命令失败后怎样确认没有留下半成品

没有独立显卡没有NVIDIA 如何安装pytorch 算不上安装教程的安装思路 阅读详情

命令失败后怎样确认没有留下半成品

失败路径要验证清理是否真的发生

多步骤命令最容易在第二步或第三步失败后留下文件、目录或锁。测试不要只检查错误类型,结束后再查看目标位置和临时位置:该不存在的是否不存在,该保留的诊断文件是否仍在。把清理行为写进断言,才能避免“下次运行才暴雷”。

临时文件用唯一名称只是第一步;创建后到重命名之间也要考虑中断。最终写入可以先落到同一文件系统的临时位置,成功后再原子替换。清理失败时不要吞掉原因,至少把残留路径带进错误信息。用户能找到半成品,才有机会安全地处理它。
写命令行工具时,成功路径通常比较容易演示:读到配置,生成文件,打印完成。让我开始警惕的是失败路径。配置读到一半才发现字段不对,或者目标目录已有同名文件;如果程序已经写出部分内容再报错,下一次运行的人可能面对一堆不知道能不能用的残留文件。我还在练习阶段,没有生产环境可验证,所以这里只在临时目录里做小实验。

先校验,再产生副作用

一个常见坏顺序是先创建输出文件,再解析配置。解析失败时,空文件已经落盘。更容易理解的顺序是先读入并校验参数,准备好输出内容,再创建临时文件或最终文件。下面函数只展示第一层边界:内容为空时,不能创建报告。

use std::fs;
use std::path::Path;

fn write_report(path: &Path, content: &str) -> Result<(), String> {
    if content.trim().is_empty() {
        return Err("报告内容不能为空".to_string());
    }
    fs::write(path, content).map_err(|error| error.to_string())
}

真实工具里还要检查路径、格式、覆盖策略和序列化失败。它们都应尽量发生在写入之前。做不到完全提前时,也要记录哪些步骤已经发生,方便清理或提示,而不是假装没有副作用。

在临时目录断言最终文件不存在

我会让测试自己准备临时目录,不碰桌面或真实项目文件。项目已有目录辅助函数就复用;没有时,可以先把文件系统调用包一层做替身。重点断言很直接:传坏输入后,目标文件不能出现。

#[test]
fn empty_content_does_not_create_output() {
    let dir = tempfile::tempdir().expect("创建临时目录失败");
    let output = dir.path().join("report.txt");
    assert!(write_report(&output, "").is_err());
    assert!(!output.exists());
}

如果项目没有 tempfile,不要为了这条笔记随手加依赖。可以看已有测试如何建目录,或用替身验证调用顺序。运行 cargo test --test cli_failure 时,关键不是错误文案多漂亮,而是失败后没有新增最终文件。日志也只记样例编号或路径类别,不把用户配置完整打印出来。

多步骤写入要有收尾策略

输出较大或生成分多步时,直接写最终路径风险更高。可以写到同目录临时文件,成功后重命名;失败时删除临时文件,并把清理失败作为独立错误处理。不同平台对重命名和已存在目标的行为可能不同,没有测试过就不能承诺绝不会留下文件。

另一个误区是为了“干净”而吞掉原始错误。这样用户只知道失败,不知道是配置问题还是磁盘权限问题。更实用的做法是保留错误上下文,并说明输出是否可能已产生,例如“配置无效,未创建报告”。我现在写失败测试先问:错误前改了什么,最终文件应不应该存在,测试能不能直接检查。把这些问题写进测试,比只看成功生成更可靠。

还应覆盖目标文件原本存在的情况。工具是拒绝覆盖、要求显式选项,还是安全替换,必须有明确约定;我不会在没有需求时默认覆盖。清理动作也不能用过宽的路径拼接。先确保临时路径由程序创建,并且删除目标就是预期那一个,这样失败处理本身才不会制造新麻烦。

