如何设计一个支持三千万用户同时在线的短视频系统?

【Java】如何设计一个支持三千万用户同时在线的短视频系统? 短视频(short video)通常时长在15分钟以内,主要是在移动智能终端上进行拍摄、美化编辑或加特效,并可以在网络社交平台上进行实时分享的一种新型视频形式。短视频具有时间短、信息承载量高等特点,更符合当下网民手机使用行为习惯,短视频的用户流量创造了巨大的商机。我们准备开发一个面向全球用户的短视频应用,用户总量预计20亿,应用名称:QuickTok。视频文件和其他媒体文件相比,会更大一点,这就意味着存储短视频文件需要更大的存储空间,播放短视频也需要更多的网络带宽。 阅读详情

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

419ed872c0ac0a9d97e983f3cd911d66.gif

👉这是一个或许对你有用的开源项目

国产 Star 破 10w+ 的开源项目,前端包括管理后台 + 微信小程序,后端支持单体和微服务架构。

功能涵盖 RBAC 权限、SaaS 多租户、数据权限、商城、支付、工作流、大屏报表、微信公众号、ERP、CRM、AI 大模型等等功能:

  • Boot 多模块架构:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • Cloud 微服务架构:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn

【国内首批】支持 JDK 17/21 + SpringBoot 3.3、JDK 8/11 + Spring Boot 2.7 双版本 

来源:疯狂打码中


一、前言

这个业务不熟悉。但是抖音的崛起,短视频场景也会是面试的考点。希望能够属性一下相关的大致数据。

短视频应用QuickTok的需求与技术架构详解

视频,尤其是短视频,以其时长在15分钟以内的精炼形式,成为了移动智能终端上拍摄、美化编辑、加特效并实时分享的新型视频形式。短视频凭借时间短、信息承载量高等特点,完美契合了当下网民的手机使用习惯,其用户流量更是孕育了巨大的商业机遇。

在此背景下,我们着手开发一个面向全球20亿用户的短视频应用——QuickTok。

相较于其他媒体文件,视频文件体积较大,这意味着存储短视频需要更为庞大的存储空间,播放时也需要更高的网络带宽。因此,QuickTok面临的主要技术挑战在于:如何应对高并发用户访问时的网络带宽压力,以及如何高效存储海量的短视频文件。接下来,让我们深入探讨QuickTok的需求与技术架构。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

1、需求分析

QuickTok的核心功能需求简洁明了:用户能够轻松上传、搜索并观看视频。在此基础上,我们将深入剖析其非功能需求的重要性。

QuickTok预计将迎来20亿用户的庞大群体,其中日活跃用户将达到约10亿。若每位用户日均浏览10个短视频,那么短视频的日播放量将惊人地达到100亿次:

10亿 × 10 = 100亿

进一步推算,平均每秒的播放查询量(QPS)约为11万次:

100亿 ÷ (24小时 × 60分钟 × 60秒) ≈ 11万次/秒

这意味着每秒有11万用户点击视频。假设用户平均观看时长为5分钟,那么同时在线观看的视频数量将高达3000万个:

11万次/秒 × 5分钟 × 60秒 = 3000万

再考虑每个短视频平均被播放200次,为了支撑如此庞大的播放量,每秒需上传的视频数量达到550个:

11万次/秒 ÷ 200 = 550个/秒

鉴于每个短视频的平均大小为100MB,每秒上传至服务器的数据量即为55GB:

100MB × 550 = 55GB

虽然视频并非在瞬间全部上传至服务器,但此估算方法依然有效。

对于每年新增的视频内容,所需的存储空间高达1700PB:

55GB × 24小时 × 60分钟 × 60秒 × 365天 = 1700PB

然而,为了确保视频数据的高度可用性和防止数据丢失,QuickTok采用双副本备份存储策略,即每个视频文件存储三份。因此,总存储空间需求跃升至5200PB:

1700PB × 3 = 5200PB

此外,播放视频所需的总带宽也极为可观,达到88Tb:

