静态页面的值传递

数据仓库和数据立方体:从概念到工程选型的全面解析 在企业级数据分析体系中,数据仓库与数据立方体是两个常被混淆却又紧密协作的核心概念。数据仓库作为面向主题的集成数据容器,解决数据可信、口径统一与历史回溯的问题;而数据立方体作为OLAP多维分析的核心结构,通过预聚合机制实现毫秒级查询响应,二者并非替代关系,而是不同分析场景下的互补形态。随着ClickHouse、Apache Doris等OLAP引擎的兴起,预聚合与实时分析走向融合,传统数仓分层与Cube构建策略也在不断演进。从网约车聚合分析到校园数据可视化,理解维度建模、Cuboid剪枝、稀疏值处理及查询特征 阅读详情
这两窗口之间存在着关系.父窗口parent.htm打开子窗口son.htm
子窗口可以通过window.opener指向父窗口.这样可以访问父窗口的对象.

优点:取值方便.只要window.opener指向父窗口,就可以访问所有对象.
不仅可以访问值,还可以访问父窗口的方法.值长度无限制.
缺点:两窗口要存在着关系.就是利用window.open打开的窗口.不能跨域.


Post.htm

<input type=text name=maintext>
<input type=button onclick="window.open('Read.htm')" value="Open">

Read.htm

<script language="javascript" >
//window.open打开的窗口.
//利用opener指向父窗口.
var parentText = window.opener.document.all.maintext.value;
alert(parentText);
</script>


利用Cookie.

Cookie是浏览器存储少量命名数据.
它与某个特定的网页或网站关联在一起.
Cookie用来给浏览器提供内存,
以便脚本和服务器程序可以在一个页面中使用另一个页面的输入数据.

优点:可以在同源内的任意网页内访问.生命期可以设置.
缺点:值长度有限制.

Post.htm

<input type="text" name="txt1">
<input type="button" onclick="setCookie('baobao',document.all.txt1.value)" value="Post">
<script language="javascript" >
function setCookie(name,value)
{
/*
*--------------- setCookie(name,value) -----------------
* setCookie(name,value)
* 功能:设置得变量name的值
* 参数:name,字符串;value,字符串.
* 实例:setCookie('username','baobao')
* update:2004-6-11 10:30
*--------------- setCookie(name,value) -----------------
*/
var Days = 30; //此 cookie 将被保存 30 天
var exp = new Date();
exp.setTime(exp.getTime() + Days*24*60*60*1000);
document.cookie = name + "="+ escape (value) + ";expires=" + exp.toGMTString();
location.href = "Read.htm"; //接收页面.
}
</script>


Read.htm

<script language="javascript" >
function getCookie(name)
{
/*
*--------------- getCookie(name) -----------------
* getCookie(name)
* 功能:取得变量name的值
* 参数:name,字符串.
* 实例:alert(getCookie("baobao"));
* update:2004-6-11 10:30
*--------------- getCookie(name) -----------------
*/
var arr = document.cookie.match(new RegExp("(^| )"+name+"=([^;]*)(;|$)"));
if(arr !=null) return unescape(arr[2]); return null;
}
alert(getCookie("baobao"));
</script>


URL篇

能过URL进行传值.把要传递的信息接在URL上.

优点:取值方便.可以跨域.
缺点:值长度有限制.

Post.htm

<input type="text" name="username">
<input type="text" name="sex">
<input type="button" onclick="Post()" value="Post">
<script language="javascript" >
function Post()
{
//单个值 Read.htm?username=baobao;
//多全值 Read.htm?username=baobao&sex=male;
url = "Read.htm?username="+escape(document.all.username.value);
url += "&sex=" + escape(document.all.sex.value);
location.href=url;
}
</script>