RabbitMQ 中关于发送可靠性问题(失败重试、发送方确认机制) 大致的流程就是这样,所以要确保消息发送的可靠性,主要从两个方面去确认如果能够确认这两步,那么我们就可以认为消息发送成功。如果这两步中任一步骤出现了问题,那么消息就是没有发送成功。此时我们可能要通过重试等方式去重新发送消息,多次重试之后,如果消息还是不能到达,则可能需要人工介入了。那么,要确保消息成功发送,我们需要做好三件事:上面三个步骤,第三步需要我们自己去实现,前两步 RabbitMQ 都有提供解决的方案。那么,如果确保消息成功到达 RabbitMQ 呢?(1) 开启事务机制(2) 发送方确认机制注意:这 阅读详情

相关推荐

Trae运行命令行命令的时候,运行结果会显示运行失败,如何解决?

🏆 本文收录于《全栈Bug调优(实战版)》专栏,致力于分享我在项目实战过程中遇到的各类Bug及其原因,并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者,本文将为你指引出一条更高效的Bug修复之路,助你早日登顶,迈向财富自由的梦想🚀!同时,欢迎大家关注、收藏、订阅本专栏,更多精彩内容正在持续更新中。让我们一起进步,Up!Up!Up!    备注: 部分问题/难题源自互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验总结所得,数条可行方案供所需之人参考。

**My Coding Family** 3948

RabbitMQ(四)消息确认(发送确认,接收确认)

前面几篇记录了收发消息的demo,今天记录下关于 消息确认方面的 问题. 下面是几个问题: 1.为什么要进行消息确认? 2.rabbitmq消息确认 机制是什么样的? 3.发送方如何确认消息发送成功?什么样才算发送成功? 4.消费方如何告知rabbitmq消息消费成功或失败? 5.使用spring的代码示例 1.为什么要进行消息确认? 经常会听到丢消息的字眼, 对于前面

能写下来,理解才会更深 6万+

基于STM32F4的NRF24L01驱动程序

基于STM32F4xx的NRF24L01驱动程序 提示:硬件平台基于STM32F427VIT6、NRF24L01模块 文章目录基于STM32F4xx的NRF24L01驱动程序前言一、NRF24L01简单介绍1,什么是NRF24L012,NRF24L01通信方法3,NRF24L01通信原理4,地址分配&通道分配问题二、STM32CubeMX配置三、添加底层文件1,添加.c/.h文件到工程中2,使用说明四,下载 前言 提示:本例程采用STM32CubeMX配置底层,采用硬件SPI方式驱动NRF24

qq_43603289的博客 2816

rabbitmq消费消息确认及消费失败重试机制

这里主要是针对springboot中的rabbitmqtemplate来说的 基础代码以查看此专栏相关文章 消费者消息确认 RabbitMQ是阅后即焚机制,RabbitMQ确认消息被消费者消费后会立刻删除。 而RabbitMQ是通过消费者回执来确认消费者是否成功处理消息的:消费者获取消息后,应该向RabbitMQ发送ACK回执,表明自己已经处理消息。 设想这样的场景: 1)RabbitMQ投递消息给消费者 2)消费者获取消息后,返回ACK给RabbitMQ 3)RabbitMQ删除消息 4)消费者宕机,消

优雅永不过时 1万+

高通410随身WiFi刷OpenWRT与Debian双系统一键集成方案

本文详细介绍高通410随身WiFi设备刷入OpenWRT与Debian双系统的一键集成方案。通过虎王工作室提供的一键刷机包,用户可轻松实现双系统部署,兼顾OpenWRT的网络功能与Debian的完整应用服务,适用于网络加速、服务器部署等多种场景,并提供了硬件资源分配与系统切换的实用指南。

docker7nomad的博客 1146

利用随机矩阵理论(random matrix theory)确定微生物网络构建阈值

利用随机矩阵理论(random matrix theory)确定微生物网络构建阈值

微生物生态学分析 7641

界面生成失败后该留下哪些线索

## 记录时保留能复查的上下文界面生成出现偏差后,我会把设计节点、组件映射结果和失败类别放在同一条记录里。它们足以让维护者重跑公开样例,也不会把整份设计稿带进排障材料。先复现一处,再判断应该补组件还是把该步骤留给人工。

Leo 5033

基于Simulink的基于MPC的实时ZMP约束步态优化仿真

本文完成了基于Simulink的MPC实时ZMP约束步态优化仿真,实现了:✅ 建立3D-LIPM预测模型✅ 设计带ZMP可行域约束的MPC优化器✅ 实现闭环实时求解与扰动抑制✅ 验证强鲁棒性与安全性✅ 为人形机器人野外行走、人机交互提供先进控制方案。

