随手笔记二 改变this指向 apply

JavaScript高手的三大核心能力:语言内核、运行环境与业务决策 JavaScript作为动态、单线程、基于事件循环的脚本语言,其真实复杂性远超语法层面——它在V8引擎中执行,在浏览器渲染管线中影响像素输出,并深度耦合于网络、内存与兼容性等运行时环境。理解执行上下文、this绑定机制、闭包作用域链及微任务调度原理,是构建稳定异步逻辑的基础;掌握渲染管线中的强制同步布局、内存分代回收(新生代/老生代)及GC触发条件,才能实现高性能前端体验;而将技术能力映射到业务场景,需具备需求解构力、方案权衡力与风险预判力。本文聚焦JavaScript高手必备的三大支柱:语言内核的条件反射 阅读详情
this的指向

js的this指向一个对象,指定的对象取决于函数执行所绑定的,而不是声明时的环境

  • 作为对象的方法调用
  • 作为普通函数调用
  • 构造器调用
  • apply & call调用
作为对象的方法调用

当函数作为对象的方法调用时 this指向该对象

let obj={
 name:'hello',
 getName:function(){
  console.log(this)  //obj 
 }
}
obj.getName()
作为普通函数调用

当函数作为普通函数调用时,this指向全局对象 ,在浏览器中全局对象为window

window.name = 'globalName';
//情况1
let getName=function(){
console.log(this.name)     //globalName
} 
//情况2
let obj = {
   name: "hello",
   getName: function () {
     console.log(this);
        //函数表达式
      let test = function () {
        console.log(this); //window
         };
       test();
  },
}
 obj.getName();
调用 test() 是window对象 不是obj对象  
构造器调用

js可以通过构造器创建对象,构造器的外 表跟普通函数一模一样,它们的区别在于被调用的方式。当用 new 运算符调用函数时,该函数总 会返回一个对象,通常情况下,构造器里的 this 就指向返回的这个对象

new 创建对象原理:
let newObj=new F()
1. var obj = {}
2. obj.proto = F.prototype
3. F.apply(obj,argument)  //改变了this指向 将this指向新创建的对象
4. return obj
apply & call调用

跟普通的函数调用相比,用 Function.prototype.call 或 Function.prototype.apply 可以动态地 改变传入函数的 this

GhidrAssist:AI驱动的逆向工程助手实战指南 逆向工程是分析软件内部工作原理、理解二进制代码逻辑的关键技术,广泛应用于软件安全、恶意代码分析和漏洞挖掘等领域。其核心原理在于通过反编译、控制流与数据流分析等手段,将机器码还原为可理解的高级语言表示。传统逆向分析高度依赖人工经验,面对海量代码时效率低下且易出错。随着大语言模型(LLM)技术的发展,其强大的代码理解与推理能力为自动化逆向分析提供了新的可能。通过将LLM与成熟的逆向工程框架(如Ghidra)相结合,可以构建智能辅助系统,实现代码意图的自动解释、变量/函数的智能重命名以及潜在漏洞模式的辅助识别,从 阅读详情

相关推荐

PX4环境git submodule update --init --recursive失败的解决办法

最近开始搭建PX4环境,搭建是需要从github下载工程,然后使用语句git submodule update --init --recursive更新工程子模块,但往往由于网络原因这一步需要很久,甚至会失败。因为github是外网,在上面下载代码会受到很大限制,往往会出现下面的问题: 即无法连接到github,查阅了相关资料后,我发现了解决更新子模块失败的方法: 1.打开你下载的PX4源码,即Firmware文件夹,找到其中的.gitmodules,如下图: 2…gitmodules有以上格式,path

qq_36903625的博客 1万+

改变this指向问题(call、apply、bind)

普通函数: 谁调用,this就指向谁,如果没有调用者,this默认指向window箭头函数(es6):箭头函数的this是父级作用域的(精解:箭头函数外如果还有一个函数包裹,那么这个this指向的就是外包裹函数。如果箭头函数外没有外包裹函数,那么this就指向window)//window我们直接在控制台打印this,会发现打印出来的是window对象,默认情况下,this指向window对象。