Read.htm

<script language="javascript" >
/*
*--------------- Read.htm -----------------
* Request[key]
* 功能:实现ASP的取得URL字符串,Request("AAA")
* 参数:key,字符串.
* 实例:alert(Request["AAA"])
* author:wanghr100(灰豆宝宝.net)
* update:2004-6-11 10:30
*--------------- Request.htm -----------------
*/
var url=location.search;
var Request = new Object();
if(url.indexOf("?")!=-1)
{
var str = url.substr(1) //去掉?号
strs = str.split("&");
for(var i=0;i<strs.length;i++)
{
Request[strs[i].split("=")[0]]=unescape(strs[i].split("=")[1]);
}
}
alert(Request["username"])
alert(Request["sex"])
</script>
大数据数据清洗实战指南:从探查规则到质量监控 在大数据链路中,数据清洗是决定下游分析、特征工程与模型效果上限的关键环节。数据清洗并非简单的去空值与去重,而是涵盖字段级、记录级、跨源级的系统性工程。实际项目中,脏数据往往因体量庞大而被放大,例如亿级数据中0.5%的异常ID就可能造成关键指标偏差。因此,清洗前需通过数据探查摸清数据分布、空值率与格式一致性,进而设计可迭代的清洗规则体系。工具选型上,Pandas适合小规模探查验证,Hive SQL处理常规离线清洗,Spark/PySpark则应对复杂逻辑与大规模数据;同时理解MapReduce原理中的数据倾斜 阅读详情

相关推荐

BigQuery Sandbox:零门槛云数据仓库实战入门指南

BigQuery Sandbox 是 Google Cloud 提供的免信用卡、免计费账户的云数据仓库沙盒环境,基于真实 BigQuery 引擎构建,支持标准 SQL、分区查询、公共数据集接入与 Looker Studio 可视化。其核心原理是通过资源配额隔离(1 TB/月查询+10 GB存储)与调度优先级控制,在不降低 SQL 兼容性与执行精度的前提下,实现零决策成本的工程验证。技术价值在于降低数据从业者从学习到生产的心理门槛与试错成本,广泛应用于数据分析实训、BI 快速原型开发、SQL 能力验证及企业级

weixin_33739523的博客 413

5个生产级SQL陷阱解析:窗口函数、NULL处理与JOIN避坑指南

SQL查询是数据工程的核心能力,但真实业务中的复杂查询远超基础语法范畴。理解执行计划、窗口函数原理、NULL值在聚合中的静默行为、外连接的过滤逻辑,以及连续序列识别等底层机制,直接决定查询的正确性与性能。尤其在MySQL 8.0+与旧版本兼容、大数据量下的索引利用、业务语义对并列结果的精度要求等场景中,单一‘标准答案’极易引发线上故障。本文聚焦高危但高频的5类典型问题,结合EXPLAIN分析、版本适配策略与实测性能对比,为数据工程师提供可落地的诊断框架与生产级实现范式。

hideto 479

第一篇 为什么数据仓库必须分层?不分层会有什么灾难?

小团队业务量小、需求简单,日常工作就是对接业务数据库,直接写长SQL完成清洗、关联、聚合、出报表。这种方式初期看起来极致高效:不用建多层表、不用梳理架构、不用维护链路,一个SQL搞定所有需求。但这种「裸写SQL模式」,是后期所有数据混乱、故障频发、迭代瘫痪的根源。

幽静净土的技术分享 323

R语言数据导入实战:从CSV到SPSS、JSON与数据库的全链路方案

数据导入是数据分析的起点,本质是将原始字节流转化为结构化、语义完整、类型准确的R对象。其核心原理涉及文件格式解析(如CSV分隔逻辑、FWF字节定位)、元数据保真(如SPSS变量标签、值标签)、内存与性能优化(如流式读取、类型预判)。技术价值在于保障数据质量、提升工程稳定性、支撑下游建模与报告生成。典型应用场景包括客户交付数据清洗、跨系统统计软件迁移、日志与API数据集成。本文聚焦R生态中scan()、read.fwf()、haven、fread()及数据库连接等关键工具的生产级用法,直击中文乱码、ID类型失

weixin_33767813的博客 626

数据仓库四层架构详解:从ODS到ADS的落地实践与数据科学应用

在数据驱动的业务环境中,数据科学工作流的高效运转离不开稳定、统一的数据基础。数据仓库作为面向主题的集成数据集合,通过分层架构将复杂的数据处理过程拆解为职责清晰的阶段,从而解决数据混乱、口径不一、查询缓慢等核心问题。从ODS原始数据同步,到DWD明细清洗、DWS汇总统一,再到ADS应用输出,每一层都承载着特定的技术价值。理解这一体系,不仅是数据仓库开发者的基本功,也是数据分析师、算法工程师提升数据质量与建模效率的关键路径。在电商、金融、营销等场景中,基于数仓的维度建模与ETL实践,能够有效支撑用户画像、经营分

