告别旧写法!C++26中优先级队列的8种现代C++用法

现代C++ ORM库ormpp:告别原生SQL拼接,实现类型安全的数据库操作 对象关系映射(ORM)是一种将面向对象编程语言中的对象与关系型数据库中的表进行映射的技术,其核心原理是通过元数据描述对象与表之间的对应关系,自动生成SQL语句并处理数据转换。这项技术能显著提升开发效率,减少手动编写SQL带来的错误风险,并增强代码的可维护性。在C++服务端开发中,直接使用原生数据库API进行开发往往面临代码冗长、类型不安全、SQL注入防护需手动处理等挑战。ormpp作为一个纯头文件的现代C++ ORM库,充分利用C++11/14/17的编译期反射、变参模板等特性,在编译期完成类型检查和SQL 阅读详情

第一章:C++26优先级队列的核心演进与新特性

C++26 对标准库中的优先级队列(`std::priority_queue`)进行了显著增强,引入了更灵活的接口设计和底层容器可定制化机制,提升了性能控制粒度与使用场景适配能力。

支持异构比较器的模板扩展

在 C++26 中,`std::priority_queue` 允许使用异构比较器,使得不同类型元素之间的优先级判断成为可能。这一特性特别适用于多类型任务调度系统。
// 异构比较器示例:比较 int 与 double
struct heterogeneous_comparator {
    template
    bool operator()(const T& a, const U& b) const {
        return static_cast<double>(a) < static_cast<double>(b);
    }
};

std::priority_queue<int, std::vector<int>, heterogeneous_comparator> pq;
pq.push(5);
pq.push(3.14); // 允许隐式转换参与比较

容器适配器的显式控制接口

新增 `underlying_container()` 方法,允许直接访问或替换内部容器,提升调试与性能调优能力。
  • 通过引用获取底层容器进行遍历分析
  • 支持移动赋值替换容器实例
  • 可用于序列化或状态快照导出

性能优化与内存策略配置表

配置项说明默认值
memory_reclaim_threshold触发内存回收的空闲节点比例0.3
cache_locality_optimize启用缓存友好型布局重排true
graph TD A[插入新元素] --> B{是否触发阈值} B -- 是 --> C[执行内存整理] B -- 否 --> D[局部堆调整] C --> E[更新缓存对齐]

第二章:现代语法基础下的优先级队列重构

2.1 使用概念约束(Concepts)定义比较器类型

C++20 引入的 Concepts 为模板参数提供了编译时约束机制,使接口语义更清晰且错误提示更友好。在定义比较器类型时,可通过概念确保传入的函数对象满足特定调用签名与返回类型。
定义可调用的比较器概念
template
concept Comparator = requires(Comp comp, const T& a, const T& b) {
    { comp(a, b) } -> std::convertible_to;
};
上述代码定义了 `Comparator` 概念:要求类型 `Comp` 可以以两个 `const T&` 类型参数调用,并返回可转换为 `bool` 的结果。这保证了任何使用该约束的模板仅接受合法的比较逻辑。
实际应用示例
当实现一个泛型排序算法时,可将比较器作为模板参数并施加 `Comparator` 约束:
template
void sort(std::vector<T>& vec, Comp comp);
若传入不符合要求的函数对象,编译器将在实例化前报错,而非产生冗长的模板错误信息,显著提升开发体验。

2.2 基于auto和decltype的模板参数推导实践

在现代C++开发中,`auto`与`decltype`成为简化模板编程的核心工具。它们不仅提升代码可读性,还增强泛型逻辑的表达能力。
auto的类型推导机制
`auto`关键字允许编译器在声明变量时自动推断其类型,尤其适用于复杂模板或lambda表达式场景:

std::vector vec = {1, 2, 3};
for (auto it = vec.begin(); it != vec.end(); ++it) {
    // it 类型被推导为 std::vector::iterator
}
上述代码中,`auto`避免了冗长的迭代器类型书写,提升编码效率。
decltype的精准类型捕获
`decltype`用于获取表达式的声明类型,常用于模板中返回值推导:

int x = 5;
decltype(x) y = 10; // y 的类型为 int
decltype((x)) z = y; // z 的类型为 int&(括号使其变为左值表达式)
通过`decltype`,可在函数模板中精确控制返回类型,如配合`declval`实现SFINAE判断。