11万次 × 100MB × 8bit = 88Tb

综上所述,我们需要构建的短视频应用需具备每秒上传550个视频文件、处理11万次播放请求、新增165GB(55GB×3)存储空间以及支持88Tb总带宽的高并发处理能力。这一系统不仅要求高性能,能够迅速响应用户的上传和播放需求,还必须确保高可用性,为全球用户提供7×24小时的稳定服务。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

2、概要设计

QuickTok的核心部署模型如图所示:

用户上传视频时,请求会经过负载均衡服务器和网关服务器,最终到达视频上传微服务。该服务需完成两项任务:一是将上传文件数据流写入视频文件暂存服务器;二是将用户名、上传时间、视频时长、视频标题等元数据写入分布式MySQL数据库。

视频上传完成后,上传微服务会生成一个完成消息,并将其写入消息队列服务器。随后,视频内容处理器会消费此消息,并从暂存服务器获取视频数据进行处理。

视频内容处理器是一个由责任链模式构建的管道,视频将在此管道中依次进行内容合规性审查、内容重复性及质量审查、内容标签生成、视频缩略图生成以及统一视频转码处理等操作。

合规且非重复的视频经过统一转码后,将被写入分布式文件存储和CDN。至此,视频上传处理流程完成,具体时序图如下所示:

以上是对视频上传环节的设计概述。接下来,我们将探讨视频搜索及播放部分的设计,即核心部署模型图中标红的部分:

视频搜索引擎会根据用户提交的视频标题、上传用户等元数据,以及视频内容处理器生成的内容标签构建倒排索引。用户搜索时,系统会根据倒排索引检索符合条件的视频,并返回结果列表。结果列表在App端呈现时,会展示视频缩略图,以便用户初步了解视频内容。

用户点击缩略图后,App开始播放视频。无需下载整个视频文件,App以流的方式边下载边播放,确保用户获得流畅的观看体验。QuickTok采用MPEG-DASH流媒体传输协议进行视频流传输,该协议具有自适应能力且支持HTTP,完美满足QuickTok的视频播放需求。

3、详细设计

为解决QuickTok面临的两大挑战:如何存储海量视频文件以及如何解决高并发视频播放导致的带宽压力,我们的详细设计将聚焦于视频存储系统、性能优化与CDN的使用。

此外,“如何生成更吸引用户的缩略图”也是提升短视频应用用户体验的关键问题,因此详细设计还将涵盖缩略图的生成与推荐。

(1)视频存储系统设计

由需求分析可知,QuickTok每年需新增5200PB的存储。面对如此海量的存储需求,“如何存储视频文件”成为QuickTok设计的重要挑战之一。虽然我们可以尝试使用与前述网盘相似的存储技术方案,将视频文件拆分成若干block并使用对象存储服务进行存储,但QuickTok最终选择了另一种方案:使用Hadoop分布式文件系统HDFS进行存储。

HDFS非常适合大文件存储的一次写入多次读取场景,完美契合视频一次上传多次播放的需求。同时,HDFS还能自动进行数据备份(缺省配置下每个文件存储三份),满足我们对数据存储高可用性的要求。

由于HDFS适合存储大文件,大文件能减少磁盘碎片并有利于存储空间的利用,同时减轻HDFS NameNode的访问压力,因此我们需要将若干个视频文件合并成一个HDFS文件进行存储,并将存储细节记录到HBase中。

举例来说,当用户上传一个视频文件时,系统会自动生成一个视频ID(假设为123)。视频内容处理器对视频进行处理后,会调用视频文件存储服务进行存储。存储服务首先通过HDFS创建一个文件(如/data/videos/clust0/p0/000000001),然后将视频数据顺序写入HDFS。写入完成后,存储服务会获取HDFS文件的全路径名、视频在HDFS中的偏移量以及文件大小等信息,并将这些信息记录到HBase中。主键为视频ID(123),value为包含路径、偏移量和大小等信息的字符串。