老电影故事的博客 948

从CORDIC到DDS:手把手拆解《Verilog传奇》第9章的实战项目(附可跑通的代码)

本文详细解析了如何从CORDIC算法到DDS系统的完整实现过程,基于《Verilog传奇》第9章的实战项目,提供了可运行的Verilog代码。内容涵盖CORDIC算法的硬件实现、DDS系统架构设计、完整系统集成与验证,以及实际部署中的性能调优技巧,适合数字IC和FPGA开发者深入学习。

weixin_42623010的博客 417

改变this指向---apply、call方法和bind方法

apply的使用语法: 函数名字.apply(对象, [参数1,参数2,…]); 方法名字.apply(对象, [参数1,参数2,…]); call的使用语法: 函数名字.call(对象, 参数1,参数2,…); 方法名字.call(对象, 参数1,参数2,…); 只要想使用别的对象的方法,并且希望这个方法是当前对象的,那么就可以使用apply或者是call的方法改变this的指向 apply和call方法并不在函数这个实例对象中,而是在Function的prototype中。 function f1(x,

Binglili0809的博客 318

【箱子之字形摆放】python实现-附ChatGPT解析

箱子之形摆放有一批箱子(形式为宁符串,设为str) ,要求将这批箱子按以之形的顺序摆放在宽度为n的空地,请输出箱子的摆放结果。例如:箱子为ABCDEFG,空地宽度为3,摆放结果如图:则输出结果为:AFGBECD输入一行字符串,通过空格分制,前面部分为字母或数字组成的字符串str,表示;后面部分为一个数字n,表示。ABCDEFG 3箱子摆放结果,如题目示例所示AFGBECD。

sinat_29950703的博客 371

VR大空间开发前期,设备选项与流程

欢迎开发者加入 VR 大空间开发之旅!本系列教程将以 Pico 和 HTC 设备为核心,系统拆解从基础搭建到功能实现的全流程,助你快速掌握开发要点。本系列共 12 篇,专为有编程基础但缺乏大空间开发经验的开发者设计。前 7 篇针对 Pico 和 HTC 设备差异分别讲解,后续步骤通用。核心目录如下:​1. 空间环境要求 - 灯光设置 - 场地面积规划 - 识别图案设计2. 网络部署方案3. 客户端体验模式解析 - 一体机模式 - 云渲染模式 - 背包体验模式4. Pico空间录制方法

unitygroup的博客 1357

call()跟apply() 改变this指向

call跟applay call();跟执行函数()是一样的效果 test.call()相当于test() call()跟apply()都是改变this的指向 两者区别 传参列表不同 Fun.call(新this指向,参数1,参数2,参数3,……) Fun.apply(新this指向,用对象形式传参) // 场景:当生产车间,需要用到别人的零件, // 可以用call或app...

qq_39201210的博客 1273

QGIS之二十六pbf转osm转shp

QGIS之二十六pbf转osm转shp

yilvyangguang520的博客 7508

利用call和apply改变this指向

8.call/apply方法 这两个方法其实就是改变this指向的 function Person(){ this.name='caiyun'; this.age=3; } var obj={}; Person.call(obj);//其实任何函数的执行,比如说test,真正的执行样式是test.call() //这里的执行流程是这样的:函数执行后,内部会有一个this,这时候th...

weixin_42444564的博客 735

潜望式长焦模组全解析:结构构造、光路设计与工程实战挑战

随着移动影像能力的不断进化,潜望式长焦模组成为旗舰手机实现 5x 甚至 10x 光学变焦的关键配置。相比传统横向堆叠镜组,潜望式结构通过反射棱镜实现纵向空间上的光路折叠,有效解决了模组厚度与变焦行程的矛盾问题。然而,高倍变焦模组不仅面临复杂的光学路径设计,还涉及反射损耗控制、防抖马达配合、模组热应力管控与 ISP 畸变校正等一系列工程难点。本文将结合主流机型的实战经验,深入解析潜望式长焦模组的结构构造与调试路径,为影像系统工程师提供完整的实战参考。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 3144

conda install出现CondaValueError: Malformed version string invalid character(s)解决方案

