基于图片的cdn最终得到blob对象

多图站点性能优化:图片压缩、图片缩放、HTTP2、CDN、网络传输优化、图片懒加载预加载、响应式图片 完整高频题库仓库地址:https://github.com/hzfe/awesome-interview完整高频题库阅读地址:https://febook.hzfe.org/回答关键点图片优化 传输优化 加载策略提高网站性能的一项重要指标是提高访问速度,这与用户留存率和转换率呈正相关。根据 HTTPArchive 的数据可知,图像是大多数网站需求最多的资源类型,通常比其他资源占用更多带宽。在多图站点中,图片资源对于页面的加载和整体的用户体验有更明显的影响。最常见的问题是图片加载慢。对应的优化策略包括:图片优 阅读详情

基于图片的cdn最终得到blob对象

  1. 实现并不是直接下载cdn图片,所以最终blob数据大小和cdn原图有偏差
  2. 通过cdn判断资源是否是图片
  3. 通过cdn链接拿到图片资源,绘制在画布上
  4. canvas上下文的方法,转为base64格式
  5. base64转化为blob对象
  6. 有多张cdn图片需要处理为blob的情况下,请妥善使用Promise处理异步事件
  7. 此方法适合对按cdn图片格式最终转化成的图片格式对应的需求,但大小方面需要自己判断后压缩
  8. 如果对最终转化图片无格式要求,convertUrlToBase64函数中的变量ext可以直接写成’jpeg’,利用canvas上下文,可以更加精准的压缩
 			// 判断文件是否为图片类型
            function isImage(ext) {
                if (ext == 'png' || ext == 'jpg' || ext == 'jpeg' || ext == 'gif' || ext == 'bmp') {
                    return true;
                }
            }

			 // 将图片地址转换为 base64 格式
            function convertUrlToBase64(url) {
                return new Promise(function (resolve, reject) {
                    let img = new Image();
                    img.crossOrigin = 'Anonymous';
                    img.src = url;
                    img.onload = function () {
                        let canvas = document.createElement('canvas');
                        canvas.width = img.width;
                        canvas.height = img.height;
                        let ctx = canvas.getContext('2d');
                        ctx.drawImage(img, 0, 0, img.width, img.height);
                        let ext = img.src.substring(img.src.lastIndexOf('.') + 1).toLowerCase();
                         //ext写成jpeg,并且toDataURL传入第二个参数quality,值在0-1之间,quality默认是0.92
                        let dataURL = canvas.toDataURL('image/' + ext);
                        let base64 = {
                            dataURL: dataURL,
                            type: 'image/' + ext,
                            ext: ext
                        };
                        resolve(base64);
                    };
                });
            }

            // 将 base64 转换位 blob 对象
            function convertBase64UrlToBlob(base64) {
                let parts = base64.dataURL.split(';base64,');
                let contentType = parts[0].split(':')[1];
                let raw = window.atob(parts[1]);
                let rawLength = raw.length;
                let uInt8Array = new Uint8Array(rawLength);
                for (let i = 0; i < rawLength; i++) {
                    uInt8Array[i] = raw.charCodeAt(i);
                }
                return new Blob([uInt8Array], {type: contentType});
            }

			//url是图片cdn地址,cb是回调
			function cdnToBlob(url,cb) {
                // 通过地址判断是否为图片类型文件
                let ext = url.slice(url.lastIndexOf('.') + 1).toLowerCase();
                if (isImage(ext)) {
                    convertUrlToBase64(url).then(function (base64) {
                        if (typeof cb === 'function') cb(convertBase64UrlToBlob(base64));
                    });
                }
            }
            
           
			cdnToBlob(
			'一张图片cdn的地址',
			function(blob){
				console.log(blob)
			})
			            
           
           
