amp 优化_如何在没有AMP的情况下创建优化的Twitter轮播

amp 优化

在我的课程中,在没有AMP的情况下优化您的网站 ,我向您详细介绍了如何在不使用Google的AMP的情况下优化网站以实现闪电般的性能。

在本课程的这段视频中,您将学习如何使用轻量级的Siema脚本创建流行的组件-旋转推文的轮播。 您将学习的技术将帮助您在不使用AMP的情况下获得出色的性能。

如何创建优化的Twitter轮播

介绍Siema

该视频取材于本课程的先前课程,在该课程中,我们创建了一个网站,该网站的底部嵌入了三条推文。 您可以在GitHub上找到该项目的完整源代码。 在本课程中,我们将把这三条推文变成一个轮播。

在我们网站的AMP版本中,这是通过amp-carousel自定义元素完成的。 但是,相反,我们将使用一个很酷的小脚本Siema 。

Siema用我们的脚本在我们想要的所有方框中打勾:

  • 很轻
  • 文件很小。
  • 这很简单。
  • 我们可以异步加载它。
  • 它没有任何依赖性。

设置文件时,我们早些时候已经将Siema添加到index.min.js脚本中,并且已经将其加载到我们的pagecontent.html文件中,因此可供我们使用。

创建基本轮播

我们需要做的就是在pagecontent.html中添加一些代码来激活脚本。

const mySiema = newSiema({
selector: '.slides'
});

下面的屏幕截图显示了将其插入到哪里:

我们在这里所做的是创建一个常量,并将其命名为mySiema 。 我们将常量设置为等于Siema的新实例,然后添加带有一些参数的对象。

在大括号内,我们添加了属性的选择器,并为选择器指定了Siema应该寻找的用于从其子级中制作轮播的选择器。 早些时候,我们添加了包含推文的.slides类,因此,如果我们以Siema为目标,则将采用我们的每条推文,并将其转换为转盘中的幻灯片。

如果现在检查站点,应该会看到第一个推文显示为幻灯片。

不过,它并未显示其他内容,因为我们需要添加一些额外的代码来使轮播自动播放。

使轮播自动播放

要使轮播自动播放,我们需要按以下方式修改代码:

const mySiema = newSiema({
selector: '.slides',
loop: true
});
setInterval(() => mySiema.next(), 4000)

我们在这里所做的就是告诉Siema我们希望它在每张幻灯片之间等待多长时间。 因此,在最后一行,我们使用setInterval设置间隔,然后该行的其余部分告诉Siema,我们希望每张幻灯片之间的间隔为4,000毫秒,即4秒。

在处理它时,我们还需要告诉Siema我们希望它循环。 因此,我们使用line loop: true做到这一点loop: true 。

现在,轮播会自动从一张幻灯片转到下一张幻灯片,在两秒钟之间等待,然后循环回到起点。

添加导航按钮

仍然缺少另一件事,那就是我们可以用来手动在转盘中前进或后退的一些小按钮。

因此,要设置按钮,我们要做的第一件事是在同一文件中添加一些额外HTML。 在twitter-carousel div内,但在slides div外,添加以下代码段,因为我们不希望Siema将这些按钮视为需要放入轮播中的幻灯片。

此代码仅添加了两个SVG形状:一个指向左侧的小三角形和一个指向右侧的小三角形。

因为我们不必加载图像,所以可以使加载时间更快,而用于设置SVG形状的这一小段代码的文件大小也非常小。

你可以看到,我们已经得到了类名prev第一我们的按钮,然后next的第二个。 这些是我们要与Siema一起定位的类,告诉它将这些按钮视为轮播的前进和后退按钮。

我们将使用一些JavaScript在代码中查找那些元素。 这是您可能曾经使用过jQuery的地方,但是我们当然要避免在我们的站点中使用jQuery,这样我们就无需加载其他代码了。相反,我们将通过以下方式修改我们的代码添加两行,使其看起来像这样:

在这段代码中,我们要添加一个文档查询选择器,然后指定要查找的选择器,即prev类。 然后,我们添加一个事件侦听器,我们要侦听的事件是click 。

因此,现在当有人单击左侧的按钮时,我们将触发一个动作,其余部分将设置左侧按钮的行为。

然后,在下一行中,我们使用右侧的按钮执行相同的操作,只是这次我们将prev替换为next 。

现在,如果我们检查我们的站点,就可以看到上一个和下一个按钮,如果单击它们,则可以随意进行轮播。

创建一个JavaScript后备版本

现在只需要添加一点点额外的代码。在此过程中,我们一直在为那些在浏览器中关闭JavaScript的人创建该网站的版本。 但是,现在,如果我们关闭JavaScript,我们会以小的块引号作为后备,但是现在这里有这些无用的导航按钮。

因此,我们可以通过转到noscript.css样式表并添加以下内容来解决此问题:

.carousel-button {
    display: none;
}

现在,当我们在关闭JavaScript的情况下刷新站点时,我们可以看到已经摆脱了这些按钮。

观看完整课程

在整个课程中,“在没有AMP的情况下优化您的网站”中 ,您将学习如何获取现有的基于AMP的网站并将其转换为使用非AMP等效网站。 该课程将为您提供有用的方法,使您的网站快速运行,并提供您自己决定的优化技术。

您可以通过订阅Envato Elements立即学习本课程。 只需一个低廉的月费,您不仅可以访问此课程,还可以访问我们不断发展的图书馆,其中包含1,000多个视频课程和Envato Tuts +上行业领先的电子书。

另外,您现在可以从庞大的Envato Elements库(包含40万多种创意资产)中进行无限下载。 使用独特的字体,照片,图形和模板进行创建,并更快地交付更好的项目。

翻译自: https://webdesign.tutsplus.com/tutorials/how-to-create-an-optimized-twitter-carousel--cms-30145

amp 优化

swiper和amp写的多个自适应轮播 swiper和amp写的多个自适应轮播,使用范围广,亲测好用,本人自己总结的代码 立即下载

相关推荐

移动端循环滚动轮播图

移动端H5轮播图,可以手动、自动左右切换,无限循环,无缝轮播,可指定切换频率,自动切换方向。

amp 优化_在没有AMP的情况下优化您的网站:优化清单

如果您想不使用AMP等现成的方法手动优化网站的性能,则需要采取哪些关键步骤? 在我的课程“ 不使用AMP来优化您的网站”中的这段视频中,您会发现一个简单的清单,可用来确保您的网站加载速度与AMP一样快,甚至更快。 在没有AMP的情况下优化您的网站:优化清单 优化清单 这是我们将要使用的基本优化清单: 加载速度应等于或快于同一站点的AMP版本。 尽早加载网络字体以使它们进入。 ...

Web design 教程小屋 371

Matlab子图排版终极指南:从tight_subplot到tiledlayout的实战对比

本文深入对比Matlab中两大子图排版工具:社区经典函数tight_subplot与官方现代布局管理器tiledlayout。针对默认subplot产生的子图间距与边缘距离问题,详细解析两者的设计哲学、参数控制与实战应用,帮助用户根据版本与需求选择最佳方案,实现高效、精确且美观的多子图排版。

weixin_29048309的博客 360

amp实现轮播

1.最简单的形式 <!doctype html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Document</title> <script async src="https://cdn.amppro

前端小白成长记 5505

安鸾渗透测试平台-CTF系列-bash

工具Xshell 公网VPS接收反弹shell Xshell新手的下载及安装教程(超详细)_新手程序员攀爬之路的博客-优快云博客_xshell使用教程 Xshell连接后 #!/bin/bash cat ${0} while : do echo "$" read input output=`$input` 显示了一个文件,不过咋做呢?这里可能考察的是linux的语法 方法 输入bash 获得shell cat ${0} while : do .

AAAAAAAAAAAA66的博客 2689

ArcGIS遥感影像分类技术在植被覆盖度计算中的应用

本文详细介绍了如何利用ArcGIS遥感影像分类技术高效计算植被覆盖度。通过数据准备、监督与非监督分类方法详解,并结合制表分析与栅格计算器进行面积统计,最终实现从分类图到覆盖度百分比的全流程自动化与可视化,为生态评估与规划提供精准数据支持。

weixin_29091445的博客 422

如何使用AMP与WordPress插件

如何使用AMP与WordPress插件 集成和实现AMP的方式在很大程度上取决于你正在使用的平台。如果WordPress是你的首选,那么有几种简单的方法可以使用AMP。正如WordPress的情况一样,你最好使用一个或多个专门为此任务创建的插件。接下来我们将探讨其中的三种选项。 但是首先! 在使用任何这些方法将AMP与你的站点集成之前,需要做好一些步骤。同样,你在对网站进行任何重大的更改前,