2.3 利用三路比较运算符简化优先级逻辑

C++20 引入的三路比较运算符(<=>)显著简化了对象间优先级关系的定义,尤其在实现排序逻辑时减少样板代码。
基本语法与行为
struct Point {
    int x, y;
    auto operator<=>(const Point& other) const = default;
};
上述代码中,编译器自动生成比较逻辑,返回 std::strong_ordering 类型。该类型可自然参与条件判断,无需手动实现多个关系运算符。
优先级比较场景优化
使用三路比较可统一处理复杂结构体的排序:
  • 自动推导成员比较顺序
  • 避免重复编写 ==、< 等操作符
  • 提升代码可维护性与一致性
结合标准库容器(如 std::set),可直接基于语义顺序组织数据,大幅降低逻辑错误风险。

2.4 结合范围库(Ranges)初始化队列数据

在现代C++开发中,利用范围库(Ranges)可以更高效地处理容器数据的初始化与转换。通过将范围适配器与队列结合,能够实现惰性求值的数据流处理。
使用视图初始化队列
借助 std::views::iota 可生成连续整数范围,再通过算法填充队列:

#include <queue>
#include <ranges>
#include <algorithm>

std::queue<int> init_queue() {
    std::queue<int> q;
    auto range = std::views::iota(1, 6); // 生成 [1, 5]
    for (int val : range) {
        q.push(val);
    }
    return q;
}
上述代码利用 std::views::iota(1, 6) 创建一个从1到5的懒加载整数序列,逐个推入队列。相比传统循环,该方式更具表达力且易于组合其他视图操作,如过滤或映射。
优势对比
  • 支持惰性计算,减少中间存储开销
  • 语法清晰,提升代码可读性
  • 易于与其他范围操作组合扩展

2.5 使用constexpr内存分配提升编译期优化

C++14 及后续标准扩展了 constexpr 的语义,允许在编译期执行更复杂的逻辑,包括静态内存的分配与初始化。这为元编程提供了更强的表达能力。
编译期常量表达式的优势
constexpr 函数和变量可在编译期求值,减少运行时开销。当用于容器或对象构造时,能显著提升性能。
constexpr int factorial(int n) {
    return (n <= 1) ? 1 : n * factorial(n - 1);
}
static_assert(factorial(5) == 120, "Compile-time check failed");
上述代码在编译期完成阶乘计算,static_assert 验证结果,避免运行时重复计算。
constexpr与数组初始化
利用 constexpr 可定义编译期数组,实现零成本抽象:
输入值编译期结果
36
424

第三章:函数式与泛型编程融合技巧

2.1 Lambda表达式作为临时比较器的高效应用

在Java集合操作中,Lambda表达式极大简化了临时比较器的定义。相较于传统匿名类方式,Lambda通过函数式接口实现更简洁的语法。
语法对比与演进
使用匿名内部类定义比较器需冗长代码:
Collections.sort(list, new Comparator<String>() {
    @Override
    public int compare(String a, String b) {
        return a.length() - b.length();
    }
});
而等效的Lambda表达式仅需一行:
Collections.sort(list, (a, b) -> a.length() - b.length());
该写法省略了类型声明与方法定义,编译器自动推断函数式接口目标。
典型应用场景
  • 集合排序时按动态条件比较元素
  • 优先队列中自定义优先级规则
  • 流操作中的sorted()中间操作

2.2 模板别名(alias template)封装常用队列配置

在现代C++并发编程中,`std::queue`与`std::mutex`的组合常用于实现线程安全的队列。为简化重复的类型声明,可使用模板别名进行封装。
封装常用配置
通过`template alias`,将常见的队列配置抽象为简洁的类型别名:
template
using ThreadSafeQueue = std::queue>;

template
using LockedQueue = std::queue>;
上述代码中,`ThreadSafeQueue`默认使用`std::deque`作为底层容器,适用于频繁增删的场景;`LockedQueue`则采用`std::list`,支持更灵活的内存管理。
  • 减少冗长类型声明,提升代码可读性
  • 便于统一修改底层容器策略
  • 支持泛型编程,增强模块复用能力