图片存储到数据库:BLOB、Base64、对象存储三方案与避坑 图片存储的核心,是二进制大对象、文件路径与Base64编码之间的取舍。BLOB/bytea把字节流放进数据库行或溢出页,文件系统与对象存储让图片本体和元数据分离,库中只留URL或key。选型看图片体积、并发读写、事务一致性、备份复制和CDN需求:小头像可借事务直接入库;商品图、动态图更适合对象存储加元数据表,用哈希分片和sha256去重扩展。理解InnoDB行溢出、PostgreSQL TOAST、MySQL max_allowed_packet、SQLite并发锁,可避开Base64膨胀、SELECT * 阅读详情

相关推荐

利用Blob对象和iframe实现PDF跨域打印的JavaScript解决方案

本文提供了一种纯前端的JavaScript解决方案,巧妙利用Blob对象和iframe实现PDF跨域打印。通过将远程PDF文件转换为本地Blob URL,有效绕过浏览器的同源策略限制,无需后端配置CORS,即可直接调用打印功能。文章详细拆解了核心原理、代码实现、常见避坑指南,并展示了在Vue/React框架中的优雅集成方法。

weixin_29009501的博客 1044

如何把图片的地址转换为base64

利用canvas.toDataURL去转换<!DOCTYPE html>

A_bet_of_three_years的博客 6441

MySQL BLOB存图片实战:Ubuntu 18.04+PHP 7.2+MySQL 5.7生产级方案

BLOB(Binary Large Object)是关系型数据库中存储二进制数据的核心类型,其本质是将文件内容以原始字节流形式内嵌于表记录中,依托InnoDB的溢出页(off-page storage)机制实现高效管理。相比base64编码或文件系统路径存储,BLOB通过事务原子性保障数据与元信息强一致,并规避了编码膨胀、解码开销及分布式文件状态不一致等工程痛点。在Web应用中,BLOB特别适用于头像、证件照、商品缩略图等中小尺寸(≤5MB)、高一致性要求的场景。本文基于Ubuntu 18.04 LTS环境

weixin_34197488的博客 500

图片地址携带blob:的原因

在计算机中,Blob常用于数据库中存储二进制文件,但在Web开发中,Blob对象也被广泛用于前端处理二进制数据。:由于Blob URL是由浏览器自动生成的,并且只能在生成它们的文档上下文中使用,因此它们提供了一定程度的安全性。:当图片是通过JavaScript动态生成的,或者从其他源(如Canvas)转换而来时,这些图片数据可以被封装在Blob对象中,并通过Blob URL(即。时,这通常意味着图片数据是以Blob对象的形式存储在浏览器的内存中,而不是直接存储在服务器的文件系统上。

weixin_73060959的博客 1671

MySQL图片存储方案全解析:BLOB、路径与混合模式实战对比

在Web应用开发中,数据存储是核心基础,其中二进制大对象(BLOB)的处理尤为关键。BLOB允许数据库直接存储图片、文档等非结构化数据,其原理是将文件转换为二进制流进行保存。这一技术对于保证数据的事务一致性具有重要价值,尤其适用于需要强一致性保障的业务场景。然而,直接存储BLOB会显著影响数据库性能,增加I/O负载。因此,更通用的工程实践是采用路径存储方案,将文件保存在对象存储或文件系统中,数据库中仅记录访问路径。这种方式实现了数据与文件的职责分离,便于利用CDN加速和云服务的扩展能力,是应对高并发访问和大

weixin_33552698的博客 333

模拟调制系统实战:从AM到FM的5种调制方式对比与选型指南

本文深度解析AM、DSB、SSB、VSB、FM五种经典模拟调制方式,从实现电路、频谱效率、抗噪性能及工程成本等维度进行实战对比。通过MATLAB/Simulink仿真案例,提供清晰的选型决策框架,帮助工程师在无人机图传、短波通信、广播系统等具体项目中,根据带宽、功耗和抗干扰需求选择最优方案。

study的专栏 935

前端文件上传下载

(1)第一种是后台放在服务器上面,然后前端直接访问就可以下载,此种前端不需要做额外的处理,可以用 type为download的a标签直接访问下载,也可以用window.open或location.href=""这种方式直接访问即可下载。(2)第二种是前端访问接口,然后后端返回二进制文件。前端完成解析后下载。本文主要介绍第二种方式的下载。

Clearlove_8的博客 562

AUTOSAR开发实战:NvM模块如何解决汽车电子中的EEPROM与Flash存储难题?