bluehost123的博客 2505

多时间尺度源储荷微电网协调调度+日前日内实时+需求响应——附代码

为提高区域电网新能源消纳率,使电力系统运行成本最小,提高电力系统供电可靠性。提出考虑特性分布的储能电站接入的电网多时间尺度“源–储–荷”协调调度策略。综合储能电站、负荷侧各类需求响应资源的多时间尺度特性制定日前调度计划,并通过日内滚动与实时修正实现对预测数据更高精度的保证。以系统运行成本、弃风惩罚成本、失负荷惩罚成本为目标函数,建立多时间尺度调度模型。最后通过 MATLAB 平台调用商用软件包 CPLEX 完成混合整数规划优化,结果表明该调度策略可以达到系统运行成本最优,降低弃风率的效果。

不定时分享电力优化、神经网络、数学建模等技术等 6387

AMP by Example核心组件解析:掌握50+个AMP组件的最佳实践 [特殊字符]

AMP(Accelerated Mobile Pages)是Google推出的移动网页加速技术,而AMP by Example项目则提供了超过50个AMP组件的实用示例和最佳实践指南。这个开源项目通过真实代码示例,帮助开发者快速掌握AMP核心组件的使用技巧,构建高性能的移动网页体验。无论你是AMP新手还是有经验的开发者,这个项目都能为你提供宝贵的参考和实用指导。 ## 📋 AMP组件分类概览

gitblog_00050的博客 666

H3C防火墙旁路部署实战:网关迁移到防火墙后,如何配置DHCP和VLAN间隔离策略?

本文详细介绍了H3C防火墙旁路部署实战,重点讲解网关迁移到防火墙后的DHCP配置和VLAN间隔离策略。通过实际案例和配置示例,帮助网络工程师解决传统核心交换机架构的性能瓶颈和安全管控问题,实现精细化访问控制。

weixin_42549451的博客 421

SD-WAN组网案例——数据中心

SD-WAN组网案例——数据中心

2301_78457663的博客 708

amp学习

<!doctype html> <html ⚡ lang="en"> <head> <meta charset="utf-8" /> <meta name="viewport" content="width=device-width,minimum-scale=1,initial-scale=

前端小白成长记 442

光伏发电预测(LSTM、CNN_LSTM和XGBoost回归模型,Python代码)

一旦结果与预测差距较大,可能存在光伏系统的问题,需要找出原因,然后采取适当措施来修复光伏系统并做出更好的决策。例如,根据准确的预测,光伏系统运营商可以平衡电力消耗,并将多余的电力储备用于紧急情况。然而,光伏系统的发电量估算是一个挑战,因为光伏系统的发电量受到天气条件的极大影响。整个项目文件夹(第一个文件夹为xgboost模型相关的包文件,xg.py是xgboost模型英文注释版本,xg_chinese.py是xgboost模型中文注释版本)表示空气的温度,通常以摄氏度(°C)或华氏度(°F)为单位。

2301_79699110的博客 3034

AMP by Example:终极AMP教程指南 - 快速构建高性能移动网页的完整解决方案

AMP(Accelerated Mobile Pages)技术已成为现代移动网页开发的核心标准,而**AMP by Example**项目则为开发者提供了最直观的学习资源。本文将带你探索这个已合并到amp.dev的经典项目,掌握如何利用其丰富示例快速构建闪电般加载的移动网页体验。 ## 为什么选择AMP by Example? 在移动优先的时代,网页加载速度直接影响用户体验和转化率。AMP b

gitblog_01190的博客 465

华为OD机试真题 新系统【Skill执行链完整性检测】

华为OD机试 新系统真题【Skill执行链完整性检测】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【Skill执行链完整性检测】

qq_45776114的博客 767

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

变量声明是如果不使用 var&nb…

var 关键字,那么它就是一个全局变量,即便它在函数内定义。" TITLE="变量声明是如果不使用 var 关键字,那么它就是一个全局变量,即便它在函数内定义。" />var 关键字,那么它就是一个全局变量,即便它在函数内定义。" TITLE="变量声明是如果不使用 var 关键字,那么它就是一个全局变量,即便它在函数内定义。" /> 得到的结果为: var 关键字,那么它就是一个全局变量,即

