elasticsearch简单相关操作

查看索引

GET _cat/indices //获取所有的index
GET account

发送post不带id新建数据

POST user/_doc/
{"name":"bobby","compamy":"imooc"
}

如果post带id就和put一样的操作了， put是不允许不带id的

post + _create

没有就创建，有就报错

POST user/_create/1
{"name":"bobby","compamy":"imooc"
}

通过put+id新建数据

在customer下保存id为1的数据, 这里id是必须的

PUT account/_doc/1
{"name":"bobby","age":18,"company":[{"name":"imooc","address":"beijing"},{"name":"imooc2","address":"shanghai"}]
}

关于 _version和_seq_no的区别和作用请参考https://discuss.elastic.co/t/relation-between-version-seq-no-and-primary-term/179647

获取数据

https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-index_.html

GET user/_doc/1

获取部分数据–>只返回source的值

GET user/_source/1

搜索数据

https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-index_.html

Elasticsearch有两种查询方式

1. URI带有查询条件(轻量查询)查询能⼒有限，不是所有的查询都可以使⽤此⽅式
2. 请求体中带有查询条件(复杂查询) 查询条件以JSON格式表现，作为查询请求的请求体，适合复杂的查询

1通过url查询数据

请求参数位于_search端点之后，参数之间使用&分割，例如：

GET _search?q=bobby
GET user/_search?q=bobby

搜索API的最基础的形式是没有指定任何查询的空搜索，它简单地返回集群中所有索引下的所有文档。

通过request body查询数据

GET user/_search
{"query":{"match_all": {},}
}

想要给已有的数据新增字段

POST users/_doc/1
{"age":18
}

此时会发现，已有的数据的name字段没有了，只有age字段
此时我们需要使用

POST user/_update/1
{"doc": {"age":18}
}

如果值是一样，就会什么都不做，使用doc需要做检查

删除数据和索引

DELETE users/_doc/1
DELETE users

批量操作(bulk)–>互不影响

https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-bulk.html

POST _bulk
{ "index" : { "_index" : "test", "_id" : "1" } }
{ "field1" : "value1" }
{ "delete" : { "_index" : "test", "_id" : "2" } }
{ "create" : { "_index" : "test", "_id" : "3" } }
{ "field1" : "value3" }
{ "update" : {"_id" : "1", "_index" : "test"} }
{ "doc" : {"field2" : "value2"} }

POST _bulk
{ "index" : { "_index" : "user", "_id" : "1" } }
{ "name" : "bobby" }
{ "index" : { "_index" : "user", "_id" : "2" } }
{ "name" : "bobby2" }

在这里插入图片描述

批量获取(mget)

https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-multi-get.html

GET /_mget
{"docs": [{"_index": "my-index-000001","_id": "1"},{"_index": "my-index-000001","_id": "2"}]
}

用法

GET /_mget
{"docs": [{"_index": "user","_id": "1"},{"_index": "account","_id": "1"}]
}

#对于es来说from和size分页在数据量比较的情况下可行，一旦很大性能下降很厉害，这样需要使用scroll
GET user/_search
{"query": {"match_all": {}},"from": 4, //偏移量"size": 4 //取多少个
}

全文查询 - 分词

https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-match-query.html
https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl.html
1. match查询（匹配查询）
match ：模糊匹配，需要指定字段名，但是输入会进行分词，比如"hello world"会进行拆分为hello和world，然后匹配，如果字段中包含hello或者world，或者都包含的结果都会被查询出来，也就是说match是一个部分匹配的模糊查询。查询条件相对来说比较宽松。

//大小写不敏感
GET user/_search
{"query": {"match": {"address": "street"}}
}

倒排索引

写入数据和查询数据都会分词，然后进行倒排索引
在这里插入图片描述
比如id为6的时候，先进行分词，把这些分词进行插入–>文档内会得到id为6，再来一个id为7的，进行分词，如果有相同的分词，就会在相同位置的文档添加一个id为7，这样相同的有6,7分词。

match_phrase(p rui si)查询 短语查询

https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-match-query-phrase.html
match_phase ：会对输入做分词，但是需要结果中也包含所有的分词，而且顺序要求一样。以"hello world"为例，要求结果中必须包含hello和world，而且还要求他们是连着的，顺序也是固定的，hello that word不满足，world hello也不满足条件。