本文主要介绍了conda install出现Solving environment:failed、CondaValueError: Malformed version string invalid character(s),希望能对新手有所帮助。 文章目录 1. 问题描述 2. 解决方案 2.1 步骤一 2.2 步骤二 2.3 步骤三

weixin_43178406的博客 6万+

javascript 改变函数内this的指向 apply()

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta http-equiv="X-UA_Compatible" content="IE=edge"> <meta name="viewport" content="width=device-width, initial-scale=1"> <title>Title

欢迎光临雨落星辰的博客 422

Mamba-UNet:用于医学图像分割的类似UNet的纯视觉Mamba网络

所提出的Mamba-UNet的架构如图2所示,其灵感来源于UNet [24] 和 Swin-UNet [3]。首先将大小为 H × W × 1 的2D灰度图像分割成类似于ViT和VMamba的块 [5,16],然后转换为维度为 H/4 × W/4 × 16 的1D序列。一个初始的线性嵌入层将特征维度调整为任意大小C。这些块令牌随后通过多个VSS块和块合并层进行处理,以创建分层特征。块合并层负责下采样和维度增加,而VSS块则专注于学习特征表示。

AI浩 7554

前端小白随手笔记

前端小白的入门笔记 关于ES6的问题 1.模板字符串 模板字符串是用反双引号来标识的**()**,可以用来当作普通字符串来使用,也可以用来嵌套变量和其他模板字符串,模板字符串里面的空格和换行是会一样显示在页面上的,下面是使用方法。 let str=`helloword` let str2=`helloword 123` let str3=`abc${5+5} +123` conso...

weixin_42027456的博客 690

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")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

this指向谁?调用者视角彻底搞懂JavaScript的this绑定

JavaScript中的this指向是函数调用时动态确定的,核心原则是“this指向真正的调用者”。理解这一原理,就能从根源上掌握默认绑定、隐式绑定、显式绑定以及new绑定等规则,而不必死记硬背。在实际工程中,回调函数、事件监听、定时器、解构赋值等场景经常导致this丢失,其本质是调用者被改变。借助bind、call、apply或箭头函数,可以显式绑定或词法捕获this,避免这类问题。本文从调用者视角出发,系统梳理this的底层逻辑、常见丢失场景与排查技巧,帮助开发者真正吃透这个重要的JavaScript基

weixin_34152820的博客 2960

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

javascript:函数的apply,call方法和length属性

 看js的资料,随手记下一些认为实用的东东,以飨和我一样正在学习的诸位看官。      “JavaScript 为函数对象定义了两个方法:apply 和call,它们的作用都是将函数绑定到另外一个对象上去运行,两者仅在定义参数的方式有所区别:      Function.prototype.apply(thisArg,argArray); Function.prototype.call(thi...

weixin_34152820的博客 104

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

this魔术背后的秘密

this作为javascript常用的关键字之一,被人们称为最复杂的机制之一,他就像一个魔术师,变幻着令人着迷的戏法,来混淆你的视听。而作为观众的我们在欣赏完这眼花缭乱的魔术之后,总想了解一下背后的秘密。

wys1996625的专栏 352

随手记

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>javascript深入简出</title> </head> <body> </body> <s...