2.3 通过柯里化构造可复用的优先策略组件

在构建灵活的任务调度系统时,优先策略的复用性至关重要。柯里化技术能将多参数函数转化为一系列单参数函数,从而延迟计算并提升组合能力。
策略函数的柯里化封装
const prioritize = (strategy) => (priority) => (task) =>
  strategy(task) >= priority;
上述代码定义了一个高阶函数 `prioritize`,它接收一个评估策略函数,返回一个可链式调用的判断器。例如,根据任务紧急程度筛选: ```js const isUrgent = prioritize((task) => task.level)(2); ``` 该结构允许预设策略与阈值,生成具体判定函数。
策略组合的灵活性
  • 可缓存中间函数以复用配置
  • 支持运行时动态组合多个条件
  • 便于单元测试与逻辑隔离

第四章:并发与异步场景中的高级用法

4.1 配合std::jthread构建线程安全优先队列

数据同步机制
在多线程环境下,优先队列的插入与删除操作需保证原子性。使用 std::mutex 配合条件变量 std::condition_variable 可实现线程间安全通信。
代码实现

template<typename T>
class ThreadSafePriorityQueue {
    std::priority_queue<T> queue;
    mutable std::mutex mtx;
    std::condition_variable cv;
public:
    void push(T item) {
        std::lock_guard<std::mutex> lock(mtx);
        queue.push(item);
        cv.notify_one();
    }

    bool try_pop(T& value) {
        std::lock_guard<std::mutex> lock(mtx);
        if (queue.empty()) return false;
        value = queue.top(); queue.pop();
        return true;
    }
};
该实现中,push 方法加锁后入队并唤醒等待线程;try_pop 在非空时弹出最大值。配合 std::jthread 的自动生命周期管理,可避免资源泄漏。
优势对比
  • 相较于裸线程,std::jthread 支持协作式中断
  • 优先队列结合条件变量可高效响应任务变化

4.2 使用协程(Coroutines)实现懒加载任务调度

在现代异步编程中,协程为任务调度提供了轻量级的执行单元。通过协程的惰性启动机制,可实现任务的按需执行,从而优化资源使用。
协程与懒加载结合的优势
  • 延迟执行:仅在需要时启动协程,减少初始化开销
  • 资源高效:避免提前占用线程或内存资源
  • 响应迅速:利用事件循环实现非阻塞调度
代码示例:Kotlin 协程实现懒加载

val lazyTask by lazy {
    GlobalScope.async {
        delay(1000)
        fetchData()
    }
}
// 首次访问时才启动协程
lazyTask.await()
上述代码中,lazy 委托确保协程构建器 async 仅在首次调用时触发,delay 模拟耗时操作,实现真正的按需执行。
调度性能对比
策略启动延迟内存占用
预加载低高
懒加载高低

4.3 基于atomic智能指针管理共享资源优先级

在高并发场景下,多个线程对共享资源的访问需通过精细化控制来避免竞争与数据不一致。使用原子操作结合智能指针可实现无锁化的资源管理机制,提升系统吞吐。
原子指针与引用计数协同
通过 `std::atomic>` 包装共享资源,确保指针读写具备原子性,同时保留引用计数的生命周期管理优势。

std::atomic> atomic_res;

void update_resource() {
    auto new_res = std::make_shared();
    std::shared_ptr expected = atomic_res.load();
    while (!atomic_res.compare_exchange_weak(expected, new_res));
}
上述代码利用 CAS 操作(compare_exchange_weak)实现线程安全的资源更新。只有当当前值与预期值一致时才替换,否则重试直至成功,保障了更新的原子性。
优先级调度策略
可扩展原子指针结构,嵌入优先级标记,结合线程调度器决定资源获取顺序:
  • 高优先级任务优先获取资源代理句柄
  • 低优先级线程进入自旋或让出执行权
  • 通过内存序(memory_order)优化性能,如使用 memory_order_acquire

4.4 整合事件循环模型处理异步I/O任务分发

在现代高性能服务架构中,事件循环(Event Loop)是实现异步I/O任务高效分发的核心机制。通过单一主线程轮询监听文件描述符,事件循环能够并发处理成千上万的网络连接而无需依赖线程切换。
事件循环工作流程
初始化事件循环 → 注册I/O事件监听 → 循环检测就绪事件 → 分发回调处理器
基于Go的简易事件分发示例
func startEventLoop() {
    for {
        events := poller.Poll(timeout)
        for _, event := range events {
            go handleEvent(event) // 非阻塞分发
        }
    }
}
上述代码中,Poll() 方法阻塞等待I/O事件就绪,一旦返回即批量触发处理协程,实现任务解耦与并行响应。
  • 事件注册:将socket读写事件绑定至事件队列
  • 就绪通知:由操作系统通过epoll/kqueue机制推送
  • 回调执行:调用预设处理器完成具体业务逻辑