若另一个用户上传的视频ID为456,文件大小为100,000,000B,且紧随上一个视频文件保存在同一个HDFS文件中,则HBase中会记录主键为456的条目,value为包含该视频在HDFS中的路径、偏移量和大小等信息的字符串。

当用户播放视频456时,播放微服务会根据视频ID在HBase中查找对应条目,获取HDFS文件路径及偏移量等信息,然后从HDFS文件中指定位置开始读取数据,即可获取完整的视频文件数据。

(2)性能优化与CDN设计

如前所述,QuickTok所需的总带宽高达88Tb,这是一个极为庞大的数字。若仅凭QuickTok自己的数据中心来承担这一带宽压力,将面临巨大的技术挑战和成本支出。因此,我们通过CDN将用户的网络通信请求就近返回,以缓解数据中心的带宽压力。

当用户请求获取视频数据流时,App会优先检查附近的CDN中是否有所需视频数据。若有,则直接从CDN加载数据;若无,才会从QuickTok数据中心获取视频数据流。

若用户的大部分请求都能通过CDN得到满足,则一方面能极大加快用户请求的响应速度,另一方面又能有效减轻数据中心的网络和硬盘负载压力,进一步提升应用的整体性能。

通常的CDN设计是在CDN中没有用户请求的数据时进行回源操作,即由CDN请求数据中心返回所需数据并缓存在CDN本地。但QuickTok考虑到了短视频的特点:大V、网红等发布的短视频会被更快速、更广泛地播放。因此,针对粉丝量超过10万的用户,QuickTok系统采用主动推送至CDN的方法以提高CDN命中率并优化用户体验。

从图中可以看出,视频内容处理器在完成视频处理后,一方面会将视频存储到视频存储系统中,另一方面会调用CDN推送服务。CDN推送服务会调用大数据平台获取视频上传者的活跃粉丝数、粉丝分布区域等数据。若用户粉丝量超过10万,则CDN推送服务会根据其粉丝活跃区域将视频推送到对应区域的CDN服务器上。

鉴于短视频的完播率通常不足30%,QuickTok无需将完整视频推送到CDN。相反,我们会根据视频发布者的历史播放记录计算其完播率和播放期望进度,然后将短视频切分成若干chunk,并将部分chunk推送到CDN即可。

业界普遍认为,视频应用CDN处理的带宽占总带宽的95%以上。这意味着通过合理使用CDN,QuickTok数据中心需要处理的带宽压力将降至不到4Tb。

(3)缩略图生成与推荐设计

用户可以在App主页、搜索结果页、视频推荐页等页面看到视频列表,每个视频都配备有缩略图。用户点击缩略图即可开始播放视频。

缩略图通常由视频的某一帧画面缩略而成。事实上,缩略图的选择会极大地影响用户点击和播放视频的意愿。一个10分钟的视频大约包含3万帧画面,那么选择哪一帧画面才能最大化用户点击视频的可能性呢?此外,针对不同用户分类是否选择不同的缩略图会产生更高的点击率呢?

为了解答这些问题,我们需要借助大数据平台的机器学习引擎来完成缩略图的生成和推荐。

缩略图的生成和推荐可以分为两个具体过程:实时在线的缩略图推荐过程a和利用离线机器学习生成优质缩略图的过程b。

在过程a中,用户通过搜索引擎搜索视频后,搜索引擎会生成搜索结果视频列表,并根据视频ID从缩略图存储中获取对应的缩略图。然而,一个视频可能对应多个缩略图。为了显示最吸引当前用户的那个缩略图,搜索引擎需要调用QuickTok大数据平台的缩略图推荐引擎进行推荐。推荐引擎会获取当前用户的偏好特征标签以及视频对应的多个

在过程a中,用户借助搜索引擎寻找视频内容。当搜索引擎呈现出搜索结果视频列表后,它会根据视频ID,从缩略图存储系统中精准地获取对应的缩略图。

然而,值得注意的是,一个视频往往与多个缩略图相关联。为了展示最能吸引当前用户的缩略图,搜索引擎巧妙地调用了QuickTok大数据平台中的缩略图推荐引擎。这一推荐引擎具备强大的功能,它能捕获当前用户的偏好特征标签,同时掌握视频对应的多个缩略图的特征。借助已经通过XGboost算法精心训练的模型,推荐引擎能够精准地将用户特征标签与缩略图特征进行匹配,从而挑选出最可能被当前用户点击的缩略图ID。随后,搜索引擎依据这个ID,将相应的缩略图巧妙地融入搜索结果页面,呈现给用户。

