package com.lhever.practice;
import java.util.Arrays;
import java.util.UUID;
/**
* UUID不是128位长的吗,怎么生成的都是36个字符的字符串? 这个类给予解释,
* 并给出了几个常用的UUID相关的工具方法
*/
public class UUIDCookBook {
public static void main(String[] args) throws Exception {
/*
UUID长度是128位,并且指的是二进制形式是128位数,因为每四个二进制位可以转为一个16进制字符,
所以如果以十六进制字符串表示,则UUID长度是128/4 = 32。
然而JDK的UUID类产生的UUID长度是36,是为了便于识别和根据UUID的生成特点,一般会采用4个“-”号将32位长度的字符
串分为5组。各组的长度分别是 8, 4, 4, 4, 12
*/
System.out.println(UUID.randomUUID().toString());
System.out.println(UUID.randomUUID().toString().replace("-", ""));
String uuid = getUUID();
System.out.println(uuid);
byte[] byteArr = hexStringToByteArray(uuid);
System.out.println(Arrays.toString(byteArr));
String hexStr = byteArrayToHexString(byteArr);
System.out.println(hexStr);
System.out.println(parseUUIDFromHexString(hexStr).toString());
}
public static String getUUID() {
return UUID.randomUUID().toString().replace("-", "");
}
/**
* 将一个长度为32的16进制字符串(UUID)转换成长度为16的字节数组 并返回
* 注意:对于16进制字符串, a为9,b为10,c为12,d为13,e为14,f为15
* */
public static byte[] hexStringToByteArray(String s) {
int len = s.length();
byte[] data = new byte[len / 2];
for (int i = 0; i < len; i += 2) {
data[i / 2] = (byte) ((Character.digit(s.charAt(i), 16) << 4)
+ Character.digit(s.charAt(i+1), 16));
}
return data;
}
/**
* 将16进制字符串解析成 UUID 并返回
* */
public static UUID parseUUIDFromHexString(String hexUUID) throws Exception{
byte[] data = hexStringToByteArray(hexUUID);
long msb = 0;
long lsb = 0;
for (int i=0; i<8; i++)
msb = (msb << 8) | (data[i] & 0xff);
for (int i=8; i<16; i++)
lsb = (lsb << 8) | (data[i] & 0xff);
return new java.util.UUID(msb,lsb);
}
/**
* 将hexStringToByteArray方法的输出还原为输入,也就是说,该方法的作用是:
* 将一个字节数组转换成16进制的字符串形式
* */
public static String byteArrayToHexString(final byte bytes[]) {
StringBuffer sb = new StringBuffer(bytes.length * 2);
for (int i = 0; i < bytes.length; i++) {
sb.append(convertDigit((int) (bytes[i] >> 4)));
sb.append(convertDigit((int) (bytes[i] & 0x0f)));
}
return (sb.toString());
}
/**
* 将传入的值转换成16进制数字并返回
* */
private static char convertDigit(int value) {
value &= 0x0f;
if (value >= 10) {
return ((char) (value - 10 + 'a'));
}
else {
return ((char) (value + '0'));
}
}
}
相关推荐
DeepSeek-Coder本地部署实战:用3090打造可控、合规、高性价比AI编程搭档
代码大模型是当前开发者提效的核心基础设施,其本质是基于Transformer架构的自回归语言模型,通过海量代码语料训练获得语法理解、逻辑推演与模式生成能力。技术价值在于将重复性编码劳动转化为可预测、可审计的自动化流程,显著降低上下文切换与调试认知负荷。典型应用场景包括IDE智能补全、遗留系统重构、团队规范对齐及私有领域术语适配——尤其在金融、政务等强合规要求场景中,本地化部署成为隐私安全与数据主权的刚性需求。本文聚焦DeepSeek-Coder-6.7B这一开源中文代码模型,结合vLLM推理引擎与RTX 3
UUID生成指定位数字符串
public static String getOrderIdByUUId() { int first = new Random(10).nextInt(8) + 1; int hashCodeV = UUID.randomUUID().toString().hashCode(); if (hashCodeV < 0) {//有可能是负数 ...
DeepSeek-Coder-V4真实开发流实测:上下文理解与错误修复能力深度评测
大语言模型的代码生成能力,本质是将自然语言需求转化为可执行、可集成、可维护的程序逻辑。其核心依赖于对代码语义、项目上下文、运行时约束及异常流的深度理解,而非单纯语法补全。DeepSeek-Coder-V4凭借128K长上下文与强化的跨语言建模能力,在模糊需求具象化、存量代码重构、弱类型API容错处理等高阶任务中展现出突出的上下文理解与错误修复能力。它适用于Python数据清洗、TypeScript类型安全重构、Go健壮客户端开发等真实工程场景,显著降低开发者在需求澄清、文档缺失、边界异常等‘脏活’上的认知负
uuid java 长度,java.util.UUID.randomUUID()。toString()长度
Does java.util.UUID.randomUUID().toString() length always equal to 36?I was not able to find info on that. Here it is said only the following:public static UUID randomUUID()Static factory to retrieve ...
