- 博客(81)
- 收藏
- 关注
RSS订阅原创 创建es索引
总的来说，在 Kibana 中通过 Dev Tools 使用 Elasticsearch API 创建索引是核心方法。关键在于根据数据特性和应用需求，合理规划索引的settings和mappings。希望这份指南能帮助你顺利上手！如果你在具体操作中遇到更细致的问题，例如对某个字段类型的选择有疑问，我们可以继续深入探讨。
2025-10-28 14:48:03
379
原创 es查询操作
掌握 Elasticsearch 查询的关键在于理解其 DSL 结构和核心查询类型的适用场景。对于复杂的业务逻辑，bool查询是您最得力的工具。此外，善用filter上下文可以提高查询性能，因为过滤条件不计算分数且结果可缓存。希望这份指南能帮助您更好地使用 Elasticsearch！如果您能分享您具体的数据结构和查询需求，我可以尝试提供更具体的查询语句示例。
2025-10-28 13:56:57
1034
原创 QLExpress 解析方程式
总的来说，QLExpress 是阿里系处理方程式和复杂逻辑解析的核心依赖。它通过将表达式从代码中解耦，赋予应用强大的动态执行能力和高度的灵活性，特别适合业务规则多变、对计算精度有高要求的场景。希望这些信息能帮助你更好地理解阿里的方程式解析技术。如果你对某个具体功能或应用场景有更深入的疑问，我们可以继续探讨。
2025-10-23 20:08:30
453
原创 exp4j并发解决
总的来说，让 exp4j 应对高并发的关键在于 “减少重复工作、管理好对象生命周期、避免资源竞争”。对于大多数应用，实施表达式缓存方案已经能带来显著的性能提升。如果您的系统属于计算密集型且QPS要求极高，可以考虑结合对象池化和异步限流等更高级的策略。希望这些具体的分析和建议能帮助您优化基于 exp4j 的应用性能！如果您在具体实施中遇到其他问题，欢迎随时提出。
2025-10-17 14:53:05
387
原创 JEP、exp4j和Expression4j解析公式对比
在Java项目中解析数学表达式时，JEP、exp4j和Expression4j都是常见的选择。它们各有侧重，下面的对比表格可以帮你快速把握它们的核心区别。特性对比功能全面的解析器、高性能的表达式求值器的表达式框架。支持复数、向量、布尔逻辑等复杂数据类型和大量内置函数。。专注于核心数学运算，支持自定义函数和变量。。支持实数、复数及高度自定义的语法和函数。相对重量级，资源消耗稍大（约50KB），无外部依赖，性能出色。
2025-10-17 14:52:23
498
原创 java解析公式模型
对于快速原型、简单脚本或内部工具，且不想引入额外依赖时，可考虑使用内置的脚本引擎。对于大多数正式项目，特别是对性能、安全性有要求的Web应用或服务，强烈推荐使用专业的表达式解析库，如exp4j。只有当公式绝对固定、性能要求极高且动态性不是需求时，才考虑硬编码方式。通常，将公式存储在数据库中是常见的做法，应用运行时从库中取出公式字符串，再使用上述方法（特别是exp4j）进行计算，这样可以实现公式的动态配置，无需修改代码。
2025-10-16 19:58:58
329
原创 单线程拉取消息 + 自定义线程池处理消息，出现线程池超载解决
面对线程池超载，你可以按以下步骤排查和解决：紧急止血：立即调整线程池参数（增加线程数、队列大小），并将拒绝策略设置为。深入分析：监控系统资源和使用情况，定位性能瓶颈是在CPU、IO还是外部服务。根本优化：优化业务处理逻辑，评估并调整Kafka Topic的分区数，建立完善的监控告警体系。权衡取舍：清醒认识此模式对消息顺序性的影响，并谨慎实现偏移量提交逻辑，确保数据的可靠性。希望这些具体的步骤和建议能帮助你有效解决线程池超载的问题。
2025-10-10 15:20:15
868
原创 实时数仓历史数据优化