当用户浏览搜索结果列表,并点击某些缩略图进行播放时,App应用会实时地将用户的浏览与点击数据反馈给QuickTok大数据平台,这标志着过程b——利用机器学习生成优质缩略图的开始。

机器学习系统如饥似渴地吸收着海量用户的浏览和点击数据,同时,它也细致地捕捉着每个缩略图的特征。一方面,通过不断学习,机器能够洞察出哪些特征的缩略图更容易赢得用户的点击,进而构建出一个优质缩略图特征标签库;另一方面,机器还能精准地捕捉到每个用户独特的图像偏好特征标签,为之前的推荐引擎提供有力的支持。

有了机器学习系统的强大助力,视频内容处理器便能游刃有余地运用优质特征标签库来处理上传的视频内容。它精准地抽取符合优质特征的帧,进而生成引人入胜的缩略图。

a、b两个过程相辅相成,不断循环迭代,使得优质特征标签库得以持续优化,缩略图也愈发贴合用户的喜好。

那么,在最初缺乏特征库的情况下,我们又该如何应对呢?此时,视频内容处理器会采取一种巧妙的随机策略,抽取一些帧作为缩略图,以此实现冷启动。随后,机器学习系统会从这些随机抽取的缩略图中汲取知识,从而开启循环优化的旅程。

4、总结

在缩略图生成的环节,我们融入了大数据与机器学习的先进技术。对于初次接触的朋友来说,这或许会带来一定的挑战。但如今,人工智能与机器学习已成为众多颇具规模的互联网系统中不可或缺的一部分。作为整个系统的规划者与技术领航者,架构师或许无法深入到算法的每一个细微之处进行优化,但对于算法在整体架构中的核心作用、相关数据的处理流程与传输机制,他们必须了如指掌。只有这样,才能设计出真正贴合业务需求、高效稳健的架构方案。


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

d23546a893b8cae8f5fe17088c2b7a45.png

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

66e2a41e5016026e506311e0c946dbc7.png

6bf0243d97df1f612edf1e38c7803b80.png12c60f5092937267be6c08a29386fb03.png236f729ff2841ed7a771cd391cf06ad2.png6134c16ab0434be7ace4e9cb81a09634.png

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
支持三千万用户同时在线的短视频系统设计学习:QuickTok 架构全解析 摘要:QuickTok短视频系统采用分层架构设计,支持三千万用户同时在线、11万播放QPS和年增5200PB存储。核心通过分片上传、责任链处理管道、HDFS+HBase合并存储、CDN主导分发等关键技术,实现高并发低延迟播放和海量视频存储。系统采用异步解耦设计,95%播放流量由CDN承载,结合DASH流媒体协议和个性化缩略图推荐,提升用户体验。多地域部署和容错机制保障99.99%可用性,数据驱动优化使点击率提升25%。该架构兼顾性能、成本和扩展性,满足持续增长的业务需求。 阅读详情

相关推荐

SAP MIGO屏幕增强的具体实施步骤介绍(SE19:MB_MIGO_BADI) <转载>

1.MIGO抬头屏幕增强具体增强实施步骤1.1.创建存储抬头客制化数据的增强表1.2.创建增强结构1.3.创建函数组ZMM_MIGO1.3.1.定义全局变量1.3.2.创建数据处理函数1.4.创建字屏幕9001屏幕PBOendif.endloop.1.5.实施新BADI增强SE19创建BADI实施双击实施类ZCL_MIGO_EN_01exportingendif.endmethod.endif.endif.exportingendmethod.