本文深入探讨了AUTOSAR中的NvM模块如何有效解决汽车电子系统中EEPROM与Flash存储的难题。通过分层架构设计,NvM模块实现了硬件抽象与统一管理,支持数据一致性检查、错误恢复等高级功能,显著提升了存储可靠性和耐久性。文章结合实战案例,详细解析了NvM的核心机制及工程优化方案,为汽车电子开发者提供宝贵参考。

e3f4g5的博客 566

阿里云图片上传返回地址有blob格式问题处理实录

线上问题实战:记录阿里云OSS图片上传返回地址带有blob格式问题处理方案!

weixin_43401380的博客 2563

基于OpenAI Agents构建多智能体工作流:从原理到实战

多智能体系统(Multi-Agent System)是人工智能领域的重要分支,它通过多个智能体(Agent)的协作与交互,解决单一智能体难以处理的复杂任务。其核心原理在于将任务分解、分配与协调,每个智能体具备特定能力,通过通信机制实现信息共享与决策协同。在工程实践中,多智能体框架的价值在于提升任务处理效率、增强系统鲁棒性,并支持模块化开发。典型的应用场景包括自动化工作流编排、复杂问题求解以及人机协同交互。本文以OpenAI Agents SDK为例,深入探讨如何利用其提供的智能体(Agent)、会话(Ses

weixin_28725959的博客 607

ADRV9009学习资料保存:基于XC7Z100+ADRV9009的双收双发无线电射频板卡

ADRV9009学习资料保存:基于XC7Z100+ADRV9009的双收双发无线电射频板卡 一、板卡概述 基于XC7Z100+ADRV9009的双收双发无线电射频板卡是基于XilinxZYNQFPGA和ADI的无线收发芯片ADRV9009开发的专用功能板卡,用于5G小基站,无线图传,数据收发...

9394

图片存储避坑手册:为什么数据库BLOB和本地磁盘是笨拙选择?

Base64设计的初衷是。

软件行业技术文化交流。 2363

电力电子论文(TPE、TTE)投稿经验分享

电力电子顶刊论文投稿经验

橙子的博客 2万+

Windows Azure Storage (9) Windows Azure 上的托管服务CDN (中) Blob Service

  《Windows Azure Platform 系列文章目录》       本文介绍的是国外的Azure Global   如果你使用的是国内由世纪互联运维的Azure China,请参考这篇文章:   Azure China (9) 在Azure China配置CDN服务        本节我将介绍如何在Windows Azure平台下使用CDN。   Windows Az...

weixin_33725239的博客 171

从图片到3D模型:用Tripo+Unity打造AI建模流水线(避坑指南)

本文详细介绍了如何利用Tripo和Unity构建AI驱动的3D建模流水线,从图片到3D模型的高效转换。通过文生模型和图生模型的双模系统,开发者可以大幅提升建模效率,适用于游戏开发和数字内容创作。文章还提供了环境配置、图片预处理、批量生成等实用技巧,帮助开发者避开常见陷阱。

weixin_27024175的博客 618

【OpenClaw从入门到精通】第41篇:2026年4月最新版——从零开始搭建你的第一个安全AI助理(保姆级实战教程)

2026年3月CNCERT联合发布《OpenClaw安全使用实践指南》后,安全部署成为OpenClaw使用的核心前提。本文针对新手及进阶用户,基于官方安全指引,提供三套实战部署方案:阿里云一键部署(新手首选)、Docker容器隔离部署(进阶推荐)、本地安全安装(测试专用),并详解阿里云百炼Coding Plan API接入流程。全文涵盖环境准备、分步实操、安全加固、问题排查等全流程,所有命令可直接复制执行,无需依赖外部代码库。通过本文,读者可零基础搭建安全隔离的OpenClaw AI助理,兼顾实用性与安全性