优化实时数仓的历史数据分表方案，本质上是围绕业务场景在查询性能、存储成本、数据时效性三者之间找到最佳平衡点。建议你从以下几个方面评估自己的需求：数据特性：你的历史数据有多大？冷热分布如何？更新频率怎样？查询模式：业务方是更倾向于查询最新状态的数据，还是需要深度回溯历史明细？常见的查询维度是什么？技术储备：团队对哪种技术栈更熟悉？运维能力如何？希望这些思路能为你提供有价值的参考。如果你能分享更多关于你的具体业务场景，或许我可以提供更聚焦的建议。
2025-10-09 19:26:55
258
原创 常见的业务指标
理解常见的业务指标对于分析业务表现至关重要。下面这个表格汇总了核心指标，希望能帮你快速建立起认知框架。指标类别指标名称核心定义主要作用UV (独立访客)特定时间段内访问网站的。衡量访问网站的“人数”规模。PV (页面浏览量)页面被浏览的。用户每次打开或刷新一个页面都会增加PV。衡量页面内容的关注度和网站粘性。访问次数 (Visit)用户从进入网站到离开网站的一系列交互活动计为一次访问。衡量用户访问的频次和活跃度。GMV (商品交易总额)一定时间段内平台。
2025-09-29 17:03:50
285
原创 sdkman的使用
通过 SDKMAN 管理 Maven 或 Gradle 的多版本非常方便，它能让你轻松完成安装、切换和日常维护。接下来，我们详细说明每个步骤的具体操作。
2025-09-29 15:16:16
349
原创 maven环境变量配置
在 Mac 上配置 Maven 环境变量是 Java 开发环境搭建的关键一步。下面这张流程图清晰地展示了整个配置过程的核心步骤，帮你快速建立整体认知。接下来，我们详细说明每个步骤的操作要点。
2025-09-29 14:31:49
570
原创 excel导出引起fullgc解决
你遇到的“每次查询1000条，查询三次后写入Excel，连续导出几次导致Full GC”的问题，是一个很典型的的场景。即使你已采用分页查询，但如果在写入Excel时使用了非流式API，或者在代码中存在资源未正确释放的情况，就很容易引发此问题。下面这个表格能帮你快速看清问题的关键原因和核心解决方向。问题环节错误做法（可能导致Full GC）核心解决方案使用等传统API，将所有数据对象保留在内存中。，如 POI 的或阿里巴巴的EasyExcel。。
2025-09-26 16:51:55
715
原创 excel导出
通过 的方式处理 Excel 导出，是避免内存溢出（OOM）和频繁 Full GC 的关键策略。其核心在于，从而极大减轻 JVM 的垃圾回收压力，特别是 Full GC。下面这个表格清晰地展示了针对不同数据规模的推荐方案，你可以根据你的数据量快速定位适合的方法。数据规模核心工具 / 模式关键机制优势EasyExcel 普通模式一次性查询并写入所有数据。实现简单，代码直观。，控制单批数据在内存中的数量。，有效避免OOM。。
2025-09-26 16:50:33
286
原创 常见的堆栈溢出
总的来说，堆内存溢出像是你的仓库里堆了太多再也用不上的东西（对象），最终新货物无处可放；而栈内存溢出则像是工厂流水线上的操作台（每个线程的栈）因为某个工序无限循环或单步操作太复杂而被卡住，导致整个流程无法继续。希望这些解释和思路能帮助你更好地理解和处理这两种常见的内存问题。如果你有具体的错误日志或代码场景，我们可以进行更深入的探讨。
2025-09-26 15:12:13
380
原创 降低fullgc停顿时间
降低 Full GC 的停顿时间是一项系统工程，核心在于和。为了让你快速把握全貌，下表汇总了主要的优化方向、具体策略和关键考量。优化维度核心策略关键点 / 示例参数选用低延迟收集器（G1、ZGC）调整大小与比例，减少对象晋升-Xmn2g基于数据定位根本原因开启GC日志，使用MAT分析堆转储减少对象创建，避免内存泄漏对象池、及时释放资源、避免大对象下面我们深入探讨每个方面的具体做法。
2025-09-26 14:58:55
810