qq_55488207的博客 4518

短视频系统设计:支持三千万用户同时在线看视频

通过本文的详细介绍,您应对如何设计一个支持三千万用户同时在线看视频的短视频系统有了全面的了解。我们讨论了需求分析、系统架构设计、视频存储设计、视频传输设计、负载均衡与高可用性、缓存策略、性能优化与监控、安全性与防护措施等方面。通过合理利用这些技术手段,可以构建一个高效、稳定和可靠的短视频系统,满足高并发和高可用性的需求。

lssffy的博客 1582

DDR5内存调优实战:手把手教你搞定Write Leveling Training Mode(附时序图解析)

本文深入解析DDR5内存调优中的Write Leveling Training Mode技术,详细介绍了其核心原理、硬件准备、实战步骤及常见问题解决方案。通过JESD79-5标准定义的反馈机制,帮助硬件工程师精确对齐DQS与CK信号,提升系统稳定性和数据可靠性。附有时序图解析和代码示例,适合DDR5内存系统设计与调试参考。

weixin_29256771的博客 552

高并发短视频系统设计:架构、存储与性能优化全解

在本文中,我们详细介绍了如何设计一个支持三千万用户同时在线看视频的短视频系统,重点包括以下几个方面:理解短视频系统的核心模块。精确估算用户需求,面对高并发的挑战。搭建基础架构,实现视频上传、播放、搜索等核心功能。采用消息队列和分布式系统实现高效的并发处理。采用HDFS分布式文件系统存储海量视频文件。设计数据高可用机制,确保数据安全性和一致性。通过缓存、异步处理、CDN和限流机制,提升系统性能和稳定性。使用动态调整视频质量的方法,合理管理系统带宽。生成高质量缩略图,提升用户点击率。

逆流的小鱼 4177

DGX Spark部署Isaac Sim:Arm架构容器化与机器人仿真避坑指南

机器人仿真平台依赖物理引擎与GPU加速,在Arm架构设备上的部署往往面临兼容性挑战。NVIDIA DGX Spark基于Grace Blackwell统一内存架构,CPU与GPU共享128GB内存,为本地运行大模型与Isaac Sim仿真提供了硬件基础。Isaac Sim作为NVIDIA Omniverse之上的机器人仿真平台,支持合成数据生成、物理仿真与强化学习策略训练,而容器化方案可将复杂依赖封装隔离,arm64镜像选型则成为部署成败的分水岭。本文从系统环境确认、NVIDIA Container Too

weixin_31220401的博客 211

Ollama最新快速上手指南:从安装到精通本地AI模型部署

想让Ollama跑你的"私房模型"?三种主流格式全支持,总有一款适合你!GGUF格式(推荐新手首选)创建Modelfile文件:执行创建命令:运行你的专属模型:PyTorch/Safetensors格式(适合进阶玩家)先用库测试模型能否正常加载确保模型结构完整后再导入Ollama官方文档有详细转换指南专业小贴士GGUF格式最轻量,PyTorch最灵活,Safetensors最安全遇到问题?试试用llama.cpp进行格式转换7B参数模型推荐使用q4_0量化级别想让AI用马里奥。

全世界的博客 2313

Java面试题及答案总结(2025版持续更新)

接下来的内容,将基于最新面试实况,为你揭示如何在新时代的Java面试中展现真正的工程实力。37.微信抢红包的功能是如何实现的,如果让你来做你怎么设计?18.如果让你设计一个支持千万级流量的架构,你会怎么设计?7.设计一个支持10WQPS的评论中台,你会怎么设计?10.如何设计一个支持三千万用户同时在线的短视频系统?5.字节二面:如何设计一个支持10万QPS的会员系统。他们真正想考察的,是你如何将这些技术原理,转化为。16.如何设计一个支持5亿用户规模的网约车系统?