160

学习笔记整理-面向对象-02-认识函数的上下文

规则上下文对象.函数()对象函数()window数组[下标]()数组IIFEwindow定时器windowDOM事件处理函数绑定DOM的元素call和apply任意指定。

东东爱编码博客 267

JS八股文通关:从面试官出题逻辑拆解高频考点与答题话术

JavaScript作为前端开发的核心语言,其基础概念的掌握程度直接影响面试表现。面试官常通过闭包、事件循环、原型链等高频考点,考察候选人对语言底层原理的理解深度,而非机械记忆。理解作用域链、异步模型、对象关联等机制,是提升技术价值的关键。在实际应用场景中,如React Hooks封装、异步请求并发处理、高频事件优化,这些知识点都发挥着不可替代的作用。基于面试官出题逻辑,整理出一套可直接使用的答题话术框架,将死记硬背转化为理解性表达,帮助开发者系统应对前端面试中的八股文考察,轻松通过技术面。

weixin_30407613的博客 323

面向对象高级( 随手记-6)

setTimeout 的作用:  指定一个时间,经过一段时间后执行代码(定时器) 两个参数: 回调函数  时间! 会在至少经过指定的时候后执行回调函数! 可以把setTimeout/setInterval 中的代码看作是异步执行的 代码,这里的回调函数总是被延后执行的; JavaScript 是一门单线程的语言; JS会优先执行除了 settimeout/ajax 等回调函数

旺旺不太旺的博客 263

js-logger兼容性深探:如何在IE7等没有console的古老浏览器中输出日志

js-logger 是一个零依赖、可配置、轻量级的 JavaScript 日志库,本文带你在 IE7 等根本没有 `console` 对象的古老浏览器中输出日志,并拆解它的级别过滤与处理函数(Handler)设计,新手也能快速上手。 ## 为什么需要 js-logger 这个日志层?🤔 在现代浏览器里,`console.log` 随手可写,但真实世界并非只有现代浏览器: - **IE7 压

gitblog_00952的博客 981

前端面试八股文深度复盘:从原理到实战的技术进阶指南

前端开发领域面试考察的不仅是知识点记忆,更是对技术原理的深度理解。JavaScript中的作用域链、事件循环机制、框架响应式设计等基础概念,构成了面试官层层追问的核心链路。理解闭包的内存模型、this绑定规则、宏任务与微任务的调度顺序,能帮助开发者建立系统化的知识框架。这些原理不仅用于应对面试,更直接指导日常开发中的性能优化、状态管理和工程化实践。从Vue响应式到React Fiber,从构建性能到微前端方案,技术判断力源于对底层机制的透彻认知。本文以一次完整的面试复盘为线索,梳理前端高频考点背后的设计思想

weixin_34221276的博客 594

JavaScript默认参数深层机制与工程实践指南

JavaScript默认参数并非简单的语法糖,而是涉及函数调用时序、作用域绑定、undefined判定及执行上下文的一套底层机制。其核心原理在于:仅当实参严格等于undefined时,才在函数体执行前求值默认表达式,且该过程独立于arguments和this绑定。这一机制带来显著技术价值——提升函数契约清晰度、支持配置驱动设计、避免隐式bug,但也引入解构嵌套失效、this丢失、对象重复创建等典型工程风险。本文聚焦真实项目中高频踩坑场景,涵盖执行时机辨析、深合并策略、this绑定规避、内存优化及IE11兼容

weixin_34209851的博客 414

Terraform AWS基础设施即代码实战:从手动运维到生产级IaC落地

基础设施即代码(IaC)是云原生时代实现环境一致性、可审计性与快速交付的核心范式。其本质是将服务器、网络、安全等云资源抽象为声明式配置,通过版本控制、自动化执行与状态比对保障‘所写即所得’。Terraform凭借跨账号/region的统一状态管理、深度贴合AWS API的Provider生态、强约束模块化设计,在主流IaC工具中展现出独特工程优势。它不仅替代鼠标操作,更支撑多环境治理、合规审计、CI/CD集成与生命周期管控。本文聚焦AWS场景,结合VPC模块开发、State安全实践、Flow Logs与NA

weixin_34167819的博客 396
上一篇: 随手笔记一 创建对象的方法
下一篇: JS的计算精度 处理方法
schurmi
博客等级 码龄14年 22粉丝 52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