nginx.org的How nginx processes a request页面翻译

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx 立即下载

英文文档对应页面:How nginx processes a request

nginx如何处理请求

基于主机名的虚拟主机

nginx首先决定由哪个“server”块来处理请求。让我们以一个简单的配置开始,3个监听在80端口的虚拟主机配置:
	server {
	    listen      80;
	    server_name example.org www.example.org;
	    ...
	}

	server {
	    listen      80;
	    server_name example.net www.example.net;
	    ...
	}

	server {
	    listen      80;
	    server_name example.com www.example.com;
	    ...
	}
在这个nginx配置测试中,仅仅是请求头中的 “Host” 字段,决定了请求应该路由到哪个 “server”块。如果 “Host” 字段未匹配到任何的服务器名称,或者请求头甚至不包含 “Host” 字段,nginx会将请求路由到默认的 “server”块。在上面的配置中,默认的 “server”块是第一个(这是nginx的标准默认行为)。也可以通过 “listen” 指令的 “default_server” 参数,明确设置默认服务器:

	server {
	    listen      80 default_server;
	    server_name example.net www.example.net;
	    ...
	}
<span style="font-family: SimSun; background-color: rgb(255, 255, 255);">自0.8.21版本后,就支持了 “default_server” 参数。更早的版本中,使用 “default” 参数代替。</span>
注意:

“default_server” 是 “listen port” 的属性,而不是 “server name” 的属性,这个很容易错误!

如何阻止未定义主机名的请求

如果一个没有 “Host” 字段的请求需要被禁止,可以使用下面的 “server”块配置:
	server {
	    listen      80;
	    server_name "";
	    return      444;
	}
这里,一个设置为空字符串的主机名,将匹配到没有 “Host” 字段的请求,并且返回一个特殊的非标准nginx状态码444,然后关闭连接。
自从0.8.48版本后,这是主机名的默认配置,因此,“server_name ""”,可以被省去。在更早的版本中,机器的主机名(machine's hostname),作为默认的主机名。

基于主机名和基于IP的混合方式的虚拟主机

让我们看一个稍微复杂点的配置,几个虚拟主机监听不同的IP地址:
	server {
	    listen      192.168.1.1:80;
	    server_name example.org www.example.org;
	    ...
	}

	server {
	    listen      192.168.1.1:80;
	    server_name example.net www.example.net;
	    ...
	}

	server {
	    listen      192.168.1.2:80;
	    server_name example.com www.example.com;
	    ...
	}
在这个配置中,nginx首先获取请求的IP地址和端口,同 “server”块的 “listen” 指令进行匹配。接着在已经通过IP和端口匹配到的 “server”块中,利用请求的 “Host” 字段同 “server_name” 指令进行匹配。未匹配到 “server_name”,请求将被默认server处理。例如:一个接收在192.168.1.1:80地址的www.example.com的请求,将被192.168.1.1:80的默认服务器处理(默认是第一个 “server”块,在第一节讲过),因为在这个IP&端口上,没有匹配到对应的主机名。
如上所述,“default_server” 是 “listen port” 的属性。不同的默认服务器,应该被定义在不同的 “listen port”(同一个ip&端口,只能定义一个默认服务器),例如:
	server {
	    listen      192.168.1.1:80;
	    server_name example.org www.example.org;
	    ...
	}

	server {
	    listen      192.168.1.1:80 default_server;
	    server_name example.net www.example.net;
	    ...
	}

	server {
	    listen      192.168.1.2:80 default_server;
	    server_name example.com www.example.com;
	    ...
	}

一个简单的PHP站点配置

现在,让我们看一个典型的、简单的PHP站点,nginx如果选择一个 “location”块,来处理一个请求:
	server {
	    listen      80;
	    server_name example.org www.example.org;
	    root        /data/www;

	    location / {
	        index   index.html index.php;
	    }

	    location ~* \.(gif|jpg|png)$ {
	        expires 30d;
	    }

	    location ~ \.php$ {
	        fastcgi_pass  localhost:9000;
	        fastcgi_param SCRIPT_FILENAME
	                      $document_root$fastcgi_script_name;
	        include       fastcgi_params;
	    }
	}
/*
    location的匹配规则,先注意2点:
        1>先进行普通字符串的匹配,然后才进行正则的匹配。
        2>location的执行逻辑同顺序是有关系的,而非没关系。
            “普通 location ”的匹配规则是“最大前缀”,因此“普通 location ”的确与 location 编辑顺序无关;
            但是“正则 location ”的匹配规则是“顺序匹配,且只要匹配到第一个就停止后面的匹配”;
 */
1.nginx首先进行文字字符串的最大前缀搜索,忽略location的匹配顺序。在上面的配置中,仅有的location字符串前缀是 "/",它匹配任意的请求,作为一个最后的匹配方案。2.nginx按顺序检查配置文件中的正则location。一旦匹配到一个,就不再继续匹配。如果没有匹配到正则,nginx将使用早先发现的最大前缀匹配。
注意:location的所有类型匹配,仅仅针对的是 “URI” 部分,和后面的请求参数无关。这样做是因为:相同的请求字符串,可能以不同的方法给出,例如:

