在多节点电网(如IEEE30节点)中的建模与仿真方法;②分析PWM控制策略下HVDC链路对电网潮流分布、电压稳定性和故障穿越能力的影响;③为区域电网互联、新能源并网及智能电网调度等课题提供仿真基础和技术验证。; 阅读建议:此资源以Simulink仿真实现为核心,建议读者在掌握电力电子技术和电力系统分析基础知识的前提下,结合仿真模型深入理解VSC-HVDC的工作原理与控制策略。在学习过程中,应着重关注模型参数设置、控制环路设计及仿真结果的分析,以达到理论与实践相结合的目的。

Spring Boot入门与进阶

Spring Boot是基于Spring框架的一种轻量级、快速开发的Java应用程序框架。它旨在简化Spring应用程序的初始设置和开发过程,使开发者能够更快地构建独立的、基于生产级的Spring应用程序。Spring Boot提供了自动配置、嵌入式Web容器、快速应用程序启动等功能,使得开发者无需关注底层的配置,可以专注于业务逻辑的实现。

m0_69632475的博客 937

基于KDE-CDF置信带的不确定综合能源系统鲁棒调度优化研究(Matlab代码实现)

内容概要:本研究针对不确定综合能源系统中的鲁棒调度优化问题,提出一种基于核密度估计-累积分布函数(KDE-CDF)置信带的建模方法,用以精确刻画风能、光伏及负荷等不确定性因素的非正态概率分布特征。通过构建KDE-CDF模型,能够有效捕捉实际运行中新能源出力与负荷需求的波动性与随机性,并在此基础上设计鲁棒优化调度框架,提升系统在不确定性环境下的运行可靠性与经济性。该方法结合Matlab编程实现,综合考虑系统运行成本、峰谷差、碳排放等多重目标,实现多维度协调优化。研究还探讨了与智能优化算法(如粒子群算法)相结合的应用路径,增强了模型的求解效率与工程实用性,为含多种储能装置、电转气设备及碳捕集系统的复杂综合能源系统提供了科学的调度决策支持。; 适合人群:具备电力系统分析、优化理论基础及Matlab编程能力的研究生、科研人员,以及从事综合能源系统规划、运行与调度工作的工程技术人员。; 使用场景及目标:①解决高比例可再生能源接入背景下综合能源系统调度中的不确定性建模难题;②提升调度方案在面对新能源强波动性时的鲁棒性与适应能力;③为融合多类型灵活性资源(如储能、电转气、碳捕集)的综合能源系统提供精细化、可落地的优化运行策略。; 阅读建议:建议读者在掌握概率统计、随机优化与电力系统运行基础知识的前提下,结合文中提供的Matlab代码进行实践操作,重点关注KDE-CDF置信带的构建流程及其在鲁棒优化模型中的嵌入机制,通过调整输入数据分布、参数设置与场景配置开展仿真对比实验,深入理解不确定性建模精度对调度决策质量的影响,进而掌握从数据驱动角度提升系统鲁棒性的关键技术路径。

SpringBoot -----从入门到精通-----

Spring Boot是由Pivotal团队提供的全新框架,其设计目的是用来简化新应用的初始搭建以及开发过程。该框架使用了特定的方式来进行配置,从而使开发人员不再需要定义样板化的配置。通过这种方式,Spring Boot致力于在蓬勃发展的领域(rapid application development)成为领导者。SpringBoot基于Spring4.0设计,不仅继承了Spring框架原有的优秀特性,而且还通过简化配置来进一步简化了Spring应用的整个搭建和开发过程。

weixin_65219195的博客 2168

含分布式电源的配电网可靠性评估研究(Matlab代码实现)

内容概要:本文系统研究了含分布式电源的配电网可靠性评估方法,基于Matlab代码实现了完整的评估模型与算法框架。研究深入分析了分布式电源接入后对配电网结构与运行特性的影响,重点探讨了其对供电可靠性的作用机制。采用序贯蒙特卡洛模拟法对系统各类状态进行抽样与仿真,综合考虑了分布式电源出力的随机性、负荷波动性以及网络拓扑变化等多种不确定性因素,精确计算了系统及负荷点的多项可靠性指标。通过在标准测试系统上的仿真实验,验证了所提方法的有效性和实用性,为新型电力系统环境下配电网的规划、运行与可靠性提升提供了有力的技术支撑和决策依据。; 适合人群:具备电力系统分析、概率统计及可靠性基础理论知识,熟悉Matlab编程语言,从事电力系统规划、运行、可靠性评估等相关工作的科研人员、高校研究生以及电力行业工程师。; 使用场景及目标:①掌握含分布式电源的现代配电网可靠性评估的核心理论与关键技术;②学习并实践基于序贯蒙特卡洛模拟的电力系统可靠性分析算法的Matlab实现方法;③为实际工程中分布式电源的优化配置、配电网的升级改造以及制定可靠性提升策略提供科学的仿真工具和量化分析依据。; 阅读建议:建议读者结合文中提供的Matlab代码,逐行阅读并运行程序,重点理解系统建模、状态抽样、潮流计算与指标统计等核心模块的实现逻辑。可尝试调整分布式电源的类型、容量、接入位置及负荷水平等参数,观察其对系统可靠性指标的影响趋势,从而深化对系统动态行为与关键影响因素的理解。