weixin_34319817的博客 117

大数据预处理工具实战:Pandas与Spark的完整指南

数据预处理是大数据项目中最耗时也最关键的环节,通常占据项目周期60%以上。面对缺失值、异常值、格式不统一等脏数据问题,掌握高效的工具链至关重要。从单机表格处理到分布式计算,SQL、Pandas、Spark SQL、Scikit-learn等工具各有所长:SQL适合粗清洗,Pandas擅长精细操作,Spark SQL应对TB级数据,Scikit-learn则提供完整的特征工程与降维模块。本文结合电商用户行为数据实战案例,详细演示了从数据清洗、特征构造到标准化编码的完整流程,并针对数据倾斜、缺失值处理等典型坑给

weixin_29048309的博客 168

图数据库为何成为AI关系推理的默认底座

图数据库是一种专为高效建模和查询实体间复杂关系而设计的数据存储范式,其核心在于将‘关系’作为一等公民,通过节点、边与路径原生表达连接语义。相比SQL依赖JOIN模拟关联,图数据库采用指针跳转式遍历,使多跳推理、邻居聚合、路径发现等操作具备亚秒级响应能力。这一特性使其天然适配图神经网络(GNN)的邻接输入需求、大模型RAG中的跨文档因果链检索,以及实时风控里的动态路径分析。在AI驱动的应用架构中,图数据库并非替代SQL,而是补足其在关系密集型任务上的根本性短板——当系统需要从海量连接中挖掘隐含逻辑而非仅查询结

liangqilang的专栏 102

HQL10 用where过滤空值练习

题目说明 练习题目来自牛客网sq在线编程 非技术快速入门用where过滤空值练习_牛客题霸_牛客网 (nowcoder.com) 测试用例 create database nk_test; //创建数据库 use nk_test; //进入数据库 -- 创建测试表 CREATE TABLE user_profile( id int, device_id int, gender string, age int, university string, province string); -- 向测

m0_47792921的博客 368

SQLAlchemy Core与ORM实战:从SQLite踩坑到生产级数据库工程

SQLAlchemy 是 Python 生态中最成熟的数据库抽象层,其核心价值远不止于‘用 Python 写 SQL’——它通过表达式语言(Core)和对象关系映射(ORM)双模架构,系统性解决连接管理、事务安全、类型映射、查询优化与团队协作等工程难题。理解 SQLAlchemy 的执行生命周期、连接池参数(如 pool_pre_ping、pool_recycle)、fetch 策略差异(fetchmany vs fetchall)以及 Core 与 ORM 的分层适用场景,是构建高可用后端服务的基础能力。

weixin_34090562的博客 328

全国职业院校技能大赛-大数据 离线数据处理模块-指标计算_国赛离线数据处理指标计算(2)

【代码】全国职业院校技能大赛-大数据 离线数据处理模块-指标计算_国赛离线数据处理指标计算(2)

2401_84164672的博客 977

网约车大数据分析实战:基于Spark的数据处理、建模与性能调优

大数据处理的核心在于如何高效、可靠地从海量数据中提取价值。Apache Spark作为主流的分布式计算框架,凭借其内存计算、批流一体和丰富的生态,成为处理复杂业务场景的首选。其技术价值在于能够将数据处理的性能提升数个量级,同时通过SQL、DataFrame等高级API降低开发门槛。在应用场景上,Spark尤其适合处理像网约车这类数据规模大、实时性要求高、分析维度多的业务,例如进行供需分析、用户画像和需求预测。本文以网约车大数据分析项目为例,深入剖析了如何利用Spark构建从数据采集、实时处理、ETL清洗到机

diaoqu4574的博客 408

MySQL数据预处理实战:去重、缺失值填充与格式统一技巧

数据清洗是数据分析与报表开发前最耗时的环节,而大多数脏数据问题并不需要借助Python或专业ETL工具,在MySQL数据库层面就能高效解决。通过SQL直接对千万级以内的数据进行预处理,既能避免数据迁移的开销,又能实现“事前拦截”而非“事后补救”。本文从数据预处理的基本概念出发,介绍其核心原理与工程价值,并覆盖去重、缺失值填充、日期与金额格式统一、类型转换、字段拆分合并等高频应用场景。针对不同MySQL版本,提供窗口函数、关联子查询等去重方案,同时分享大批量UPDATE的性能优化策略与常见坑点排查技巧。无论你