原创 内存xmn的设置
简单来说，JDK 8 中-Xmn的默认大小并非固定值，而是由堆总内存和默认比例动态决定的。为了获得更稳定和优越的性能，建议根据实际应用情况显式设置它。希望这些信息能帮助你更好地进行 JVM 调优！如果你有具体的应用场景或遇到性能问题，我们可以进一步探讨。
2025-09-26 14:57:49
374
原创 多sheet excel 导出
在处理大量数据导出到Excel时，将数据分到多个Sheet后统一导出是一种高效且常见的方法。下面用一个流程图帮你快速了解核心流程，然后再看具体的代码实现。下面是基于 库的具体实现方案和代码示例。
2025-09-26 10:05:48
871
原创 内存排查2
分析 Java 进程的内存分布是一项关键技能，能帮助您定位性能瓶颈和内存泄漏。下面这张流程图清晰地展示了核心的排查思路和步骤，您可以跟着它一步步操作。接下来，我们详细说明每个步骤该怎么做。
2025-09-25 12:02:57
1299
原创 fullgc 内存排查1
先用free -h看整体内存压力。再用top(按Shift+M) 或快速定位消耗内存最多的几个进程。需要更详细分析时，使用smem或pmap。结合系统日志、应用行为和监控趋势综合判断。希望这些信息能帮助你快速找到问题所在！
2025-09-25 11:59:50
1048
原创 提升消费能力
Kafka 的分区机制和消费者组模型共同构成了其高吞吐、可水平扩展的基础。分区（Partition） 是 Kafka 并行处理的基本单位和数据负载均衡的物理单元。消费者组（Consumer Group） 是 Kafka 实现队列模式消费的逻辑单元。牢记 “一组一分区” 的核心原则：一个分区只能被同一个消费者组内的一个消费者消费。通过增加分区数和增加消费者组内的消费者实例，可以线性地扩展 Kafka 的消费能力。
2025-09-24 13:36:23
461
原创 fullgc诊断
如果你能提供GC日志的片段或更详细的现象描述，或许我能给出更具体的分析建议。（这通常需要结合内存Dump分析，但线程栈可以提供一些线索，比如正在执行大量对象创建的代码块）。查找触发 Full GC 的具体线程是一个常见的JVM调优需求。得到的线程信息，可以交叉分析哪些线程正在操作这些可疑的大对象。查看GC日志，确认Full GC的发生时间、原因（如。查找触发Full GC的“具体线程”，更准确地说，是。对比GC日志中记录的Full GC时间点和你用。（Full GC总时间）字段的变化。
2025-09-23 11:10:13
884
原创 用例关系包含、扩展、泛化
。理解用例之间的关系（包含、扩展、泛化）是掌握UML用例建模的关键。它们能帮你构建更清晰、模块化且易于维护的系统需求模型。下面我将为你详细解释这三种关系。用例模型不仅仅是用例和参与者的简单集合，通过关系连接它们才能真实反映系统的行为逻辑。这三种关系都旨在优化模型结构，提高复用性，减少冗余。定义与表示法：核心特点：典型示例：定义与表示法：核心特点：典型示例：定义与表示法：核心特点：典型示例：在选择使用哪种关系时，可以借助一个简单的
2025-09-19 17:21:52
1022
原创 linux常用命令
Linux 中还有其他一些用于查看文件内容的命令，它们各有侧重，可以满足不同的需求。掌握这些命令能让你在 Linux 环境下更高效地查看和处理文本文件。希望这些信息对你有帮助！灵活组合，实现更强大的功能。这些命令可以通过管道。
2025-09-18 14:27:08
264
原创 python提供dubbo接口
希望这些信息能帮助你在 Python 项目中成功提供 Dubbo 接口。它用 Python 实现了一个 Dubbo 服务的基本框架，通常需要配合 Zookeeper 作为注册中心。用 Python 提供 Dubbo 接口，能让你的 Python 服务融入成熟的 Java 微服务生态。 是目前较佳的选择。你可以使用 YAML 文件进行更详细的配置，例如指定注册中心和应用名。以下是使用官方 Dubbo Python SDK 提供服务的基本步骤。）来定义你的服务和方法。这是实现跨语言通信的关键。