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 2204

Epic Stack 图片存储架构:从 SQLite BLOB 迁移到 Tigris 对象存储的完整实践

Epic Stack 项目曾在 SQLite 中以 BLOB 形式直接存储上传图片,本篇文章以决策文档 [docs/decisions/040-tigris-image-storage.md](https://link.gitcode.com/i/f24cbe275836e4265d3d1f825d3dfe49) 为主线,完整还原这一架构决策的背景、迁移方案与落地实现。读完你将掌握:Tigris(

gitblog_00813的博客 8

openclaw本地模型对接

使用是官方推荐的一种集成方式,它可以简化配置过程。但由于您的系统环境和之前复杂的配置历史,我为您梳理了一个核心流程,并增加了关键的“事后检查”步骤,以确保能从根本上解决问题。

suny8的专栏 2463

图片存数据库还是对象存储?BLOB入库全链路与迁移决策

图片存储的核心是二进制数据的持久化策略:BLOB入库、文件路径外链,还是对象存储。数据库对BLOB与bytea支持成熟,MySQL、PostgreSQL能通过事务保证图片和业务数据强一致;但大字段会放大行存储、redo/undo、binlog及备份体积,并占用连接池,触发max_allowed_packet限制,加重主从复制延迟。技术价值在于用存储与运维成本换取一致性便利。头像、票据、内网工具等小体积强一致场景可短期入库;电商、社交、内容平台更适合元数据入库、文件走对象存储与CDN。围绕类型选型、流式读取、

weixin_34116482的博客 245

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")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

电商静态资源图片等存储方式以及CDN加速

参考链接:http://www.cnblogs.com/wangtao_20/p/3440570.html 以下为简略版 商品图片,用户上传的头像,其他方面的图片。目前业界存储图片有两种做法: 1、 把图片直接以二进制形式存储在数据库中 一般数据库提供一个二进制字段来存储二进制数据。比如mysql中有个blob字段。oracle数据库中是blob或bfile类型 2、 图片存储在磁盘上,数据库...

Summer凌枫的博客 3538

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Orchard Core 的 Azure Media 模块:Blob Storage 媒体存储与图片缓存实战指南

`OrchardCore.Media.Azure` 模块(Azure Media)为 Orchard Core 提供两个 Hosting 类功能:**Azure Media Storage**(`OrchardCore.Media.Azure.Storage`)用 Microsoft Azure Blob Storage 替换默认的 `App_Data` 本地文件媒体存储,使媒体文件可以跨实例、跨

gitblog_00817的博客 441

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

JS将图片转化为base64编码,并实现点击下载,js实现图片下载的实操博客

HTML+JS实现下载图片,一篇博客可以阅读明白,js实现图片下载,实现前端下载图片

梦想橡皮擦,专栏100例写作模式先行者,现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者 2万+

项目里边更换了同名的图片地址 / 图片没有及时更新 / 什么原因

如果设置了Last-Modified和ETag字段,客户端在请求资源时,会先发送一个请求到服务器,服务器会将这个请求中的If-Modified-Since(Last-Modified的值)和If-None-Match(ETag的值)字段与服务器中的资源进行比对,如果相同,则说明资源没有更新,可以使用缓存;如果你想保证用户能够看到最新的图片,可以在更换图片地址后,附加一个随机数或者时间戳作为图片地址的一部分,这样可以避免浏览器和CDN缓存的影响,强制让浏览器重新请求新的图片。

snow的博客 4350

blob的二进制流存储介绍

Blob(Binary Large Object)是一种用于存储二进制数据的数据类型,通常用于保存图片、音频、视频、文档等非结构化数据。Blob 存储的核心特点是直接以二进制形式存储数据,不进行额外的解析或转换。如 AWS S3、Azure Blob Storage、阿里云 OSS,提供高可用、可扩展的 Blob 存储服务。Blob 存储是处理二进制数据的通用解决方案,适用于多种场景,结合具体需求选择存储方式和技术实现。直接以文件形式保存二进制数据,通常搭配元数据管理(如文件路径、大小、类型)。

2301_80954266的博客 87
上一篇: 微信小程序列表懒加载
下一篇: 优雅的实现vue父子组件的value双向绑定
coderW
博客等级 码龄9年 5粉丝 20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