退出微软账户-解除微软账户绑定 .exe

退出微软账户_解除微软账户绑定小工具

Spring Boot 由浅入深学习进阶(1)

Spring官方网站本身使用Spring框架开发,随着功能以及业务逻辑的日益复杂,应用伴随着大量的XML配置文件以及复杂的Bean依赖关系。随着Spring 3.0的发布,Spring IO团队逐渐开始摆脱XML配置文件,并且在开发过程中大量使用“约定优先配置”(convention over configuration)的思想来摆脱Spring框架中各类繁复纷杂的配置(即时是Java Con

2463

大学生职业生涯规划.pptx

大学生职业生涯规划.pptx

Spring Boot从入门到进阶教程系列 -- 多种配置数据加载方式详解,优劣分析

       上一个教程我们已经讲如何初始化启动我们的Spring Boot应用,本次教程我给大家讲解下如何读取置数据方式更适合,简洁;如没看上一篇教程的同学可看点击该链接【Spring Boot从入门到进阶教程系列 -- 外部Tomcat多方式启动,加密解密配置数据】SpringBoot读取配置数据有几种方式1.方式一,这次写法系统会依据prefix前缀自动注入配置数据到数据实体变量,这种方式不...

shadowsick的专栏 757

考虑一次调频以及二次调频和各机组调频特性的双目标风光水火储动态调度研究(Matlab代码实现)

考虑一次调频以及二次调频和各机组调频特性的双目标风光水火储动态调度研究(Matlab代码实现)内容概要:本文研究了一种考虑一次调频、二次调频以及各机组调频特性的双目标优化模型,用于风光水火储多能互补系统的动态调度问题。该模型以系统运行成本最小化和新能源消纳最大化为双重优化目标,综合考虑了各类电源的出力特性、储能系统的充放电行为及电网频率响应要求。通过Matlab编程实现了完整的求解流程,采用多目标优化算法对复杂约束条件下的调度方案进行求解,并对不同场景下的调度结果进行仿真分析,验证了所提模型在提升系统经济性与稳定性方面的有效性。研究还探讨了储能系统在平抑新能源波动、参与频率调节中的关键作用,为高比例可再生能源接入下的电力系统调度提供了理论支持和技术路径。; 适合人群:具备一定电力系统基础知识和Matlab编程能力,从事新能源调度、电力系统优化等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决含多种能源形式的复杂电力系统在实际运行中的动态调度问题;②研究储能系统在调频和促进新能源消纳中的协同机制;③掌握多目标优化在电力系统调度中的建模与实现方法; 阅读建议:建议读者结合Matlab代码深入理解模型构建与求解过程,重点关注目标函数设计、约束条件处理及多目标折衷分析方法,同时可通过修改参数进行不同场景的仿真实验,以加深对系统动态行为的理解。

DAC60501与STM32的I2C通信实战:从寄存器配置到电压输出

本文详细介绍了如何使用STM32通过I2C通信驱动DAC60501数模转换器,实现精确的模拟电压输出。内容涵盖从硬件连接到软件模拟I2C驱动编写,再到DAC寄存器配置与电压计算的全流程实战指南,并提供了关键的驱动实例代码和常见问题调试技巧,帮助开发者快速掌握这一嵌入式开发中的实用技能。

weixin_29197835的博客 371

SpringBoot进阶-2

一、统一集成框架 spring boot是使用的是(slf4j+ logback)但是底层的spring是使用的JCL hibernate是使用的jboss 如何统一 ‘抛弃’原来的框架通过框中的jar包与slf4j进行整合 1.spring boot是使用的是(slf4j+ logback) 2.springboot在底层把其他jar包转换成了SLF4J 3...

qq_37817438的博客 554

从大疆智图到Cesium:3D Tiles模型加载与Web三维场景构建实战

本文详细介绍了如何利用大疆智图生成3D Tiles数据,并通过Cesium在Web端实现高效加载与三维场景构建。从大疆智图参数设置到Cesium环境配置,再到3D Tiles性能调优与高级功能实现,提供了一套完整的实战指南,帮助开发者快速掌握3D Tiles模型加载与Web三维场景构建技术。

weixin_30520015的博客 1289

Spring Boot进阶之Web进阶

一、表单验证 使用@Valid 注解,如图: 二、使用AOP处理请求 1.AOP是什么? AOP又叫面向切面,是一种编程范式,与编程语言无关,是一种程序设计思想。 中心思想就是:将通用逻辑从业务逻辑中分离出来 2.示例:处理HttpRequest请求,打印日志 三、统一异常处理 四、单元测试 1.对service进行单元测试 2.对Con...