弱智de克星 336

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

InnoDB 内存结构总览:Change Buffer、AHI 与 Log Buffer

本文系统梳理InnoDB内存结构中的ChangeBuffer、Adaptive Hash Index(AHI)与LogBuffer。ChangeBuffer缓存二级索引页不在内存时的变更,减少随机IO,仅在页加载时合并;聚簇索引修改立即执行,因数据本身不可延后。AHI基于高频等值查询自动构建哈希索引,加速定位,仅支持等值操作。LogBuffer为redo log内存缓冲,配合磁盘日志实现崩溃恢复。三者均服务于性能优化,其中ChangeBuffer与AHI共享BufferPool空间,而LogBuffer独立

bksczm的博客 311

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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")

信创环境下PageOffice文档控件适配与实践

信创适配做到文档控件这一层,拼的已经不是"有没有国产版本",而是同一个功能在两类终端上是否真的等价。等价的标准很具体:同一次点击能得到同样的结果,同一份公文能得到同样的版式,同一个项目不需要维护两套代码。这背后是三件并不轻松的工作:服务端用一套接口同时支撑两类终端,客户端把两种系统与四种芯片的安装包分发清楚,文档内核层由产品侧跟着 WPS 的版本走。浏览器这一层的压力,则被收进了产品自己的窗口里——升级节奏由产品掌握,不再交给运气。

zi_wu_xian的专栏 339

第三篇 第 6 课

前置:第三篇第 1 课(stdx 引入),第二篇第 1 课(std.regex)。环境:仓颉 SDK 1.2.0。本文所有代码与输出均逐行实测。

weixin_41618057的博客 557

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 619

pcl2启动器下载(Minecraft PCL2 启动器 最新版 安装与使用说明)

摘要:PCL2(Plain Craft Launcher 2)是一款面向 Minecraft 的第三方启动器,支持正式版与快照版本管理、模组与整合包安装、Java 运行时自动匹配,绿色免安装、双击即可运行。适合在 Windows 上玩单机整合包、需要多版本共存或离线启动的用户使用

2611_96675819的博客 239

spring boot 4集成SQLLite,及其SQLLite的建库

spring boot 4集成SQLLite,及其SQLLite的建库

weixin_41463944的博客 251

Java 集合容器高频面试题全解:HashMap 树化阈值、1.7 死循环与 ConcurrentHashMap 演进(2026 招聘 JD 真题复盘)

HashMap 树化阈值 8 的泊松分布依据、退化阈值 6 的防抖设计、JDK 1.7 头插成环死循环的排查与修复、1.8 尾插后为何仍线程不安全、ConcurrentHashMap 放弃分段锁的原因与 ForwardingNode 协作扩容、computeIfAbsent 死锁陷阱、大集合找重复的场景题选型,附三层追问链自测。题目来源为 38 期公开招聘 JD 样本与字节、拼多多、建行、美团、快手公开面经。

蒙眼过河 427

spdlog 同步日志库使用详解

spdlog是一个轻量级 C++ 日志库,支持同步日志、异步日志、多线程日志、日志文件轮转和自定义日志格式。对于嵌入式 Linux 应用开发,我建议先使用。它可以帮我们完成:日志级别过滤。时间戳和线程 ID 输出。日志格式化。终端和文件输出。多线程安全写入。日志文件按大小或时间轮转。我们不需要自己实现互斥锁、文件写入、日志格式化和轮转等底层功能。

zengjiajun2006的博客 1124

JavaSE通关手册:数据类型与变量

代码无需额外处理,编译时编译器自动完成转换。

xys_678的博客 236

IDEA 简介:从零认识 IntelliJ IDEA

IDEA 全称,是由 JetBrains 公司开发的一款主流 Java 集成开发环境(IDE)。它集代码编辑、编译、调试、测试、版本控制、构建管理等功能于一体,被大量 Java 开发者视为日常开发的首选工具。所谓 IDE(Integrated Development Environment,集成开发环境),就是把写代码所需的各类工具整合到同一个界面中。相比只用文本编辑器加命令行编译,IDE 能显著减少重复操作,让开发者把精力集中在业务逻辑上。

ztI10的博客 190
上一篇: darksky 经纬度_使用DarkSky API构建天气应用
下一篇: css 边距_CSS基础知识:了解折叠边距
daique1908
博客等级 码龄10年 29粉丝 0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