GET /_search
{"query": {"match_phrase": {"message": "this is a test"}}
}GET user/_search
{"query": {"match_phrase": {"address": "Madison street"}}
}

multi_match(ma le te)查询
https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-multi-match-query.html
multi_match 查询提供了一个简便的方法用来对多个字段执行相同的查询，即对指定的多个字段进行match查询==>还可以执行权重(^2这样用)

POST resume/_doc/12
{"title": "后端⼯程师","desc": "多年go语⾔开发经验， 熟悉go的基本语法， 熟悉常⽤的go语⾔库","want_learn":"python语⾔"
}
POST resume/_doc/13
{"title": "go⼯程师","desc": "多年开发经验","want_learn":"java语⾔"
}
POST resume/_doc/14
{"title": "后端⼯程师","desc": "多年开发经验","want_learn":"rust语⾔"
}
GET resume/_search
{"query": {"multi_match": {"query": "go","fields": ["title", "desc"]}}
}GET resume/_search
{"query": {"multi_match": {"query": "go","fields": ["title^2", "desc"]}}
}

query_string查询

https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-query-string-query.html
query_string：和match类似，但是match需要指定字段名，query_string是在所有字段中搜索，范围更广泛。

GET user/_search { 
"query":{ 
"query_string": { "default_field": "address", #指明搜索字段"query":"Madison AND street"  #AND作为连接符} } 
}

term查询–>不会做分词（原子查询）==>对输入的内容不做处理

https://www.elastic.co/guide/en/elasticsearch/reference/current/term-level-queries.html
https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-term-query.html

term : 这种查询和match在有些时候是等价的，比如我们查询单个的词hello，那么会和match查询结果一样，但是如果查询"hello world"，结果就相差很大，因为这个输入不会进行分词，就是说查询的时候，是查询字段分词结果中是否有"hello world"的字样，而不是查询字段中包含"hello world"的字样，elasticsearch会对字段内容进行分词，“hello world"会被分成hello和world，不存在"hello world”，因此这里的查询结果会为空。这也是term查询和match的区别。

GET user/_search
{"query": {"term": {"address": "madison street"}}
}

GET /_search
{"query": {"term": {"address": {"value": "street",}}}
}

range查询 - 范围查询

以下搜索将返回字段包含术语的文档 介于 和 之间。age10–20

GET user/_search
{"query":{"range": {"age": {"gte": 20,"lte": 30}}}}

exists查询(存在查询)–>是否存在

GET user/_search
{"query": {"exists": {"field": "school"}}
}POST user/_doc
{"school":"middle school"
}

fuzzy模糊查询

GET user/_search
{"query": {"fuzzy": {"address": "streat"  #本来是street 但是写成了streat}}
}

GET user/_search
{"query": {"match": {"address": {"query":"Midison streat""fuzziness": 1 #开启模糊查询}}}
}

复合查询

https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-bool-query.html
Elasticsearch bool查询对应Lucene BooleanQuery, 格式如下

{"query":{"bool":{"must":[],"should":[],"must_not":[],"filter":[],}}
}

must: 必须匹配,查询上下⽂,加分-->必须全部满足，影响得分
should: 应该匹配,查询上下⽂,加分-->满足也可不满足也可 满足得分高一些
must_not: 必须不匹配,过滤上下⽂,过滤-->全部不满足
filter: 必须匹配,过滤上下⽂,过滤-->进行过滤 必须满足

bool查询采用了一种匹配越多越好的方法，因此每个匹配的must或should子句的分数将被加在一起，以提供每个文档的最终得分

GET user/_search
{"query": {"bool": {"must": [{"term": {"state": "tn"}},{"range": {"age": {"gte": 20,"lte": 30}}}],"must_not": [{"term": {"gender": "m"}}],"should": [{"match": {"firstname": "Decker"}}],"filter": [{"range": {"age": {"gte": 25,"lte": 30}}}]}}
}

mapping

https://www.elastic.co/guide/en/elasticsearch/reference/current/mapping.html

keyword和text类型

keyword是不进行分词的，全部数据放到倒排索引中去。
text类型是进行分词的

analyzer–>分析器(分词、小写)

https://www.elastic.co/guide/en/elasticsearch/reference/current/specify-analyzer.html#specify-index-time-analyzer