xiaoheshang_123的博客 87

Macbook AppStore安装弹窗没有确认按钮问题解决

macbook上在AppStore安装软件的时候,会弹窗确认,但是没有确认按钮,只有一个取消按钮,导致无法安装软件。我相信这是苹果的一个bug,但是目前搜了一遍都没看到确认能解决的方案,有人说清一下AppStore的数据,然后重启电脑解决了;但是我试了都没用,而且我需要的软件又只能AppStore安装,无语了。后来我实在搞不定,就换了个思路,既然解决不了问题,那就绕过去吧。绕过这个问题的方法就是,在命令行里安装,不用AppStore,按这个思路我搜了一下,还真有这种软件:mas。

qi_w_ip的博客 5457

Xilinx系FPGA学习笔记(三)Vivado的仿真及ILA使用

接着学习vivado的使用方法。

贾saisai的博客 2547

目标检测YOLO实战应用案例100讲-基于数据融合的SAR图像中海上目标检测与跟踪(中)

本文使用的数据集为欧空局(European Space Agency, ESA)提供的Sentinal-1 数据集,Sentinel-1是欧洲“哥白尼计划”的SAR卫星机群,主要是用于陆地和海 洋服务的极地轨道全天候昼夜雷达成像任务[ 34]。Sentinel-1A于2014年4月3日发 射升空,Sentinel-1B于2016年4月25日发射升空,每颗卫星都携带C波段SAR, 共同提供地球表面的全天候、昼夜图像。

qq_36130719的博客 362

【RabbitMQ】RabbitMQ 消息的可靠性 —— 生产者和消费者消息的确认,消息的持久化以及消费失败的重试机制

在现代分布式应用程序中,消息队列扮演了至关重要的角色,允许系统中的各个组件之间进行异步通信。这种通信模式提供了高度的灵活性和可伸缩性,但也引入了一系列的挑战,其中最重要的之一是消息的可靠性。首先让我们来了解一下,在消息队列中,消息从生产者发送到交换机,再到队列,最后到消费者,有哪些情况会导致消息的丢失?生产者发送的消息未送达交换机;消息到达交换机后未到达队列;MQ 宕机,队列中的消息会丢失;消费者接收到消息后未消费就宕机了。

qq_61635026的博客 1万+

深入解析:AndroidManifest.xml 与 Qt 6.7.0 的整合

本文探讨了在Qt 6.7.0和CMake构建Android应用时,AndroidManifest.xml未被正确识别的问题。通过分析CMake配置错误、文件路径问题等可能原因,提出了在CMakeLists.txt中明确指定路径、确保目录结构正确等解决方案,并给出了示例项目演示。文章强调正确配置AndroidManifest.xml对获取权限和应用功能的重要性,为Qt开发者提供了实用的调试建议。

2501_90323865的博客 112

RabbitMQ:生产者消息确认、消息持久化、消费者消息确认、消费失败重试机制

每个RabbitTemplate只能配置一个ReturnCallback,因此需要在项目加载时配置:// 获取RabbitTemplate RabbitTemplate rabbitTemplate = applicationContext . getBean(RabbitTemplate . class);

黑马程序员官方博客 1964

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

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")

rabbitmq消息ACK确认机制及发送失败处理

rabbitmq为确保消息发送和接收成功,采用ack机制。 (1)生产者producter发送消息到mq时,mq会发送ack给producter告知消息是否投递成功; (2)消费者consumer接收处理消息后,consumer会发送ack给mq告知消息是否处理成功; 通过ack机制,确保消息能够被producter成功发送和consumer成功接收处理,保证消息不丢失。