/index.php?user=john&page=1

/index.php?page=1&user=john

另外,在请求字符串中,每个人都可以请求任意的内容(我们可以任意指定请求字符串,而不用考虑请求的文件,某些请求中,请求字符串并不是必须的):

/index.php?page=1&something+else&user=john

现在,让我们来看看,上面的配置是如何处理请求的:

  • “logo.gif”的请求,首先匹配到前缀是“/”的location,接着匹配到“\.(gif|jpg|png)$”的正则location,因此,它会被正则location处理。使用 “root /data/www” 指令,请求被映射到 “/data/www/logo.gif” 文件,文件发送给客户端。
  • “/index.php”的请求,首先匹配到前缀是“/”的location,接着匹配到“\.(php)$”的正则location,因此,它会被正则location处理。请求会被传递到一个监听在 “localhost:9000” 的FastCGI服务器。“fastcgi_param” 指令,设置了FastCGI的参数:SCRIPT_FILENAME对应“/data/www/index.php”,FastCGI服务器执行这个文件。“$document_root”变量等于“root”指令的值,$fastcgi_script_name等于请求的URI,即“/index.php”。
  • “/about.html”请求,只匹配到了前缀是“/”的location,因此被它处理,使用 “root /data/www” 指令,请求被映射到 “/data/www/about.html” 文件,文件发送给客户端。
  • 处理“/”请求会更负责一点。只匹配到了前缀是“/”的location,因此被它处理。结合“index”指令&“root /data/www”指令,查看“index”指令指定的参数的文件是否存在。如果“/data/www/index.html”文件不存在,但文件“/data/www/index.php”文件存在,则执行一个内部的重定向至“/index.php”,nginx再次匹配所有的locations,就像来自客户端的请求。同我们前面所看到的一样,这个重定向请求最终会被FastCGi服务器处理。

华硕笔记本键盘失灵恢复方法全解析 华硕笔记本键盘失灵问题可能由多种原因导致,但大多数问题都可以通过上述方法得到解决。在尝试恢复键盘功能时,请务必按照步骤操作,并注意备份重要数据。如果问题依然存在,请寻求专业维修人员的帮助。希望本文能够帮助大家快速解决华硕笔记本键盘失灵的问题! 阅读详情

相关推荐

USC EE450 CSCI455 CSCI571 Midterm 总结

EE450 Compter Network                1.历年Midterm考题。(更新至2017年spring,如果大家有新的资源欢迎编辑)                 google drive:https://drive.google.com/drive/folders/0B_LCDxpiiXZ1cUNReFpZZHo4NG8?usp=sharing

Small_hour 7113

How nginx processes a request

【1】基于名字的虚拟server 首先看下面三个简单配置(这三个虚拟server配置均是监听80端口,server_name不同): server { listen 80; server_name example.org www.example.org; ... } server { listen 80; server_name example.net www.example.net; ... } server { listen

小小默:进无止境 654

LabVIEW+数据库应用系列保姆级教程,第二篇增删查改

2021-7-2 先挖好坑

wwplh5520370的博客 7365

How nginx processes a request; Nginx处理一条请求的过程

这段E文很简单,但很基础,结合FastCGI的工作原理看,就更好了。发现以前的软件(比如CGI),为了节省资源,比如CPU和内存,想方设法的再处理完请求后即刻释放资源,而现在随着硬件的发展及价格的降低,一般的内存和CPU都不是问题,所以反而不重复的申请资源和释放资源,会给用户带来更好的体验,因为处理速度上去了。可以看看CGI与FastCGI的比较。

longxibendi的专栏 1805

暗黑破坏神2重制版 mod制作教程(一)

暗黑2重制版mod修改教程

hhhh2312的博客 7468

PCL 欧式聚类(C++详细过程版)

为充分了解算法实现的每一个细节和有待改进的地方,使用C++代码对算法实现过程进行复现。

点云侠的博客 2449

nginx烂笔头——nginx如何处理一个请求

说明:“Nginx烂笔头”系列Blog是自己对Nginx官方文档的的翻译,用作阅读笔记便于日后查阅的成分居多,无关重要内容会删减,也可能会加入自己的理解。囿于个人水平,一些专业的名称翻译不会太准确,推荐查看Nginx官网原始文档。翻译内容如果有错误,欢迎指正。 本文翻译自Nginx官网How nginx processes a request网页文档。 基于名称的虚拟主机 nginx会先决...