Standard Analyzer - 默认分词器，按词切分，小写处理
Simple Analyzer - 按照非字母切分（符号被过滤），小写处理
Stop Analyzer - 小写处理，停用词过滤（the ，a，is）
Whitespace Analyzer - 按照空格切分，不转小写
Keyword Analyzer - 不分词，直接将输入当做输出
Patter Analyzer - 正则表达式，默认 \W+
Language - 提供了 30 多种常见语言的分词器

Analyzer 的组成

Analyzer 由三部分组成：Character Filters、Tokenizer、Token Filters

Character Filters–>字符过滤器

Character Filters字符过滤器接收原始文本text的字符流，可以对原始文本增加、删除字段或者对字符做转换。一个Analyzer 分析器可以有 0-n 个按顺序执行的字符过滤器。

Tokenizer–>分词器

Tokenizer 分词器接收Character Filters输出的字符流，将字符流分解成的那个的单词，并且输出单词流。例如空格分词器会将文本按照空格分解，将 “Quick brown fox!” 转换成 [Quick, brown, fox!]。分词器也负责记录每个单词的顺序和该单词在原始文本中的起始和结束偏移offsets 。一个Analyzer 分析器有且只有 1个分词器。

Token Filters–>单词过滤器

Token Filters单词过滤器接收分词器Tokenizer输出的单词流，可以对单词流中的单词做添加、移除或者转换操作，例如lowercase token filter会将单词全部转换成小写，stop token filter会移除the、and这种通用单词，synonym token filter会往单词流中添加单词的同义词。
Token filters不允许改变单词在原文档的位置以及起始、结束偏移量。
一个Analyzer 分析器可以有 0-n 个按顺序执行的单词过滤器。

https://blog.csdn.net/u013200380/article/details/106887305?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170285088316800225525006%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=170285088316800225525006&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-106887305-null-null.142^v96^control&utm_term=analyzer&spm=1018.2226.3001.4187

设置分词器

GET _analyze
{"analyzer": "standard","text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

文本分词

单词是语言中重要的基本元素。一个单词可以代表一个信息单元，有着指代名称、功能、动作、性质等作用。在语言的进化史中，不断有新的单词涌现，也有许多单词随着时代的变迁而边缘化直至消失。根据统计，《汉语词典》中包含的汉语单词数目在37万左右，《牛津英语词典》中的词汇约有17万。理解单词对于分析语言结构和语义具有重要的作用。因此，在机器阅读理解算法中，模型通常需要首先对语句和文本进行单词分拆和解析。分词（tokenization）的任务是将文本以单词为基本单元进行划分。由于许多词语存在词型的重叠，以及组合词的运用，解决歧义性是分词任务中的一个挑战。不同的分拆方式可能表示完全不同的语义。如在以下例子中，两种分拆方式代表的语义都有可能：

南京市|⻓江|⼤桥
南京|市⻓|江⼤桥

分词的意义 - nlp

1.将复杂问题转化为数学问题
在 机器学习的文章 中讲过，机器学习之所以看上去可以解决很多复杂的问题，是因为它把这些问题都转化为了数学问题。
而 NLP 也是相同的思路，文本都是一些「非结构化数据」，我们需要先将这些数据转化为「结构化数据」，结构化数据就可以转化为数学问题了，而分词就是转化的第一步。
2.词是一个比较合适的粒度
词是表达完整含义的最小单位。
字的粒度太小，无法表达完整含义，比如”鼠“可以是”老鼠“，也可以是”鼠标“。
而句子的粒度太大，承载的信息量多，很难复用。比如”传统方法要分词，一个重要原因是传统方法对远距离依赖的建模能力较弱。”

中英文分词的3个典型区别

区别1：分词方式不同，中文更难

英文有天然的空格作为分隔符，但是中文没有。所以如何切分是一个难点，再加上中文里一词多意的情况非常多，导致很容易出现歧义。下文中难点部分会详细说明。

区别2：英文单词有多种形态

英文单词存在丰富的变形变换。为了应对这些复杂的变换，英文NLP相比中文存在一些独特的处理步骤，我们称为词形还原（Lemmatization）和词干提取（Stemming）。中文则不需要
词性还原：does，done，doing，did 需要通过词性还原恢复成 do。
词干提取：cities，children，teeth 这些词，需要转换为 city，child，tooth”这些基本形态