古甲哈醒的专栏 5339

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》。

SpringBoot整合RabbitMQ实现消息确认和失败消息重发

准备工作 安装在安装完rabbitMq后,输入http://ip:15672/ ,是可以看到一个简单后台管理界面的。 RabbitMq简介 常用的交换机有以下三种,因为消费者是从队列获取信息的,队列是绑定交换机的(一般),所以对应的消息推送/接收模式也会有以下几种: 1)Direct Exchange 直连型交换机,根据消息携带的路由键将消息投递给对应队列。 大致流程,有一个队列绑定到一个直连交换机上,同时赋予一个路由键 routing key 。然后当一个消息携带着路由值为X,这个消息通过生产者..

weixin_42654295的博客 4026

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

RabbitMQ - 消息确认

当autoAck等于true时,RabbitMQ 会自动把发送出去的消息置为确认,然后从内存(或者磁盘)中删除,而不管消费者是否真正地消费到了这些消息,自动确认模式适合对于消息可靠性要求不高的场景。这种模式下,消息一旦投递给消费者,不管消费者是否成功处理了消息,RabbitMO就会自动确认消息,从RabbitMQ队列中移除消息。这种模式下,消费者在消息处理成功时会自动确认消息,但如果处理过程中抛出了异常,则不会确认消息。如果RabbitM一直没有收到消费者的确认信号,并且消费此消息的消费者已经断开连接。

weixin_73916358的博客 3091

java确认rabbitmq_RabbitMQ消息确认(发送确认,接收确认)

前面几篇记录了收发消息的demo,今天记录下关于 消息确认方面的 问题.下面是几个问题:1.为什么要进行消息确认?2.rabbitmq消息确认 机制是什么样的?3.发送方如何确认消息发送成功?什么样才算发送成功?4.消费方如何告知rabbitmq消息消费成功或失败?5.使用spring的代码示例1.为什么要进行消息确认?经常会听到丢消息的字眼, 对于前面的demo来说,就存在丢消息的隐患.发送者没...

weixin_35084652的博客 943

ubuntu,一个应用程序启动失败,系统能留下什么痕迹

ubuntu,一个应用程序启动失败,系统能留下什么痕迹

xie__jin__cheng的博客 549

RabbitMQ 四 消息确认 发送确认 接收确认

RabbitMQ 四 消息确认 发送确认 接收确认

qq_44952610的博客 266

SpringBoot 消息队列RabbitMQ 消费者确认机制 失败重试机制

为了确认消费者是否成功处理消息,RabbitMQ提供了消费者确认机制(ConsumerAcknowledgement)。当消费者处理消息结束后,应该向RabbitMQ发送一个回执,告知RabbitM0自己消息处理状态。回执三种模式ack:成功处理消息,RabbitMO从队列中删除该消息nack:消息处理失败,RabbitMO需要再次投递消息reject:消息处理失败并拒绝该消息,RabbitMO从队列中删除该消息SpringAMQP已经实现了消息确认功能。并允许我们通过配置文件选择ACK处理方式。

生产队的驴 1779

RabbitMQ消息确认机制

本文讲解了RabbitMQ消息确认机制,消息是否需要确认,我们需要根据业务的场景来分析。

Chenhui98的博客 1667

浅谈对Rabbitmq失败通知和生产者确认的理解

Rabbitmq的失败通知和生产者确认机制,对于初学者来说总是不那么好理解,咱们先看一下消息发布时候的权衡 从图中可以看出投递速度由快到慢,消息安全由低到高的权衡,我们可以看到失败通知和生产者确认在其中的位置,先总的了解下,接下来我们通过代码来理解下什么是失败通知,什么是生产者确认。 1.先创建配置类 import com.controller.MyAckReceiver; import org.springframework.amqp.core.*; import org.springf.

majinan3456的博客 729

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 339
上一篇: 让命令行智能工具先学会旁观
下一篇: 给小工具补上的路径检查课
第一程序员
博客等级 码龄1年 1万+粉丝 1827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