SilentHeartDZ的博客 544

解锁PyCharm+Deepseek:本地部署AI编程超能力

在本次探索中,我们成功地在 PyCharm 中实现了 DeepSeek 的本地化部署,这一过程虽然涉及多个步骤,但每一步都为我们开启 AI 编程大门奠定了基础。从安装最新版 PyCharm,确保我们拥有一个功能强大且兼容性良好的开发环境,到注册 DeepSeek 账号并获取 API Key,这是连接我们与强大 AI 能力的关键纽带。接着,在 PyCharm 中安装 Continue 插件并进行精细配置,让 DeepSeek 能够深度融入我们的编程流程。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 5550

how nginx processes a request

nginx如何处理请求 如何处理不确定的服务器名的请求 混合名称和IP的虚拟服务器 一个简单的PHP站点配置 基于名字的虚拟服务器nginx首先会决定哪个服务器去处理请求. 让我们配置三个虚拟服务器都监听*:80端口: server { listen 80; server_name example.org www.example.org ; ... }

BeardedJ的专栏 505

某勾网之登录过程逆向

拉勾网的登录过程逆向,包含请求头(X-S-HEADER、X-K-HEADER、X-SS-REQ-HEADER等) 以及 请求参数/返回数据的加解密。

shanf7921的博客 3万+

自注意力机制(SelfAttention Mechanism)原理与代码实战案例讲解

自注意力机制(Self-Attention Mechanism)原理与代码实战案例讲解 作者:禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍

AI天才研究院 1295

nginx 301 将不带www域名,重定向到www域名

对运维这边不了解,一般网站访问,为了简单,使用不带 www 访问,例如: www.baidu.com 直接通过 baidu.com 进行访问 所以,自己的网站也这样访问。偶然发现,不带www 和 带www,完全登录了2个不同的账号,才觉得异常,搜索下,才了解到区别。 一般处理这个,需要将 '不带www' 301重定向到 '带www': apache: RewriteCond %{...

beyond__devil的博客 1万+

电机驱动和电源等大电流设计中的并联 MOSFET设计

在电机驱动等应用中,半桥拓扑(通常为 3 相)用于生成在电机中产生正扭矩或负扭矩的交流电源信号。想要更高的输出电流能力,只有通过并联形成每个功能开关的 MOSFET,才能实现高输出电流。当多个功率 MOSFET 并联以增加系统整体电流能力容量时,通常假设电流在并联器件之间均等分配或均等共享。然而,在并联 MOSFET 时,需要考虑并联器件之间的电流分配。PCB 布局的若干特性和特定的MOSFET 参数会影响这种分配,并在参数不匹配或布局不对称时导致均流不平衡。

小幽余生不加糖 2488

Certbot 生成 ssl 证书

certbot 是用来申请 Let's Encrypt 免费 SSL 证书 一般的免费 SSL 证书,好像都是使用 Let's Encrypt 颁发的证书。官网地址: https://letsencrypt.org/ Let's Encrypt 使用 ACME 协议来认证我们域名,并颁发证书。要获取 Let's Encrypt 证书,我们需要选择一个 ACME 客户端软件。官方推荐的是 C...

beyond__devil的博客 8026

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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

canvas跨域完美解决,微信头像解决跨域

现在前端技术发展的越来越快,很多图片合成这种耗费服务器性能的,都可以移动到前端进行了合成了。而且合成很方便,我们利用 canvas 可以实现好多东西。 自动打算利用前端来合成图片,在网上就找到了 html2canvas,大家可以试试,很简单。 前端 canvas 经常会遇到 『图片跨域』 的问题。 项目中,最典型的例子是: 将微信头像,通过 canvas 来合成图片 之前的做法一直是,...

beyond__devil的博客 6076

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

OpenSSL 生成 ssl 证书

openssl 可以生成证书,但只是 "自制证书",我们自己来使用。 因为我们生成的证书,不被各种浏览器认可,所以一般用于本机来测试。 openssl 的介绍: https://segmentfault.com/a/1190000014963014 openssl 生成证书参考文章: https://blog.csdn.net/joyous/article/details/806599...

