google app engine的缓存服务解决性能问题

针对Google App Engine中Datastore性能瓶颈,本文介绍了一种利用缓存服务提高应用响应速度的方法。通过具体Java代码示例展示了如何创建缓存、设置过期时间及进行数据的存取操作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

google app engine的缓存服务解决性能问题

 

google app engine,说起来都很激动,用起来其实上火,尤其是data store

SQl,用不了,hibernate,用不了,or查询,用不了,!=查询,会被拆成N个query来执行。。。。

data store功能太简单,性能就成问题,这样的东西大概看了都会上火:

 

 

没办法了,缓存出动吧:

Java代码

import java.util.Collections;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import javax.cache.Cache;
import javax.cache.CacheException;
import javax.cache.CacheFactory;
import javax.cache.CacheManager;

Map props = new HashMap();
props.put(GCacheFactory.EXPIRATION_DELTA, 60*60*24);//expiration time, in seconds
CacheFactory cacheFactory = CacheManager.getInstance().getCacheFactory();
Cache cache=cacheFactory.createCache(props);

//放个东东
cache.put("SexyGirls", new ArrayList<String>());

//取个东东
List<String> list=(List<String>)cache.get("SexyGirls");



加了缓存以后的:

 

内容概要:《中文大模型基准测评2025年上半年报告》由SuperCLUE团队发布,详细评估了2025年上半年中文大模型的发展状况。报告涵盖了大模型的关键进展、国内外大模型全景图及差距、专项测评基准介绍等。通过SuperCLUE基准,对45个国内外代表性大模型进行了六大任务(数学推理、科学推理、代码生成、智能体Agent、精确指令遵循、幻觉控制)的综合测评。结果显示,海外模型如o3、o4-mini(high)在推理任务上表现突出,而国内模型如Doubao-Seed-1.6-thinking-250715在智能体Agent和幻觉控制任务上表现出色。此外,报告还分析了模型性价比、效能区间分布,并对代表性模型如Doubao-Seed-1.6-thinking-250715、DeepSeek-R1-0528、GLM-4.5等进行了详细介绍。整体来看,国内大模型在特定任务上已接近国际顶尖水平,但在综合推理能力上仍有提升空间。 适用人群:对大模型技术感兴趣的科研人员、工程师、产品经理及投资者。 使用场景及目标:①了解2025年上半年中文大模型的发展现状与趋势;②评估国内外大模型在不同任务上的表现差异;③为技术选型和性能优化提供参考依据。 其他说明:报告提供了详细的测评方法、评分标准及结果分析,确保评估的科学性和公正性。此外,SuperCLUE团队还发布了多个专项测评基准,涵盖多模态、文本、推理等多个领域,为业界提供全面的测评服务
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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