为什么程序员干两年就跑路?

有些程序员经常把“删库跑路”挂在嘴边,如果真的“删库跑路”需要负刑事责任吗? 程序员自嘲的话听听就行了,删库这种说法其实也是程序员枯燥生活一种自我解压的方式,真要这么玩基本上这个程序员在软件行业也就不用混了,不仅仅是职业素质的问题,还涉及到人品问题了,曾经听过删库的程序员,基本上外包性质的公司比较多,尾款迟迟不到位,矛盾激化到一定程度直接把数据库给干掉,这种事情也存在先例。真要删库肯定要承担刑事责任的。 从这件事情可以看出程序员喜欢自嘲,程序员的工作从性质上讲比较枯燥... 阅读详情

张大胖刚毕业,没啥工作经验,应聘加入了一个小公司。 

小公司真的很小,除了老板,只有三个老员工,还有几个实习生。

意想不到的是,老板竟然为自己搞了一个迎新的聚餐,这让张大胖非常感动。 

聚餐的时候,老板充满激情地说:我们公司是个追求技术的公司,希望大家都好好钻研技术,将来成为技术大拿。 

听了这番话,张大胖暗下决心:一定要在这里干出一番名堂出来。

觥筹交错之间,技术老油条老何喝多了,红着脸,搂着张大胖的肩膀说掏心窝子的话:老板擅长玩手腕儿,对技术并不上心,别被忽悠了。

张大胖唯唯诺诺地点头,但心里不以为然,觉得应该是老何自身的问题。 

正式进入了项目,张大胖开始看代码,他非常刻苦,经常研究到半夜,实在搞不懂就去请教老油条老何。 

慢慢地,张大胖工作上手了,从改Bug 开始,很快就能做一些功能了。

一天,老板把张大胖叫进自己的办公室,先是表扬了一番:“小张啊,你来了两月了,干得不错!”

然后又给了他一个机会:“我准备再给你压点儿担子,有个挺重要的老项目,一直是老何在维护,我打算把它交给你……”

张大胖一听,非常高兴。

老板又说:“这个项目都是老代码,每次有新需求,即使是很小的需求,老何总是说实现起来很难,我不太懂技术,你先去看看是怎么回事。”

张大胖问老何要了项目代码,打开一看,代码果然又臭又长,混乱不堪。

他仔细研究了一星期,终于理解了代码的逻辑,简单来说就是收集数据处理数据—>显示数据这个逻辑。 

为什么写得这么乱? 

张大胖看了代码的历史,最新的代码修改都是老何,他心里不由得产生了一丝对老何的轻视。 

他找到老何,问他:代码这么混乱,为什么不重构一下呢?改成低耦合高内聚的几个模块,在模块内使用SOLID原则,可以用工厂模式、模板方法模式等等。

老何耐心听他说了半天,神秘一笑:“小张,你还是太年轻了……”

然后就不搭理他了。 

张大胖有点儿迷惑,不过他想起了老板对自己的殷切期望,心想:我可以通过重构这个项目,展示一下实力,于是就直接去找老板寻求支持。 

老板二话不说,欣然同意。 

张大胖被打了鸡血,连续熬了几个星期,终于把代码给重构好了,代码清晰易懂,运行效率也大大提高。

老板非常高兴,在公司经常宣传新来的小张非常能干,将来要好好培养。

虽然没有针对老何,但老何在话里话外已经听说来老板的意思:张大胖又能干又便宜,比自己强多了。

没过多久,老何提交了辞职报告,很快离职了。临走前,他交代张大胖:“项目要是有问题,可以给我打电话啊!”

张大胖自信满满,怎么可能有问题呢? 

他带着几个实习生继续完善,把重构过的代码部署到客户那里去。 

某一天半夜,张大胖突然接到老板的电话,口气严厉,说客户那里的项目出问题了,现场环境要求长时间运行,结果采样不到数据了!

张大胖赶紧爬起来看,但是迟迟找不到问题所在。

老板天天催张大胖,张大胖没有办法,只好去联系老何,向他求救。

老何呵呵笑着说:“这个项目的代码,我之前也尝试重构过,但里边坑太多,太过不明的条件限制,分支众多,关联性很强,还有各种硬件兼容问题,没有测试,重构难度极大……”

张大胖没有办法,只好紧急恢复成老何之前的版本,总算是解决了问题。

老板把张大胖狠狠地训了一顿,捎带着把当年的项目奖金扣了个精光。 

一年白干了,张大胖心中窝火,又毫无办法。 

又是新的一年,公司来了新员工小李,小李比当年的张大胖更刻苦,更积极,更能干,让张大胖感慨后生可畏。

一天,小李突然问张大胖:咱们那个项目,代码这么混乱,每个小需求,都得改很久,为什么不重构一下呢?改成低耦合高内聚的几个模块,在模块内使用SOLID原则,可以用工厂模式、模板方法模式等等。

张大胖心头一惊,似乎预感到有什么事情要发生。 

果然,过了几周,老板宣布:小李成功地重构了这个项目!