第五章:从C++20到C++26的优先队列演进总结

标准库中的优先队列优化路径
C++20起,std::priority_queue 在底层容器适配器层面引入了对 std::span 和移动语义的更好支持,提升了构造效率。C++23进一步增强了比较器的可定制性,允许使用lambda表达式作为模板参数,无需额外封装结构体。

auto cmp = [](int a, int b) { return a > b; };
std::priority_queue, decltype(cmp)> pq(cmp);
pq.push(3); pq.push(1); pq.push(4);
// 输出:1, 3, 4(最小堆行为)
while (!pq.empty()) {
    std::cout << pq.top() << " ";
    pq.pop();
}
并发与异步场景下的增强
C++26提案中引入了 std::concurrent_priority_queue,支持多线程安全入队与出队操作,采用无锁算法实现高吞吐。该容器适用于任务调度系统,例如实时交易引擎中的订单优先处理。
  • 支持批量插入(bulk push),降低锁竞争频率
  • 提供弱一致性遍历接口,用于监控而非强同步
  • 集成PMR内存资源,适配不同分配策略
性能对比与适用场景分析
版本核心特性典型应用场景
C++20移动优化、容器互换高频数据流缓存
C++23Lambda比较器、视图构造算法竞赛、动态排序
C++26 (TS)线程安全、批量操作分布式任务队列
[任务提交] --> [并发优先队列] --> [工作线程池] | [优先级重计算]
Gemma 4 26B本地部署实战:消费级显卡跑通260亿参数大模型 大语言模型本地化部署正从‘能否运行’迈向‘如何高效可控运行’的新阶段。其核心原理在于模型量化、显存精算与推理引擎协同优化,技术价值体现在低延迟响应、数据零上传、成本可预测及调试全链路可见。典型应用场景包括AI原生应用开发、教育实训、私有知识库问答与边缘智能终端。本文聚焦Gemma 4 26B这一260亿参数开源模型,结合llama.cpp量化部署与LM Studio可视化调优,实证验证其在RTX 3060等消费级显卡上的稳定推理能力,并深入解析GGUF格式选择、CUDA架构适配、KV缓存优化等关键实践路径。 阅读详情

相关推荐

ROS Noetic下Eclipse 2020-09 C++开发环境深度配置指南

C++集成开发环境(IDE)是ROS机器人系统开发的关键基础设施,其核心能力在于精准的符号解析、CMake构建理解与跨文件导航。基于AST抽象语法树索引的IDE能显著提升ROS节点调试效率,尤其在处理OpenCV、PCL等复杂依赖时,避免因头文件路径缺失或C++标准不匹配导致的编译与跳转失败。Eclipse CDT凭借对Linux GCC和catkin构建系统的原生适配,在Ubuntu 20.04+ROS Noetic组合中展现出高稳定性、低内存开销与确定性响应优势,适用于教学实验、算法验证及中大型感知模块

weixin_30267785的博客 395

12.18构建哈夫曼树(优先队列),图的存储方式,一些细节(auto,pair用法,结构体指针)

为结构体自身时,用.调用成员变量;为结构体指针时,用->调用成员变量所以存在结构体数组时,调用数组元素里的成员变量,就是要用.结构体自身只有在new时才会创建出来,而其指针可以随意创建在用new时,要返回指向结构体的指针。

m0_73553411的博客 783

别再傻等在线工具了!手把手教你用FastANI本地批量计算基因组ANI(附避坑指南)

本文详细介绍了如何通过本地化部署FastANI工具高效计算基因组平均核苷酸相似度(ANI),解决在线工具的低效等待和文件限制问题。从环境配置、依赖处理到批量比对实战技巧,提供全面的避坑指南和性能优化方案,帮助研究者提升微生物基因组分析效率。

weixin_33387339的博客 299

基于C++11的线程池(threadpool),简洁且可以带任意多的参数

咳咳。C++11 加入了线程库,从此告别了标准库不支持并发的历史。然而 c++ 对于多线程的支持还是比较低级,稍微高级一点的用法都需要自己去实现,譬如线程池、信号量等。线程池(thread pool)这个东西,在面试上多次被问到,一般的回答都是:“管理一个任务队列,一个线程队列,然后每次取一个任务分配给一个线程去做,循环往复。” 貌似没有问题吧。但是写起程序来的时候就出问题了。 废话不多说,先上实现,然后再啰嗦。(dont talk, show me ur code !) 代码实现 1 #p

