nginx配置文件笔记

1,常用配置

worker_processes  1;#开启线程数,一般和CPU核心数相等即可
access_log	logs/access.log;#访问日志,局部也可以设置,将取代全局配置
error_log		logs/error.log;#错误日志,局部也可以设置,将取代全局配置
pid			logs/nginx.pid;/#本文件,里面就一个数字代表nginx主进程pid

listen		80;#监听端口
server_name	www.sheep.com;#监听主机,可以是域名也可以是IP,支持正则表达式

何为监听主机?

一台主机可能有多个IP,一个IP可能有多个域名。

www.domain1.com:81---------->IPa---------->host(nginx)

www.domain2.com:82---------->IPa---------->host(nginx)

www.domain3.com:83---------->IPb---------->host(nginx)

www.domain4.com:84---------->IPb---------->host(nginx)

www.domain5.com:85---------->IPb---------->host(nginx)

其中nginx是同一个nginx,分析你走了哪条线过来的。配置无论是使用域名还是IP,最终都是解析到nginx所在的服务器。


2,Location

这个算是nginx最重要的部分了,语法是location [空|=|~|~*|!~|!~*|^~] /uri/ { … }

我把“[空|=|~|~*|!~|!~*|^~]”这部分看成运算符

再把“/uri/ { … }”这部分看成运算值

2-1,运算符和优先级

a. 为空 未知

b. = 严格精确匹配,多一个符号都不行,不支持正则,一旦成功立刻停止

c. ~ 大小写敏感的匹配,正则

d. ~* 大小写不敏感的匹配,正则

e. !~ 大小写敏感的不匹配,正则

f. !~* 大小写不敏感的不匹配,正则

g. ^~ 大小写不敏感的匹配,不支持正则,一旦成功立刻停止

优先级方面

【=】>【^~】>【~|~*|!~|!~*】>【为空】

并且【=】和【^~】都是一旦遇到成功就停止匹配。其他的匹配成功后往下走,如果没有优先级比自己大的就使用自身规则。


2-2,运算值(匹配规则)

严格匹配/,例如http://127.0.0.1/

location = /

匹配任何请求,优先级最低

location/

匹配/web12,如果是/web1也不通过

location/web12

匹配/web12/,如果是/web12也不通过

location/web12/

匹配以gif,jpg,js结尾区分大小写,主义\.转义后是.,$代表结尾

location ~ \.(gif|jpg|png|js|css)$

匹配紧跟/static/目录,/fk/static/a.js失败,/static/a.js成功

location ^~/static/ 

3,其他

3-1,关于url指向一个目录如何自动在后面加/。

高版本的nginx(我的是1.4)自动跳转了,跟踪日志access.log可以看到请求了两次,做了301跳转。低版本的需要自己去写rewrite。

3-2,关于root属性。

局部模块的root属性会覆盖外部root属性。局部不定义root属性则使用外部root值。

3-3,简单的反向代理

location /8080 {
    proxy_pass   http://10.80.12.196:8080/;
    proxy_redirect off;
}

3-4,集群

upstream tomcat_group { 
  server 192.168.0.11:8080 weight=10; 
  server 192.168.0.11:8081 weight=10; 
  server 192.168.0.12:8080 weight=10; 
  server 192.168.0.12:8081 weight=10; 
  server 192.168.0.13:8080 weight=10; 
  server 192.168.0.13:8081 weight=10; 
}



内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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