然后就开始在公司宣传新来的小李非常能干,将来要好好培养。

虽然没有针对张大胖,但张大胖在话里话外已经听说来老板的意思:小李又能干又便宜,比自己强多了。

刹那间,张大胖明白了那一年老何的心境,也理解了老何神秘的笑容。

他提上桶,马上跑路了。

(完)

注:本文来自读者@王飞飞的投稿,能用故事讲解技术的,稿费1000,职场类,成长类,IT评论类稿费700,欢迎大家继续投稿,我的微信:onlyliuxin97。

又到了福利时间,送出5本《大话数据结构》

CCF官方推荐,畅销十年

全彩印刷+立体图表+动效PPT=算法入门+考研冲刺+防挂科+大厂面试

超级畅销书彩色升华版,百万读者认可的趣味解读“数据结构+算法”,配合动效PPT课件,动态扫除难点

db761367ece2d190b2dee64d77cb93f1.png

送书办法:说说你在工作中用到的数据结构,自定义的,JDK的,第三方类库的均可(简单的ArrayList之类就不用提了啊8b8752291818f1d59c2c107e3ff3043c.png),我从中挑出5位同学,免费邮寄

截止时间:6月9号晚上8点。

DESeq2实战:如何用LRT检验分析基因表达随时间变化的模式(附完整代码) 本文详细介绍了如何使用DESeq2中的LRT检验分析基因表达随时间变化的模式,包括实验设计、数据预处理、模型构建、结果提取与可视化等完整流程。通过实战案例和完整代码,帮助生物信息学研究者掌握时间序列RNA-seq分析的核心技术,特别适合需要快速上手的实践者。 阅读详情

相关推荐

GMSL2 协议与技术 第一部分

默认情况下,自动的链路配置功能是使能的(AUTO_LINK = 1),这表示器件将试图锁定在single link模式,它将自动监测是否PHY-A或者PHY-B已经连接到了远端的器件,并且使能这个已连接的PHY,如果PHY-A和PHY-B同时连接到了远端的器件,它将使用首先探测到的连接进入single link 模式。另外,链路失锁同样也会发生在串行器或者解串器掉电的情况下,掉电的器件重新上电后,链路锁定会自动重新建立,而视频数据和控制通道的配置需要重新写入寄存器。

八哥望春的博客 4950

程序员纷纷“跑路”一线城市,背后的原因是?丨黑马观察

以前,我们经常听到有人说,一二线城市容不下肉身,三四线城市放不下灵魂。但是现在,年轻人好像不再一味扎堆一线城市,“格局”正在悄悄发生改变......近年来,互联网的洪流从一线城市漫向各地,越来越多的非一线城市发展势头强劲,尤其软件产业“爆发式增长”,离家近、就业机会多、收入高、竞争小,并且生活压力相对要小,给了程序员们更多的选择。从21年到22年非一线城市软件产业...

传智播客的专栏 1901

VINS-Fusion实战:从零搭建无人机视觉SLAM系统(附ROS配置全流程)

本文详细介绍了如何从零开始为无人机搭建基于VINS-Fusion的视觉SLAM系统。内容涵盖硬件选型(重点推荐双目相机与IMU搭配)、ROS环境配置、传感器标定、核心参数调优以及实际飞行测试与问题排解全流程,旨在帮助开发者实现稳定、精确的无人机自主定位与导航。

wasm7browser的博客 216

程序员,你得选准跑路的时间!

作者:哒柏原文链接:https://www.zhihu.com/question/365343579/answer/967299388已获改编授权后记:你经历过类似这样崩溃的历程吗?你...