csdn9990的博客 301

Qwen生产落地实战:从模型选型到中文提示工程全链路指南

大语言模型(LLM)已从概念验证迈入规模化生产部署阶段,其核心挑战不再局限于基础能力,而在于中文场景下的稳定性、可控性与工程适配性。Qwen系列模型凭借原生中文优化、Apache 2.0开源协议及高密度垂直语料训练,在金融、政务、医疗等强合规、重语义的领域展现出显著鲁棒性优势。技术价值体现在长文本理解精度提升、token级可审计性增强、本地化部署成本可控;典型应用场景包括财报信息抽取、法律合同解析、智能客服工单分类及多轮对话摘要生成。本文聚焦Qwen2.5在真实业务环境中的全栈落地路径,覆盖模型量化选型、v

weixin_33971977的博客 364

ROS talker-listener测试:从环境验证到通信排错全指南

ROS话题通信是机器人系统最基础的数据交互机制,其核心依赖于rosmaster节点注册、topic发布/订阅拓扑建立与跨进程消息传输。理解roscore启动原理、ROS_PACKAGE_PATH环境变量作用及ROS_MASTER_URI网络配置,是保障talker与listener正常协同的前提。技术价值在于快速暴露环境配置错误(如未source工作空间、端口被占、hosts映射异常)、节点生命周期问题(如C++中NodeHandle初始化顺序)以及分布式通信障碍(如ROS_IP设置不当)。典型应用场景包括

weixin_34238633的博客 385

告别龟速匹配:手把手教你用C++和OpenCV优化NCC模板匹配到10ms内(附避坑指南)

本文详细介绍了如何通过C++和OpenCV优化NCC模板匹配算法,将耗时从26ms降至3ms。通过公式重构、内存预计算、SIMD并行化和多级金字塔策略,显著提升工业视觉检测中的匹配速度。文章还提供了QT集成实战中的避坑指南,包括内存管理、精度损失和实时性保障等关键技巧。

weixin_30652491的博客 562

U-net复现pytorch版本 以及制作自己的数据集并训练

GitHub链接: https://github.com/milesial/Pytorch-UNet 论文链接:

candice5566的博客 3万+

基于C++11的线程池,简洁且可以带任意多的参数

咳咳。C++11 加入了线程库,从此告别了标准库不支持并发的历史。然而 c++ 对于多线程的支持还是比较低级,稍微高级一点的用法都需要自己去实现,譬如线程池、信号量等。线程池(thread pool)这个东西,在面试上多次被问到,一般的回答都是:“管理一个任务队列,一个线程队列,然后每次取一个任务分配给一个线程去做,循环往复。” 貌似没有问题吧。但是写起程序来的时候就出问题了。 废话不多说,先上实...

weixin_34273479的博客 92

半导体AMHS天车振动控制:从0.5G到超低振动的技术演进与工程实战

在先进晶圆厂中,自动化物料搬运系统(AMHS)的天车如同空中出租车,承担着晶圆盒(FOUP)在洁净室各工艺区间的转运任务。然而,当天车加减速、过弯或抓取时产生的机械振动通过轨道梁和建筑结构传递至光刻机等敏感设备,便可能直接威胁套刻精度与良率。传统被动减振方案依靠橡胶垫和弹簧,在0.5G指标时代曾行之有效,但在EUV光刻和先进制程面前已力不从心。主动振动控制技术通过传感器、控制器与作动器构成的闭环系统,在轨道吊点和机械手端实时输出反向力抵消振动,配合磁悬浮走行、轻量化结构及调度系统的路径优化,将振动从0.5G

weixin_29188043的博客 345

Veritas NetBackup 10.1 Windows安装指南:从账户配置到完整部署

本文详细介绍了Veritas NetBackup 10.1在Windows系统上的完整安装流程,从账户配置到部署验证。重点讲解了创建专用服务账户、安装组件选择、许可证输入等关键步骤,并提供了常见问题排查和进阶配置建议,帮助用户顺利完成企业级备份解决方案的部署。

weixin_26765287的博客 454

基于C++11的线程池(threadpool),简洁且可以带任意多的参数(转)