Qwen3-Coder-Next:80B参数+3B激活的本地编程Agent实战解析
MoE(混合专家)架构是大语言模型实现高效推理的核心技术之一,其通过动态路由机制在超大参数量与低计算开销间取得平衡。原理上,模型将能力拆分为多个专家子网络,每次仅激活2–4个最相关专家,显著降低显存占用与延迟。该技术为本地AI编程助手提供了关键支撑——既保有80B级代码理解深度,又满足消费级GPU甚至边缘设备的部署需求。典型应用场景包括IDE内实时代码补全、跨文件重构、类型推断与错误修复等。Qwen3-Coder-Next正是这一范式的工程落地代表,其‘80B参数+3B激活’设计直击本地编程Agent的显存
Kimi-K2 vs Qwen3-Coder:国内开发者如何选择最适合的代码生成工具?
本文深入对比了Kimi-K2与Qwen3-Coder两款国内主流代码生成工具。通过实际代码示例,分析了二者在代码生成质量、风格、理解能力、应用场景(如业务开发、算法实现、前端开发)以及集成工作流、性能成本等方面的差异,为国内开发者提供了基于具体需求的选型指南和接入建议。
生成ID的方式
生产ID编码的方式有很多种,根据自己的需求来定,一般情况下,UUID和Redis自增的方式或者特殊编码格式,就能满足需求。雪花算法也是能够满足场景的,在不考虑它时间回调导致重复的问题。极少的场景需要额外引入如 美团(Leaf)生产ID的框架。
飞浆PaddleX实战:从数据标注到模型训练的全流程保姆级教程(附VisualDL可视化技巧)
本文提供飞浆PaddleX从数据标注到模型训练的全流程实战教程。详细介绍了环境部署、数据集准备、模型选择与训练,并重点讲解了如何利用VisualDL可视化工具进行训练过程监控与超参数调优,帮助初学者快速上手AI模型开发。
设计一个分布式的全局唯一ID生成器1、要求长度为8
1、要求长度为8 2、只能包含[a-zA-Z0-9] 3、必须唯一 思路 1、定义一个静态数组chars包含a-zA-Z0-9,总共62个 2、通过UUID.randomUUID().toString(),生成36位的uuid,生成的36位id带着4个‘-’字符,我们把字符‘-’去掉,剩下32个16进制的字符。 3、我们要生成一个8位的id,因此我们把32个字符分成8组,每组4个,(算法的关键->)我们把每组4个字符看成一个整体,把他变成十进制的数字,之后取余,并把chars...
WRF替换静态地理数据中的土地利用数据(WRF替换下垫面数据)
在进行自己的WRF项目模拟的时候,因为需要用中国土地利用数据替换WRF内嵌老旧的土地利用数据,故需要将土地利用进行替换。我使用的中国的土地利用数据是来自中国土地利用数据(1980-2015)。其中我以下载的lucc1980为例进行演示。 1、坐标转换 (1)下载的lucc1980数据如下图所示: (2)在ArcMap中打开如下图所示: 打开属性表可以看到,lucc1980的坐标系为投影坐标系Krasovsky_1940_Albers,数据格式为GRID。这里需要将投影坐标系转换成地理坐
AI赚钱新思路 利用RPA+KIMI实现小红书全自动制作发布(详细攻略)
我已经事先准备好了文案素材,现在就利用Kimi的智能,根据我们已有的文案来创作出新的文案吧。之前我写过一篇关于【:一个戴着用百元大钞制成的简约头饰的少女,她坐在小车里,手里拿着一叠港元,整个画面洋溢着现实主义动漫风格和治愈系的温暖气息。通过这篇文章,我们已经一步步地完成了小红书治愈系文案的创作、治愈系图片的生成,以及笔记的发布,实现了整个流程的自动化。不慌不忙,快乐常在 在繁忙的日常中,给自己的心灵留一片净土,感受内心深处的平静与安宁。接下来,我将展示如何使用影刀来编写自动化脚本,以生成治愈系的图文图片。
UUID.randomUUID()方法介绍
UUID.randomUUID().toString()是javaJDK提供的一个自动生成主键的方法。UUID(Universally Unique Identifier)全局唯一标识符,是指在一台机器上生成的数字,它保证对在同一时空中的所有机器都是唯一的,是由一个十六位的数字组成,表现出来的形式。由以下几部分的组合:当前日期和时间(UUID的第一个部分与时间有关,如果你在生成一个UUID之后,过
【3GPP核心网】【5G】史上最全的5G协议规范总结
物理层信道定义:TS38.211(物理层信号的生成、调制,DMRS和额外DMRS,PRACH configuration index,Point A等介绍)传输信道和控制信道的数据处理:TS38.212(包括复用,信道编码,交织,DCI,DMRS端口号等)物理层控制过程:TS38.213(同步,上行功控,随机接入,UE上报和接收控制消息的过程,SSB等)物理层测量:TS38.215(UE和网络的测量控制,UE测量能力)频率、频点相关F R1:TS38.101-1。
Coder项目工作区管理完全指南