码农翻身 2943

Win 11 Fastboot驱动的详细安装教程

Fastboot驱动的详细安装教程

水w的博客 1万+

【近源攻击】badusb制作

BadUSB是利用伪造HID设备执行攻击载荷的一种攻击方式。HID(Human InterfaceDevice)设备通常指的就是键盘鼠标等与人交互的设备,用户插入BadUSB,就会自动执行预置在固件中的恶意代码。BadUsb插入后,会模拟键盘鼠标对电脑进行操作,通过这些操作打开电脑的命令终端,并执行一条命令,这条命令将从指定网址下载其他代码并于后台静默运行。这些代码功能包括:窃取信息、反弹shell、发送邮件等,从而实现控制目标机或者窃取信息的目的。

qinjilll的博客 2553

又一个程序员跑路了

今天刷爆朋友圈和微博的一个 IT 新闻,估计有很多朋友应该已经看到了。程序员删库跑路的事情又发生了,不是调侃,而是真实的事情。 微盟官网发布公告称,2 月 23 日 19 点,收到系统监控报警,服务出现故障,大面积服务集群无法响应,生产环境及数据遭受微盟研发中心运维部核心运维人员贺某的严重破坏。微盟表示,预计 2 月 25 日晚上 24 点前微盟的生产环境将修复完成,微盟所有新用户将可恢复服务,老...

m0_47006014的博客 876

Fast-Lio2代码及论文解析2

点云数据频率较低而IMU为高频数据。

努力努力努力 2278

漫画 | 为什么程序员干两年后就要跑路?

经过团建蹂躏的张大胖和同事们回来继续加班,就在新系统快要完成的时候,老板带来了“好消息”张大胖发现,公司几乎所有的系统都是用一个古老的内部框架开发的。张大胖毕业了,进入一家知名的互联网公司,准备大展宏图。新功能终于加上了,但是,需求的重大变化让软件不堪重负。老板为了鼓舞士气,不失时机地搞了一次公司团建。他打开了公司的代码库,发现了一些神奇的事情。除了写代码,张大胖每天至少要参加两个会议。看着摇摇欲坠的房子,张大胖心中一片悲凉。熟悉了一周的环境以后,经理交代了工作。终于,新的项目来了,张大胖非常高兴。

programmerjob的博客 2017

电能质量仿真:电能质量改善措施仿真_(12).电能质量改善措施综合仿真案例

假设我们有一个微电网系统,该系统包含分布式电源(如光伏板、风力发电机)、储能设备、负荷和电网连接。电压波动:由于负荷的波动和分布式电源的间歇性输出,系统电压出现了不稳定的情况。谐波污染:非线性负荷和逆变器的运行导致系统中出现了显著的谐波污染。频率偏差:分布式电源的波动和负荷的突变导致系统频率出现了偏差。我们需要通过仿真来评估这些问题的影响,并提出相应的改善措施。

2401_87715305的博客 1361

【ArcGIS遇上Python】批量提取多波段影像至单个波段

本案例基于ArcGIS python,将landsat影像的7个波段影像数据,批量提取至单个波段。

智慧空间实验室 2077

漫画 为什么程序员干两年后就要跑路?

张大胖毕业了,进入一家知名的互联网公司,准备大展宏图。 熟悉了一周的环境以后,经理交代了工作。 他打开了公司的代码库,发现了一些神奇的事情。 张大胖发现,公司几乎所有的系统都是用一个古老的内部框架开发的。 终于,新的项目来了,张大胖非常高兴。 张大胖和同事们努力干活,疯狂加班 除了写代码,张大胖每天至少要参加两个会议。 除此之外,还有数不清的其他会议 还需要应对各种各样的报告。 经理不顾大家死活,见缝插针地安排任务 看到张大胖累得快要不行了,经理放出了大招: 两个月后,项目快要完工

m0_67390788的博客 169

【HALCON工业视觉应用探索】02. C# + Halcon铸件毛刺机器人打磨引导:点云处理从实验室到工业现场的全流程落地

摘要:铸件毛刺的自动化打磨是机械制造领域的重要难题,其随机性(高度0.1-3mm)和复杂工况导致人工打磨效率低(3分钟/件)、工伤率高。本文基于Halcon 24.11与.NET 6,构建了一套点云处理方案:通过线激光扫描仪获取三维点云,经预处理、毛刺检测、路径规划三大模块,引导机器人完成打磨。虚拟实验测试显示,对高度>1mm的毛刺检出率达100%,定位误差±0.08mm,但工业现场受油污、粉尘影响,性能降至检出率68-75%、处理时间>45秒。

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! 1129

一张漫画解读:程序员为什么会跑路?