2025-09-17 17:30:48
533
原创 分片后的聚合分页处理
分库分表后的分页查询没有一劳永逸的完美方案，核心思路是避免使用传统的OFFSET偏移量机制。追求极致性能的深度分页（如信息流）：基于游标的分页是最佳选择，尽管它不支持跳页。需要多维度排序或随机跳页（如排行榜）：考虑全局索引表方案或专用中间件/数据库（如Elasticsearch），但需接受其额外的维护开销和同步延迟。仅涉及浅分页（如后台管理系统）：可考虑二次查询优化。最简单直接的方法：尝试从业务层面规避跨分片分页查询。
2025-09-16 18:42:29
1036
原创 git推送远程仓库
：首次向新的远程仓库推送时，Git 可能会提示你输入用户名和密码（如果使用 HTTPS 方式连接）。：如果远程仓库已有文件或历史与你的本地代码存在冲突，推送可能会失败。选项，可以将本地的指定分支和远程仓库的对应分支关联起来。将本地代码推送到另一个（新增的）远程仓库，通常是在已经有一个默认远程仓库（如。即可推送到关联的远程分支，无需再指定仓库名和分支名。将指定的本地分支推送到新添加的远程仓库，例如。将本地所有分支的提交历史推送到新的远程仓库。命令将本地的分支推送到新添加的远程仓库。
2025-09-16 10:15:50
438
原创 redis zset score的计算
选择哪种 score 计算方式，取决于你的具体需求：若只需按单一分数排序，直接使用原始分数即可。若需分数相同按时间排序，整数放大法（方法一）通常是更可靠的选择，它避免了浮点数精度问题，且能逆向解析出原始数据。小数法（方法二）实现简单，但要注意精度风险。在实际使用时，请根据你的原始分数范围、时间戳精度和排序需求谨慎选择公式和参数。
2025-09-12 11:23:16
1048
原创 redis zset 处理大规模数据分页
对 Redis ZSet 进行分片存储并实现分页查询是一项复杂的任务，需要仔细权衡。选择范围分片：如果你的数据经常按 score 范围查询，并且数据分布相对均匀或可预测。选择哈希分片：如果你需要均匀分布数据，并且可以接受应用层进行复杂聚合来支持全局有序分页。最佳实践提醒：尽量避免跨分片查询：设计分片策略时，应尽量让大多数查询落在单个或少数分片上。分片策略是关键：分片策略应基于你的数据访问模式。
2025-09-12 11:22:19
510
原创 list分页
处理几万条数据的 List 分页，关键在于平衡、和。下面我用一个表格为你总结几种主流方法的优缺点，帮你快速决策：方法优点缺点适用场景subList() (返回原列表视图，不创建新集合)分页结果与原列表，原列表修改会影响分页结果需要、且能接受分页结果与源数据联动的大数据量分页，代码简洁，可与流操作链式组合会，有一定内存开销适合在分页（如过滤、映射）的场景代码简洁，一次分块可多次取页，，数据隔离性好需引入依赖需要。
2025-09-11 19:14:10
1025
原创 maven项目管理
在 IntelliJ IDEA 中同时展示和管理多个 Maven 项目可以显著提升开发效率，特别是在处理微服务架构或模块化系统时。下面我将为你介绍两种主流的实现方式、一些实用技巧以及注意事项。项目间有依赖关系，需要协同开发和调试项目相对独立，仅需同时查看或简单参考File→Open→ 选择新项目的pom.xml或根目录 → 选择 "Attach"File→Open→ 选择项目 → 所有项目会并列显示在同一个 Project 视图下每个项目独占一个 IDEA 窗口。
2025-09-05 15:36:25
881
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人