区别3：中文分词需要考虑粒度问题

例如「中国科学技术大学」就有很多种分法：
中国科学技术大学
中国 \ 科学技术 \ 大学
中国 \ 科学 \ 技术 \ 大学
粒度越大，表达的意思就越准确，但是也会导致召回比较少。所以中文需要不同的场景和要求选择不同的粒度。这个在英文中是没有的。

中文分词的3大难点

难点 1：没有统一的标准

目前中文分词没有统一的标准，也没有公认的规范。不同的公司和组织各有各的方法和规则。

难点 2：歧义词如何切分

例如「兵乓球拍卖完了」就有2种分词方式表达了2种不同的含义：
乒乓球 \ 拍卖 \ 完了
乒乓 \ 球拍 \ 卖 \ 完了

难点 3：新词的识别

信息爆炸的时代，三天两头就会冒出来一堆新词，如何快速的识别出这些新词是一大难点。比如当年「蓝瘦香菇」大火，就需要快速识别。

3种典型的分词方法

分词的方法大致分为 3 类：

  1. 基于词典匹配
  2. 基于统计
  3. 基于深度学习

给予词典匹配的分词方式

优点：速度快、成本低
缺点：适应性不强，不同领域效果差异大
基本思想:基于词典匹配，将待分词的中文文本根据一定规则切分和调整，然后跟词典中的词语进行匹配，匹配成功则按照词典的词分词，匹配失败通过调整或者重新选择，如此反复循环即可。代表方法有基于正向最大匹配和基于逆向最大匹配及双向匹配法。

基于统计的分词方法

优点：适应性较强
缺点：成本较高，速度较慢
这类目前常用的是算法是 HMM、CRF、SVM、深度学习 等算法，比如stanford、Hanlp分词工具是基于CRF算法。以CRF为例，基本思路是对汉字进行标注训练，不仅考虑了词语出现的频率，还考虑上下文，具备较好的学习能力，因此其对歧义词和未登录词的识别都具有良好的效果。

基于深度学习

优点：准确率高、适应性强
缺点：成本高，速度慢
例如有人员尝试使用双向LSTM+CRF实现分词器，其本质上是序列标注，所以有通用性，命名实体识别等都可以使用该模型，据报道其分词器字符准确率可高达97.5%。常见的分词器都是使用机器学习算法和词典相结合，一方面能够提高分词准确率，另一方面能够改善领域适应性。

中文分词工具

下面排名根据 GitHub 上的 star 数排名：

  1. jieba
  2. Hanlp
  3. IK
  4. Stanford 分词
  5. ansj 分词器
  6. 哈工大 LTP
  7. KCWS分词器
  8. 清华大学THULAC
  9. ICTCLAS

英文分词工具

  1. Keras
  2. Spacy
  3. Gensim
  4. NLTK

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/232063.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【前端】vscode 相关插件

【前端】vscode 相关插件

一 插件： 01、ESLint 用来识别并检查ECMAScript/JavaScript 代码的工具 02、Prettier 用来格式化代码，如.js、.vue、css等都可以进行格式化 03、Vetur 用来识别并高亮vue语法 04、EditorConfig 用来设置vscode的编程行为 二、安装依赖 01、…
阅读更多...
干涉光学测试导论

干涉光学测试导论

1.用于光学测试的基本干涉仪 2。相移干涉术 3。专业光学测试 4。长波长干涉术 5。非球面试验 6。表面微观结构的测量 7。绝对测量 8。结束语 第1部分-光学测试用基本干涉仪 (1)双光束干涉 (2)菲佐干涉仪和特维曼-格林干涉仪 (3)测试平面和球面的基本技术 (4)球面的基本…
阅读更多...
maui中实现加载更多 RefreshView跟ListView（2）

maui中实现加载更多 RefreshView跟ListView（2）

一个类似商品例表的下拉效果&#xff1a; 代码 新增个类为商品商体类 public class ProductItem{public string ImageSource { get; set; }public string ProductName { get; set; }public string Price { get; set; }}界面代码&#xff1a; <?xml version"1.0&quo…
阅读更多...
通过费用流中的贪心来保证计数正确性：P4249剪刀石头布