m0_50180963的博客 982

ComfyUI+minimaxh3本地部署:漫剧分镜批量生成工作流全实操

视频生成模型正从云端API向本地化部署迁移,背后的技术逻辑是将扩散模型的文本编码、潜空间采样、VAE解码等阶段拆分为可编排的独立环节。ComfyUI作为节点化管线工具,恰好能以可视化连线方式管理这些阶段,让生成过程可控、可复用、可批量执行。minimaxh3模型支持本地推理,配合LoRA微调与参数优化,能够在保证角色一致性的前提下,从分镜脚本批量产出连续剧情片段,规避云端排队、成本高、素材不可控等工程问题。这套工作流广泛应用于漫剧、短剧和动态条漫的工业化生产,尤其适合需要高频迭代分镜草稿的内容团队。文本以零

weixin_29057065的博客 371

SpringBoot一个接口实现任意表的 Excel 导入导出

往期热门文章: 1、100 行代码搞定了 RPC 原理,大家随便问! 2、新一代搜索引擎,据说是 ES 的15倍? 3、简化Maven项目依赖:优雅去除未使用Jar包! 4、Redis Plus 来了,性能炸裂! 5、如何设计一个支持三千万用户同时在线的短视频系统? 原文:juejin.cn/post/7356508172419481663Java的web开发需要excel的导入导出工具,所以需...

Java后端技术 151

《谷歌数据分析方法》脑图笔记

目录壹、脑图笔记贰、《谷歌数据分析方法》脑图文稿[^1]一、 反思数据分析二、选择数据分析工具的最佳策略第一步:选择数据分析工具前要回答的3个关键问题第二步:选择数据分析工具前要问供应商的10个问题第三步:如何有效地试用数据分析工具第四步:确定合作前的协议,检查供应商的服务条款三、点击流分析的精彩世界:指标8个关键网站指标数据分析指标揭秘关键网站指标的战略性策略四、成功的关键:衡量绩效关注“少数关键指标”衡量非电子商务网站的成功衡量B2B网站五、调研和测试永不过时的3个最佳调研问题选择线上调研供应商的8个建

积跬步,慕至千里的博客 2930

Claude Code 从入门到精通,通过实战项目穿插 Agent Skills、MCP、Hooks、子代理、插件等十五个知识点

本文介绍了Claude Code的高级使用技巧,通过一个个人简历网站实战项目,详细讲解了15个核心知识点。主要内容包括:三种权限模式(默认/编辑/计划)的使用与切换;历史会话管理(/resume、/rename、/clear命令);会话回滚功能(/rewind);以及危险参数--dangerously-skip-permissions的注意事项。文章还演示了如何通过计划模式拆分代码文件,并强调了在复杂任务中仔细检查规划步骤的重要性。这些技巧能帮助开发者更高效地使用Claude Code完成项目开发。

1793

我发现Java面试通过率低的人,都有一个相当的共性...

首先技能深度不足1.核心基础不够理解,对多线程、JVM、集合框架等原理理解不够2.框架原理没吃透,仅熟练使用spring注解对底层原理说不清楚3.项目经验平庸,缺乏技术难点、解决方案的深入阐述而且大部分Java仍然习惯背八股,对当前以业务场景为主的面试流程置之不理,简历中堆积大量不熟悉甚至无关的技术,让面试官抓到弱点,所以今天的内容八股部分就少量写一写,主要为大厂Java面试中经常问到的场景原题,以及一些大厂问到的八股原理等。

QD_ANJING的博客 411

uniapp(全端兼容) - 最新详细实现支付键盘功能组件,从底部弹出数字键盘输入支付密码进行付款交互效果,自定义支付密码键盘仿微信、支付宝支付键盘,1~9密码数字键盘,电商支付(详细示例代码复制运行

uniapp,微信小程序,自定义数字键盘,输入支付密码的键盘组件,uniapp小程序如何实现从底部弹出输入支付密码自定义键盘功能,uniapp小程序密码支付键盘组件插件,自定义数字键盘输入页面,怎么封装底部弹窗自定义数字键盘用于输入支付密码,uniapp小程序仿类似电商支付密码输入模态框,uniapp微信小程序平台实现自定义支付密码键盘,uniapp 密码支付,数字键盘,安全键盘,交易键盘,交易密码,交易密码输入框,uniapp自定义支付键盘: uniapp自定义支付键盘,uniapp小程序端实现键盘输入支

✅ 精选推荐文章 2907

DeepSeek4J 发布!Java 项目一行代码集成 DeepSeek !!