咳咳。C++11 加入了线程库,从此告别了标准库不支持并发的历史。然而 c++ 对于多线程的支持还是比较低级,稍微高级一点的用法都需要自己去实现,譬如线程池、信号量等。线程池(thread pool)这个东西,在面试上多次被问到,一般的回答都是:“管理一个任务队列,一个线程队列,然后每次取一个任务分配给一个线程去做,循环往复。” 貌似没有问题吧。但是写起程序来的时候就出问题了。 废话不多说,先上实...

monk1992的博客 206

Mac用户必看:Parallels Desktop 18.1.1最新破解版安装与优化全攻略(附资源)

本文为Mac用户提供Parallels Desktop 18.1.1的详细安装与优化指南,涵盖虚拟化技术选型、专业级配置流程及性能调优技巧。重点解析Parallels Desktop在图形加速、系统资源调度方面的核心优势,并分享生产力增强技巧与典型应用场景实战方案,帮助用户最大化利用这一高效虚拟化工具。

weixin_29240343的博客 830

JSON树操作利器:visual-json多选、拖拽重排与右键菜单进阶技巧

visual-json 是一款可视化 JSON 编辑器(Schema-aware, embeddable, extensible),其 TreeView 树视图支持**多选、拖拽重排与右键上下文菜单**三大进阶操作。本文带你快速掌握这些技巧,批量操作 JSON 节点效率翻倍。🚀 ## 什么是 visual-json visual-json 由无头核心库 `@visual-json/core`

gitblog_01093的博客 479

【Matlab】matlab代码实现迭代学习控制

该文介绍了在Matlab中实现迭代学习控制(ILC)的方法。ILC通过利用历史轨迹数据来优化重复任务的控制性能。文章提供了一个步进电机控制示例,包括:1)定义正弦轨迹;2)设置100次迭代和0.1学习率;3)建立二阶系统模型;4)执行ILC算法计算控制输入;5)绘制期望轨迹与实际输出的对比图。该示例展示了ILC的基本实现过程,并指出实际应用可能需要更复杂的设计。代码演示了误差计算、控制输入更新和结果可视化等关键步骤。

unber的博客 203

《QGIS快速入门与应用基础》009:国内镜像源(清华大学/阿里云)下载技巧

针对国内用户下载QGIS速度慢、易中断的问题,推荐使用清华大学和阿里云两大国内镜像源,提供3-10MB/s的极速下载方案。详细解析镜像源核心优势、分步骤下载指南及校验方法,对比清华(同步快、北方优选)与阿里云(南方节点多)的特点。针对常见问题如版本延迟、404错误等提供解决方案,并介绍搭配IDM等工具实现多线程加速的进阶技巧。通过镜像源+下载工具组合,用户可高效获取QGIS安装包,为后续系统安装奠定基础。

LuckyHanMo的博客 1754

告别疲劳驾驶预警:用Python+OpenCV+Dlib手把手实现一个实时眨眼检测小工具

本文详细介绍了如何使用Python、OpenCV和Dlib构建一个实时眨眼检测工具,用于驾驶员疲劳预警。通过人脸关键点检测和眼睛纵横比(EAR)算法,系统能准确识别眨眼动作并触发警报,有效预防疲劳驾驶。文章还提供了环境搭建、核心算法实现及系统优化的完整指南,适合开发者快速落地实用工具。

weixin_42526415的博客 122

B.3【智能标注】:基于Labelstudio的UIE半监督深度学习的智能标注方案(云端版),提效。

Label Studio 所提供的 Machine Learning Backend 提供了一个比较灵活的辅助人工标注的框架,我们通过它确实可以加快 nlp 数据的标注Label Studio 的 enterprise 版本提供了 Active Learning 的流程,不过从其描述看这个流程并不完美,尤其是 fit 部分,由于 Label Studio 低估了「Train」所花费的时间,所以每次标注都自动训练的流程可能并不会那么顺滑(会在链接时候等待一段时间)

丨汀、的博客 1841
上一篇: 从入门到精通Kafka Streams窗口,彻底搞懂滚动窗口与滑动窗口的区别
下一篇: C++编译期优化终极方案:内核配置如何实现0运行时开销(仅限高级开发者)
SimCompile
博客等级 码龄1年 140粉丝 2012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