通过费用流中的贪心来保证计数正确性：P4249剪刀石头布

https://vj.imken.moe/contest/598718#problem/K 三元环数量尽量多&#xff0c;也就是非三元环数量尽可能少。非三元环的充要条件是存在一个点度数为2&#xff0c;而每条边可以给一个点一个度数&#xff0c;然后就变成了经典网络流问题。 但是&#xff0c;对于一个点&#xf…
阅读更多...
计算机与自动医疗检查仓：技术革新引领医疗未来

计算机与自动医疗检查仓：技术革新引领医疗未来

计算机与自动医疗检查仓&#xff1a;技术革新引领医疗未来 一、引言 随着科技的飞速发展&#xff0c;人工智能&#xff08;AI&#xff09;和机器学习&#xff08;ML&#xff09;已经成为现代社会不可或缺的一部分。它们的应用领域日益扩展&#xff0c;从简单的日常任务到复杂…
阅读更多...
数据结构--图

数据结构--图

树具有灵活性&#xff0c;并且存在许多不同的树的应用&#xff0c;但是就树本身而言有一定的局限性&#xff0c;树只能表示层次关系&#xff0c;比如父子关系。而其他的比如兄弟关系只能够间接表示。 推广--- 图 图形结构中&#xff0c;数据元素之间的关系是任意的。 一、图…
阅读更多...
基于ssm的航班订票管理系统论文

基于ssm的航班订票管理系统论文

摘 要 互联网发展至今&#xff0c;无论是其理论还是技术都已经成熟&#xff0c;而且它广泛参与在社会中的方方面面。它让信息都可以通过网络传播&#xff0c;搭配信息管理工具可以很好地为人们提供服务。针对航班订票信息管理混乱&#xff0c;出错率高&#xff0c;信息安全性差…
阅读更多...
【PID学习笔记10】PID公式分析

【PID学习笔记10】PID公式分析

写在前面 前面已经将控制系统的基础知识点过了一遍&#xff0c;从本节开始&#xff0c;将正式学习PID控制的相关知识&#xff0c;将会从基本的PID公式概念解释&#xff0c;再基于matlab仿真介绍十几种数字式PID的基本概念。本文重点讲解PID的经典公式。 一、连续与离散的概念…
阅读更多...
基于PaddleOCR一键搭建文字识别和身份证识别web api接口

基于PaddleOCR一键搭建文字识别和身份证识别web api接口

前言 通过这篇文章【基于PaddleOCR的DBNet神经网络实现全网最快最准的身份证识别模型】开发的身份证识别模型&#xff0c;还无法进行部署应用&#xff0c;这篇文章就已经开发好的代码如何部署&#xff0c;并如何通过api的接口进行访问进行讲解。 项目部署 以windows系统为例&…
阅读更多...
Python 爬虫之简单的爬虫（三）

Python 爬虫之简单的爬虫（三）

爬取动态网页&#xff08;上&#xff09; 文章目录 爬取动态网页&#xff08;上&#xff09;前言一、大致内容二、基本思路三、代码编写1.引入库2.加载网页数据3.获取指定数据 总结 前言 之前的两篇写的是爬取静态网页的内容&#xff0c;比较简单。接下来呢给大家讲一下如何去…
阅读更多...
20V升26V 600mA升压型LED驱动芯片，PWM调光芯片-AH1160

20V升26V 600mA升压型LED驱动芯片，PWM调光芯片-AH1160

AH1160是一个功能强大的升压型LED驱动芯片&#xff0c;专为需要精确控制LED亮度的PWM调光应用而设计。它可将20V输入电压升压至26V&#xff0c;同时提供稳定的600mA电流输出&#xff0c;适用于各种LED照明设备。 芯片特点&#xff1a; 1. 输入电压范围&#xff1a;AH1160可在…
阅读更多...
linux驱动的学习 驱动开发初识

linux驱动的学习 驱动开发初识

1 设备的概念 在学习驱动和其开发之前&#xff0c;首先要知道所谓驱动&#xff0c;其对象就是设备。 1.1 主设备号&次设备号&#xff1a; 在Linux中&#xff0c;各种设备都以文件的形式存在/dev目录下&#xff0c;称为设备文件。最上层的应用程序可以打开&#xff0c;关…
阅读更多...
uniapp获取键盘高度顶起底部输入框