beyond__devil的博客 4127

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

PHPExcel导入15M的Excel表到数据库,出现nginx:504 gateway timeout

PHPExcel导入15M的Excel表到数据库,出现nginx:504 gateway timeout! PHPExcel导入数据,太尼玛耗内存了! 看了下官方文档,5M的数据,就得占5G的内存,这不是开玩笑么。。所以,参照官方的文档,使用chunk块上传,内存减少了,但是会消耗更长的时间。 测试了下,3万的数据,每次读去3000行,花费了204s,内存大约130M。 之前出现了:ngi

beyond__devil的博客 4086

nginx.org的Configuring HTTPS servers页面翻译

国庆期间,抽时间翻译。英文水平太差,翻译太费劲了。。。 英文文档对应页面:Configuring HTTPS servers 配置https服务 为了配置https服务,必须开启 "server"块的 "listen" 指令的 "ssl" 参数,并且需要指定 "server_certificate" 和 "private_key" 文件位置: server { listen

beyond__devil的博客 1400

nginx.org的Logging to syslog页面翻译

英文文档对应页面:Logging to syslog “error_log” 和 “access_log” 指令,支持日志记录到 “系统日志”(syslog)。下面是配置参数: server=address 定义了 “系统日志服务器”(syslog server)地址。地址可以被指定为以下几种方式: 域名或IP,以及一个可选的端口号 UNIX的socket路径,以“unix:

beyond__devil的博客 1085

nginx.org的How nginx processes a TCP/UDP session页面翻译

英文文档对应页面:How nginx processes a TCP/UDP session nginx如何处理一个TCP/UDP session 一个来自客户端的TCP/UDP session,依次经过下列处理阶段: post-accept     第一个阶段在nginx接收客户端请求后。在这个阶段,调用 "ngx_stream_realip_module" 模块。

beyond__devil的博客 954

nginx.org的beginner's guide页面翻译

本指南给出的Nginx基本介绍和描述了一些简单的可以用它来完成的任务。假定nginx已经安装在了读者的机器上。如果没有,查看 安装 页面。本指南介绍了如何启动和停止nginx和加载其配置,解释了配置文件的结构,并描述如何设置nginx,服务静态内容,如何配置Nginx作为代理服务器,以及如何同FastCGI应用程序连接。 Nginx有一个主进程和多个工作进程。主程序的主要目的是读取和

beyond__devil的博客 832

nginx.org的about页面翻译

nginx(engine X),是一个HTTP服务器,反向代理服务器,邮件代理服务器,以及一般的TCP/UDP代理服务器。作者是:Igor Sysoev。很长一段时间,它被运行在俄国的一些大型网站上。网络调查发现:截止2016年9月,27.6%的商业网站使用nginx服务或代理。 基本HTTP服务特性(基本配置项,很多不做翻译了) 提供静态和索引文件(index配置),打开的文件描述符

beyond__devil的博客 801

nginx的Setting up hashes页面翻译

为了快速处理静态数据设置,例如:服务器名称,”map“指令的值,MIME类型,请求头字符串的名称,nginx使用了hash表。在启动和每次重新配置阶段,nginx选择尽可能小尺寸的hash表,存储同一hash值的键的bucket size 不能超过配置参数设定的值(hash bucket size)。hash表的尺寸是由”buckkets“表示的。尺寸会一直调整,知道表的尺寸超过了hash的最大参

beyond__devil的博客 724

nginx的controlling nginx页面翻译

nginx可以通过signals控制。默认,nginx主进程的进程ID写入“/usr/local/nginx/logs/nginx.pid”文件中。在配置阶段,这个名字可以被修改,或者在“nginx.conf”配置文件中,使用“pid”指令。 主进程支持下面的signals: TERM, INT - 快速关闭QUIT - 友好的关闭HUP - 修改配置,保持一个时区的改变(仅FreeB

beyond__devil的博客 661

nginx.org的Server names页面翻译

英文文档对应页面:Server names 主机名 服务器名称被定义用于 “server_name” 指令,决定了请求将使用哪一个 “server”块。可以使用 “准确的名称”,“通配符名称”,“正则表达式名称” 来定义服务器名称: server {     listen       80;     server_name  example.org  www.example.or

beyond__devil的博客 625

nginx的Connection processing methods页面翻译

nginx支持各种连接处理方法。一个方法是否可用,依赖于使用的平台。在支持几个方法的平台上,nginx通常会自动选择效率最高的方法。然而,如果需要的话,可以使用”use“指令,明确选择一个连接处理方法。 下面是支持的连接处理方法: select - 标准方法。在缺少更有效的方法的平台上,select模块会自动创建。”--with-select_module&--without--sel

beyond__devil的博客 577
上一篇: nginx.org的Command-line parameters页面翻译
下一篇: nginx.org的Server names页面翻译
beyond__devil
博客等级 码龄14年 147粉丝 314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