在Coder项目中,工作区(Workspace)是开发者的核心工作环境。每个团队成员都拥有自己独立的工作区,这些工作区基于共享模板创建,确保整个团队使用统一配置的开发环境。 工作区的主要特点包括: - 环境一致性:所有工作区基于相同模板创建,保证开发环境配置一致 - 资源隔离:每个开发者拥有独立的工作区,互不干扰 - 多IDE支持:可以在工作区中使用不同的集成开发环境 - 资源管理:工作区可以按
新手福利!大龙虾OpenClaw可视化管理工具来了!告别命令行,这个可视化工具让OpenClaw管理变得超简单
还在用命令行管理OpenClaw?🚀 这个跨平台可视化工具支持14+AI模型,一键切换,还能对接微信飞书钉钉等8大消息渠道,让AI助手管理变得简单直观 ✅ 暗色主题护眼舒适,Rust后端高性能低占用,新手也能轻松上手 🎯
【Ranger】mac下Apache Ranger编译安装
a、编译过程中出现测试用例不通过和文件认证错误错误:带上参数-DskipTests=true -Drat.skip=true 重新编译;b、若编译过程中出现缺少jar包的情况,可能下载不了,需要手动自动添加;c、编译所需的其他工具如maven等安装配置略。采用这个会报错,因此我才用了下面一个命令。初始化设置Ranger Admin:执行。然后进入target目录。
Matlab编程技巧:导入arxml文件
本文研究如何导入arxml文件
2024 年 9 月青少年软编等考 C 语言三级真题解析
2024 年 9 月青少年软编等考 C 语言三级真题解析。
从零构建DeepSeek Coder开放API:第三方应用生态实战指南
你是否曾因代码模型部署复杂而放弃集成?还在为模型服务的高延迟问题困扰?本文将以DeepSeek Coder-6.7B-Instruct模型为核心,提供一套完整的API化解决方案,帮助开发者在72小时内搭建生产级代码服务。读完本文,你将掌握: - 模型容器化部署的最佳实践 - 低延迟API服务架构设计 - 多语言客户端SDK开发 - 负载均衡与动态扩缩容策略 - 真实场景性能优化案例 ## 1....
2023年高教社杯全国大学生数学建模竞赛 E 题:《黄河水沙监测数据分析》真题解析与 MATLAB 解决方案
🏆 本文已收录于专栏:《滚雪球学数学建模(含历年真题)》,持续更新最新及历年数学建模竞赛资料,每篇内容力求做到“问题讲透、模型讲清、代码可用、论文可参考”,帮助你从零开始逐步建立完整的数学建模知识体系。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Seed-Coder-8B-Base能生成可靠的分布式锁吗?
Seed-Coder-8B-Base能生成结构清晰、符合最佳实践的Redis分布式锁代码,具备原子性、防误删和可重入设计雏形。虽缺少锁续期与多实例容错,但通过精准提示词和人工审核后,可作为高质量起点大幅提效。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
本地部署Qwen2.5-Coder-7B实现ReAct工具调用,tool_calls为空问题解决
本文介绍了在本地使用vLLM部署Qwen2.5-Coder-7B模型,并实现OpenAI风格的ReAct工具调用的完整过程。主要内容包括:1)vLLM 0.11.0版本的三个技术难点及解决方案;2)通过reshaper.py将模型输出的XML转换为标准tool_calls数组;3)详细展示了4次HTTP请求的完整交互流程;4)提供了常见问题解答。该方案通过XML解析和协议转换,使本地模型能像OpenAI API一样支持多工具调用,最终输出自然语言总结。文末附开源代码地址,帮助开发者快速复现。
蓝牙模块HM-10手册
蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
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》。
IQuest-Coder-V1镜像使用指南:Docker Compose快速部署教程
本文介绍了如何在星图GPU平台上自动化部署IQuest-Coder-V1-40B-Instruct镜像,快速构建高性能代码大模型服务。该镜像原生支持128K上下文,在SWE-Bench等基准测试中表现优异,典型应用于竞技编程代码生成、遗留系统SQL分析与Java/Python跨语言转换等软件工程场景。
Qwen2.5-Coder-1.5B真实效果:从‘实现Redis分布式锁’到可运行Go代码
本文介绍了如何在星图GPU平台上自动化部署Qwen2.5-Coder-1.5B镜像,并展示了其代码生成能力。该平台简化了部署流程,用户可快速调用该模型。文章通过一个典型应用场景——自动生成基于Go语言和Redis的分布式锁可执行代码,验证了模型在辅助编程开发中的实用价值。
Seed-Coder-8B-Base与Swagger结合自动生成接口代码
本文介绍如何结合Seed-Coder-8B-Base与Swagger实现API接口代码的自动化生成,通过自然语言描述驱动AI生成带OpenAPI注解的高质量代码,形成‘代码即文档’闭环,提升开发效率并保障文档一致性。
420



被折叠的 条评论
为什么被折叠?