uniapp获取键盘高度顶起底部输入框

核心代码&#xff1a; uni.onKeyboardHeightChange((res) > {console.log(res.height);//转化为rpxthis.KeyHight res.height;}); 全部代码&#xff1a; <template><view class"pagesone" :class"bg-themeColor.name" style"padding-t…
阅读更多...
【Go】基于GoFiber从零开始搭建一个GoWeb后台管理系统（五）角色管理、菜单管理模块

【Go】基于GoFiber从零开始搭建一个GoWeb后台管理系统（五）角色管理、菜单管理模块

窝来辣&#x1f601; 下面是前几篇的内容&#xff1a; 第一篇&#xff1a;【Go】基于GoFiber从零开始搭建一个GoWeb后台管理系统&#xff08;一&#xff09;搭建项目 第二篇&#xff1a;【Go】基于GoFiber从零开始搭建一个GoWeb后台管理系统&#xff08;二&#xff09;日志…
阅读更多...
挑战52天学小猪佩奇笔记--day26

挑战52天学小猪佩奇笔记--day26

52天学完小猪佩奇--day26 ​【本文说明】 本文内容来源于对B站UP 脑洞部长 的系列视频 挑战52天背完小猪佩奇----day26 的视频内容总结&#xff0c;方便复习。强烈建议大家去关注一波UP&#xff0c;配合UP视频学习。 day26的主题&#xff1a;堆雪人 猜台词&#xff1a; 旁白&am…
阅读更多...
卷积神经网络的学习与实现

卷积神经网络的学习与实现

基于matlab的卷积神经网络(CNN)讲解及代码_matlab中如何查看cnn损失函数-CSDN博客 可以看到与BP神经网络相比&#xff0c;卷积神经网络更加的复杂&#xff0c;这里将会以cnn作为学习案例。 1.经典反向传播算法公式详细推导 这里引用经典反向传播算法公式详细推导_反向目标公…
阅读更多...
N6705B 直流电源分析仪，模块化，600 W，4 个插槽，是德科技 低功耗测试专家

N6705B 直流电源分析仪，模块化，600 W，4 个插槽，是德科技 低功耗测试专家

N6705B 直流电源分析仪 简述&#xff1a; N6705B 直流电源分析仪将多达 4 个先进电源与数字万用表、示波器、任意波形发生器和 Data logger 特性融为一体&#xff0c;可以显著提高向被测件提供直流电压和电流以及进行测量的效率。N6705B 可独立测量被测件的电流&#xff0c;无…
阅读更多...
【重点】【前缀树|字典树】208.实现Trie（前缀树）

【重点】【前缀树|字典树】208.实现Trie（前缀树）

题目 前缀树介绍&#xff1a;https://blog.csdn.net/DeveloperFire/article/details/128861092 什么是前缀树 在计算机科学中&#xff0c;trie&#xff0c;又称前缀树或字典树&#xff0c;是一种有序树&#xff0c;用于保存关联数组&#xff0c;其中的键通常是字符串。与二叉查…
阅读更多...
【Apache-StreamPark】Flink 开发利器 StreamPark 的介绍、安装、使用

【Apache-StreamPark】Flink 开发利器 StreamPark 的介绍、安装、使用

【Apache-StreamPark】Flink 开发利器 StreamPark 的介绍、安装、使用 1&#xff09;框架介绍与引入1.1.&#x1f680; 什么是 StreamPark1.2.&#x1f389; Features1.3.&#x1f3f3;‍&#x1f308; 组成部分1.4.引入 StreamPark 2&#xff09;安装部署2.1.环境要求2.2.Hado…
阅读更多...
ACM32如何保护算法、协议不被破解或者修改

ACM32如何保护算法、协议不被破解或者修改

ACM32具有以下几种功能&#xff0c;可以保护算法、协议不被破解或者修改。 1.存储保护  RDP读保护  WRP写保护  PCROP 专有代码读保护  MPU存储区域权限控制  Secure User Memory存储区域加密 2.密码学算法引擎  AES  HASH  随机数生成  …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023