qq_24466961的博客 305

高速PCB设计中串扰的成因、影响与实战控制策略

在高速数字电路与硬件系统设计中,信号完整性是确保系统稳定可靠的核心基础。其核心原理在于,当信号在传输线上传播时,会伴随产生电场与磁场,若相邻导线距离过近,便会通过电磁场耦合产生不期望的能量转移,即串扰。这一现象会直接导致信号波形畸变、时序偏移和噪声裕量降低,严重影响系统性能。从技术价值看,深入理解并有效控制串扰,是提升数据传输速率、保障系统稳定性和降低误码率的关键。其应用场景广泛覆盖了从高速SerDes链路、DDR内存接口到高精度模拟电路等几乎所有现代电子系统。本文聚焦于高速PCB设计中的串扰问题,系统剖析

weixin_27625589的博客 579

solidworks实体显示线框

solidworks实体莫名其妙显示为有点虚的线框

qq_35858902的博客 1万+

spring boot进阶(一) springboot整合redis,可操作java对象。最完整、简单易懂、详细的spring boot教程。

关于redis的基本操作和对java对象的操作,请见笔者博客。 本文我们介绍springboot整合redis。 首先是pom依赖: &lt;dependency&gt; &lt;groupId&gt;org.springframework.boot&lt;/groupId&gt; &lt;artifactId&gt;spring-boot-starter-data-r...

翻过一座座山 1万+

突破Cloudflare 5秒盾:Python爬虫+GPT分析JS混淆,零基础也能爬

传统突破Cloudflare 5秒盾的门槛极高,需要精通JS逆向、浏览器指纹伪造、行为模拟,而本文的“Playwright+GPT”方案,彻底降低了门槛——无需懂逆向、无需手动改指纹、无需写复杂JS代码,只需3步就能突破大部分网站的防护。低门槛:新手1小时内就能上手,无需逆向工程知识;高成功率:覆盖80%+的普通防护网站,15%的中等防护网站;易扩展:适配不同类型网站,可结合代理、打码平台升级为高可用系统。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1165

Spring Boot的进阶和高级

一、Repository接口 二、Repository子接口 三、@Query注解 四、更新及删除操作整合事物 五、CrudRepository接口 六、PagingAndSortingRepository接口 七、JPARepository接口 八、JpaSpecificationExecutor接口 一、Repository接口 Repository接口是Sprin...

爱是与世界平行 8216

【科研数据获取】根据Excel表个中的企业/公司信息批量获取经纬度坐标,并进行地图可视化

批量获取企业/公司的经纬度坐标,并进行地图可视化1 需求2 实现途径3 需求逐步实现 1 需求 在做项目的时候,老板或者项目答辩时候甲方最喜欢看到的就是可视化结果,尤其是涉及到地图可视化。很多时候会遇到企业/公司的数据,想要做地图可视化,必不可少的就是要获取它们具体地址:第一种就是像查户口一样精准一下具体的城镇街道,还有一种就是经纬度信息,前一种属于文字内容往往用于管理方面,第二种数字信息多用于数据处理与分析。 2 实现途径 获取地理信息数据,自然需要使用到地图的功能,这里直接采用百度地图的拾取坐标系统,

lys_828的博客 2337

如何免费快速的部署一个自用免VIP的自动追剧工具!NAS新玩法!豆瓣与迅雷结合,轻松实现自动下载电影自动追剧功能(支持Windows,群晖nas,飞牛nas,软路由,服务器等Docker快速部署)

追剧党狂喜!豆瓣追剧神器,自动添加云盘,自动下载,微信通知,一键搞定!

XiaoqiangClub的博客 4590

SpringBoot进阶教程 | 第四篇:整合Mybatis实现多数据源

这篇文章主要介绍,通过Spring Boot整合Mybatis后如何实现在一个工程中实现多数据源。同时可实现读写分离。 准备工作 环境: windows jdk 8 maven 3.0 IDEA 创建数据库表 在mysql中创建student库并执行下面查询创建student表 -- ---------------------------- -- Table struct...

程序员手札的博客 1414

化工模拟与优化软件:Aspen HYSYS二次开发_(15).工业应用与项目管理

项目背景、目标和主要流程。

kkchenjj的博客 1131

Spring Boot 进阶教程 | 主页及目录

此教程用于知识巩固、学习笔记、公司新人培训教程以及和各位开发者分享交流。学习此教程需要有一定的SpringBoot基础。此教程旨在对SpringBoot以及一些常用工具的进阶使用进行说明 。文中会穿插目前我司部门的开发规范说明、原理分析、个人理解等,本教程可直接指导实际生产开发。 教程中所有章节内容均为实际实现,各篇文档从另一方面说为实现过程的完整记录。教程各篇由部门小伙伴们分别贡献,文中难免有...

小伙伴们的博客 471

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

SpringBoot进阶之Web进阶

一.表单验证 1.为要校验的对象添加对应的校验注解 使用@Min(value=18,message="未成年少女金之入内")标记对应类中的属性。注解表示age最小值为18,错误提示为:未成年少女禁止入内 Girl类实例代码 package com.study.demo.domain; import javax.persistence.Entity; import javax.persis...

Jack汪喆的技术分享栏 1482

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

上一篇: 稳定值序列化性能提升实战(99%工程师忽略的关键点)
下一篇: 实例 main 的调试内幕曝光(99%开发者忽略的关键细节)
QuickTrans
博客等级 码龄1年 149粉丝 2018原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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
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