​ ​ ​ ​ 你经历过类似这样崩溃的历程吗?你跑路了吗?我相信在软件开发行业这种情况屡见不鲜, 推荐阅读 马士兵带你解读鸿蒙微内核操作系统 为什么阿里巴巴的程序员成长速度这么快? 进大厂也就这回事,工作2到3年后进大厂操作指南 阿里架构师【柏羲】带你揭秘架构项目实战与源码解读:微博+B站架构设计、JUC核心、Mybatis源码 看完三件事 如果你觉得这篇内容对你...

JavaMBa的博客 1176

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

是什么把程序员逼到删库跑路?公司对员工做了什么不可描述的事...

黑马程序员视频库播妞QQ号:3077485083传智播客旗下互联网资讯、学习资源免费分享平台互联网圈子里,一直以来都流传着“删库跑路”的段子。很多程序员会把“删库跑路”当做发泄工作压力...

传智播客的专栏 604

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

程序员?你为啥要跑路?

为啥要跑路?程序猿神评论:@益添:写代码是不可能写代码的,这辈子都不可能写代码的,看教程又看不懂,只有靠复制粘贴才维持得了生活@?   ? :出去是不可能出去了这样子 这里大牛多 代码写的又好看 超喜欢这里产品体验为啥越来越差?原来是忘更新测试环境了。。。程序猿神评论:@•ᴥ•:在测试数据执行drop,发现测试库的表还在,百思不得其解,结果发现连错库了,在tm生产执行的。dba的锅,为nm给...

weixin_33912453的博客 309

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")

程序员的工资这么高,为什么还会有人离职?

离职,是为了更好的涨薪 一个公司工作二年,每二年都跳糟涨工资,说明你掌握了技术活,很适应市场需求。 跳一次糟就涨一次工资,现在的老板舍不的替老员工加工资,宁愿给新员工高工资也不愿意给老员工加薪,从企业管理的角度来说,给一个老员工加新,意味着其他老员工也要加薪,从而导致整个成本的上升,所以即使老员工要求加薪也会被各种理由拒绝,有想法的员工也会根据自己的技术水平每年偷偷投简历,来保证自身的利益。 本人新建一个技术交流圈子,群主是10年老技术人员,某上市公司的技术负责人,群里面每天会给群友解答疑问,招聘内推,点击

SQ19939的博客 375

删库跑路技巧 删库跑路命令

1. Linux操作系统上的删库跑路 # 删除根目录下所有文件,杀伤力极大,请谨慎使用 # 此命令一出,Linux根目录下很多文件,可以能彻底从这个星球上彻底消失了 rm -rf /* # 指定路径删除,菜刀可以用来做菜亦可以用来s人 rm -rf /home/fileName 2. sql上的删库跑路 此部分杀伤力就没有第一部分十足了,当时依然需要跑路 # 删除数据库 # 删除后可能会遗留日志...

twelvecoder 5万+

终于知道为什么程序员都喜欢删库跑路了

【回复“1024”,送你一个特别推送】今天给大家推荐一个非常好玩有意思的网站。作为程序员,尤其是后端的程序员,底层开发的程序员都和 Linux 产生了卿卿我我的关系。而 ...

非著名程序员 2万+

删库不易,跑路更难

本文聊了聊删库跑路的问题。

农民工老王的博客 7544

程序员删库跑路了?

安徽汽车网程序员删库跑路?近日网上热议此事。 一波未平一波又起,老板出来声明。 事情真相如何,我们不知晓。 有如下问题: 1 对于程序员来说,什么情况下会删库跑路,拖欠工资,开除,还是言语攻击? 2 对于公司来说,应该不算小公司了,一些维护和运维,异常处理机制是否完善? ...

军说网事 1693

程序员黑话大全:从Bug到删库跑路

本文系统梳理了编程界的专业术语和文化黑话,涵盖通用编程术语(变量、函数、算法等)、开发流程术语(Bug、Debug、CI/CD)、特定语言术语(Python黑话、Java术语)以及程序员文化("Hello World"、"修电脑"等自嘲梗)。文章还揭示了职场黑话的真实含义,如"这个需求很简单"实际表示"做不了","下个版本再加"意味着"根本不想做"。这些术语和黑话不仅是技术交流工具,更体现

记录、分享、学习、思考、赚钱、弯路。 1025

公司拖欠工资,删代码删库跑路,违法么?

(给程序员的那些事加星标)综合整理:程序员的那些事(ID:iProgrammer)最近有个程序员在网上发帖求助:公司拖欠了两个月的工资,现在想把这两个月敲的代码都删掉,然...

程序员的那些事 7125
上一篇: 程序员也不想告诉你们的APP,到底是什么?
下一篇: 两件小事,感受到了和大神的差距
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084原创
评论 4
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