weixin_30984001的博客 218

解锁数据库批量操作:插入、更新、删除的靠谱秘籍

在数据库开发中,批量插入、更新和删除操作是提升数据处理效率的关键手段。通过分批次批量插入,我们能在保证数据完整性的同时,提升插入速度,避免因事务过大或 SQL 语句过长导致的各种问题。在批量更新时,合理选择更新方式,如根据数据量和业务场景选择<foreach>拼接多条 UPDATE 语句、使用 CASE WHEN 语句批量更新或 INSERT...ON DUPLICATE KEY UPDATE 方式,同时注意数据库配置,能有效提升更新效率。

srlsong的博客 1070

PolarDB-X国产分布式数据库选型实战指南

分布式数据库是支撑高并发、强一致、可扩展业务系统的底层基石,其核心围绕CAP权衡、分片架构、事务模型与SQL兼容性展开。PolarDB-X作为面向金融与信创场景的原生分布式数据库,以CN/DN/GMS三层解耦架构实现计算存储分离,并依托GTS全局时间戳保障跨节点强一致性,显著区别于TiDB的AP倾向或OceanBase的资源密集型CP设计。它在复杂SQL执行优化、MySQL生态平滑迁移、混合负载支持及运维自动化方面具备工程落地优势,特别适用于QPS超5万、需替代Oracle/MySQL分库分表、且强调事务确

weixin_33866037的博客 187

大数据食物营养分析可视化系统毕设完整复盘

数据可视化是呈现大数据分析结果的关键手段,其核心在于将多源数据经清洗、存储与离线计算后,转化为直观图表。以营养膳食场景为例,通过构建事实表与维度表,结合数据仓库分层思想,可对海量消费明细进行预聚合与多维分析。本文以一套食物营养数据分析可视化系统为实践载体,详细讲解了从技术选型、数据模拟、聚合计算、接口设计到大屏渲染的完整链路,并给出PySpark、FastAPI、Vue与ECharts的组合应用方案。基于DRIs参考摄入量的评分模型,让系统具备营养均衡判断能力;Redis缓存与离线宽表则保障了大屏秒级响应。

weixin_29046611的博客 85

数据库索引相关总结

索引是帮助mysql高效获取数据的排好序的数据结构。

Rk的博客 938

基于Hadoop+Spark的共享单车大数据分析系统实践

大数据分析技术在现代城市交通管理中扮演着重要角色,尤其对于共享单车这类时空数据密集型的应用场景。通过分布式计算框架如Hadoop和Spark,可以实现海量数据的实时处理与离线分析。HDFS提供可靠的分布式存储,Spark内存计算显著提升处理效率,而Hive则便于数据分析师进行复杂查询。这些技术的组合能够有效挖掘用户骑行行为、优化车辆调度策略,并为城市交通规划提供数据支持。在共享单车领域,结合地理信息系统(GIS)和实时计算技术,可以构建车辆供需预测、热力图可视化等实用功能,最终实现运营成本降低27%的显著效

weixin_29061821的博客 251

大数据场景下数据清洗的质量控制策略与实战经验

数据质量是数据分析与数据仓库建设的基石,而数据清洗则是保障数据质量的关键环节。在大数据环境下,数据来源多样、数据量庞大,脏数据形态复杂多变,如何对清洗过程进行有效的质量控制,成为数据工程师面临的核心挑战。本文从数据质量的概念与原理出发,梳理脏数据的典型来源与分类,介绍完整性、准确性、一致性等六大质量维度,以及规则清洗、统计清洗、模型清洗三层策略。结合数据治理实践,详细讲解清洗前质量基线建立、清洗效果评估、审计追踪等落地方法,并针对缺失值、重复值、时间字段等常见问题提供排查技巧。内容覆盖大数据开发、数据仓库建

weixin_34392435的博客 379
上一篇: 数据库设计范式(实例)
下一篇: 节省你的系统资源关闭不需要服务(转帖)
RAINMAN_NET
博客等级 码龄22年 2粉丝 37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
 
 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