往期热门文章: 1、Java反射不再慢!掌握这些技巧,性能提升10倍! 2、SpringBoot一个接口实现任意表的 Excel 导入导出 3、100 行代码搞定了 RPC 原理,大家随便问! 4、新一代搜索引擎,据说是 ES 的15倍? 5、简化Maven项目依赖:优雅去除未使用Jar包!DeepSeek R1 凭借其强大的 思维链 能力在开发者中广受欢迎,但 Spring AI 等主流框架对...

Java后端技术 287

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

2025 Java面试全指南(八股文+场景题)

"面了5家公司,挂了4家...""八股文倒背如流,场景题一脸懵逼...""项目经验3年,被问得像个实习生..."如果你也有这样的感受,请务必看完这篇5000字长文,这将是你面试突围的关键!篇幅限制下面就只能给大家展示小册部分内容了。整理了一份核心面试笔记包括了:Java面试、Spring、JVM、MyBatis、Redis、MySQL、并发编程、微服务、Linux、Springboot、SpringCloud、MQ、Kafka 面试专题需要全套面试笔记及答案可以在文末获取八股文是你的基础装备。

m0_50180963的博客 3405

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

25年Java开发面试题,背完通过率(95%)

于是开始找场景题的资源,功夫不负有心人,在github上获取到了新版的,刷题比八股确实好多了,下旬的面试也基本都遇到了,目前已入职一家400多人的公司,氛围很好,领导对我也很关爱,同事对我也很照应。这里强调一下,不是我变强了,是企业真要人的时候,但是遇到大多都是拷打场景题和结合项目进行提问的,难度不是很高,就是一开始本人刷的是八股,场景题并没有很深的研究,月初到月中的面试基本都挂掉了。除此之外,最近秋招,面试的话不知道框架类的面试会不会有需求,索性都放了进去,包括个人的简历写法等等!重平衡的过程是怎么样?

WYiQIU的博客 930

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Java面试题大全(整理版)场景面试题附答案详解,最全面详细,看完稳了

对于Java后端的朋友来说应该是最全面最完整的面试备战仓库,为了更好地整理每个模块,我也参考了很多网上的优质博文和项目,力求不漏掉每一个知识点,很多朋友靠着这些内容进行复习,拿到了BATJ等大厂的offer, 也已经帮助了很多的Java学习者,希望也能帮助到你。进大厂是大部分程序员的梦想,而进大厂的门槛也是比较高的,而现在面试又已场景题为主,所以这里整理了一份面试场景题。37. 微信抢红包的功能是如何实现的,如果让你来做你怎么设计?18.如果让你设计一个支持千万级流量的架构,你会怎么设计?

2401_83384536的博客 885

其实十一月java岗竞争大不大不重要,绝大部分人都菜的一批......

这几类问题不解决,真的很难给offer啊!整理了一份核面试小册:Java面试题,简历模板、学习路线,需要的小伙伴 →。4.面试经验不足 面试还在背八股文的多,现在很少有人问,大部分公司都是业务场景提问,询问你的解决方案是什么!37.微信抢红包的功能是如何实现的,如果让你来做你怎么设计?18.如果让你设计一个支持千万级流量的架构,你会怎么设计?7.设计一个支持10WQPS的评论中台,你会怎么设计?10.如何设计一个支持三千万用户同时在线的短视频系统?4.如果你的系统的QPS突然提升10倍你会怎么设计?

2501_93207597的博客 925

其实大多Java开发都是先混进去再说...

坐办公室容易,进办公室难!我发现大家在面试Java开发的时候普遍存在一些短板,如果不解决,真的很难拿到offer!

W1391517383的博客 1847
上一篇: SpringBoot + Tika 实现数据泄露防护、检测敏感信息
下一篇: Nginx性能优化的几个方法
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377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