Flink技术简介与入门实践

架构简介

        Flink 是一个分布式流处理和批处理计算框架，具有高性能、容错性和灵活性。下面是 Flink 的架构概述：

  1. JobManager：JobManager 是 Flink 集群的主节点，负责接收和处理用户提交的作业。JobManager 的主要职责包括：

    • 解析和验证用户提交的作业。
    • 生成执行计划，并将作业图分发给 TaskManager。
    • 协调任务的调度和执行。
    • 管理作业的状态和元数据信息。

  2. TaskManager：TaskManager 是 Flink 集群的工作节点，负责执行具体的任务。每个 TaskManager 可以运行多个任务（子任务），每个子任务运行在一个单独的线程中，共享 TaskManager 的资源。TaskManager 的主要职责包括：

    • 接收并执行 JobManager 分配的任务。
    • 负责任务的数据处理、状态管理、故障恢复等操作。
    • 将处理结果返回给 JobManager。

  3. StateBackend：StateBackend 是 Flink 的状态管理机制，用于保存和恢复任务的状态信息，确保任务在失败后可以进行故障恢复。Flink 提供了多种 StateBackend 实现，包括内存、文件系统、RocksDB 等。

  4. DataStream API / DataSet API：Flink 提供了两种不同的编程接口，用于流处理和批处理：

    • DataStream API：面向流式计算，支持实时数据流的处理和分析。它提供了丰富的操作符（例如 map、filter、window、join 等）和窗口函数，以便进行数据转换和聚合操作。
    • DataSet API：面向批处理，适用于有界数据集的处理。它提供了类似于 Hadoop MapReduce 的操作符（例如 map、reduce、join 等），用于对数据集进行转换和计算。

  5. Connectors：Flink 提供了多种连接器，用于与外部系统进行数据交互。常见的连接器包括 Kafka、Hadoop、Elasticsearch、JDBC 等，可以用于读取和写入外部数据源。

  6. 资源管理器：Flink 可以与各种集群管理工具（如 YARN、Mesos、Kubernetes）集成，以实现资源的动态分配和任务调度。

        Flink 的架构使得它能够实现高性能的流处理和批处理，同时具备良好的容错性和可伸缩性。它广泛应用于实时数据处理、数据湖分析、事件驱动应用等场景。

        5688cc16378d42feb9c2b2f7284ab24e.png

组件模块

大数据流处理框架 Flink 和 Aflink 的技术架构主要包括以下组件：

  1. JobManager：负责接收 Job 图，并将其分发给 TaskManager。
  2. TaskManager：负责执行任务，包括数据源、数据计算、数据汇总等操作。
  3. StateBackend：用于保存状态信息，支持容错和恢复。
  4. DataStream API：用于定义数据流处理逻辑，包括窗口函数、聚合操作等。
  5. Connector：用于连接外部数据源，如 Kafka。

1606d8abc53c40d684bb9f11b08d8dd1.png

JobManager 和 TaskManager 之间的通信方式主要有两种：心跳机制和RPC（远程过程调用）。

  1. 心跳机制：JobManager 和 TaskManager 通过心跳机制保持连接和通信。具体流程如下：

    • JobManager 定期向所有的 TaskManager 发送心跳信号，确认 TaskManager 是否存活。
    • TaskManager 接收到心跳信号后，回复确认信号给 JobManager，表示自己还活着。
    • 如果 JobManager 在一段时间内没有收到 TaskManager 的心跳信号，就会认为该 TaskManager 失效，并进行相应的处理。

  2. RPC：JobManager 和 TaskManager 使用 RPC 机制进行通信，以传递任务和数据等信息。具体流程如下：

    • JobManager 将任务调度图发送给 TaskManager。这包括任务的执行计划、数据源、算子操作等。
    • TaskManager 接收到任务调度图后，根据指令执行任务，处理数据流。
    • TaskManager 在处理过程中将结果返回给 JobManager，以便进行状态更新和后续处理。

7323e1e6b9264fb68d7625a1d35dd68a.jpeg

        需要注意的是，JobManager 和 TaskManager 的通信是基于网络的，它们可以部署在不同的机器上。在一个 Flink 集群中，通常会有一个 JobManager 和多个 TaskManager，它们通过上述的通信方式协同工作，实现数据流的处理和任务调度。

与其他大数据集成

ab0c2cfe1fb743bdaa5eae73f4991b27.webp

流式计算和窗口函数原理

  • 流式计算：Flink 和 Aflink 是流式计算框架，能够实时处理无界数据流。流式计算基于事件驱动的模型，能够处理实时数据并支持低延迟计算。
  • 窗口函数：窗口函数用于对数据流进行分组聚合操作，常见的窗口类型包括滚动窗口、滑动窗口和会话窗口。窗口函数允许用户在有限的数据集上执行计算操作。

窗口类型

        Flink 框架提供了多种窗口函数，用于对数据流进行分组聚合操作。以下是一些常见的窗口函数：

  1. 滚动窗口（Tumbling Window）：将数据流划分为固定大小的、不重叠的窗口。每个窗口包含相同数量的元素，并且窗口之间没有重叠。可以通过 window(Tumble.over()) 方法来定义滚动窗口。

  2. 滑动窗口（Sliding Window）：将数据流划分为固定大小的、可能重叠的窗口。每个窗口包含指定数量的元素，并且窗口之间可以有重叠。可以通过 window(Slide.over()) 方法来定义滑动窗口。

  3. 会话窗口（Session Window）：根据事件之间的时间间隔将数据流划分为不固定长度的会话窗口。如果在指定时间间隔内没有新事件到达，则会话窗口关闭。可以通过 window(Session.withGap()) 方法来定义会话窗口。

  4. 全局窗口（Global Window）：将整个数据流视为一个窗口，不进行数据切分。适用于需要计算整个数据流的聚合结果的场景。可以通过 window(Global()) 方法来定义全局窗口。

  5. 自定义窗口函数：Flink 还支持自定义窗口函数，以便满足特定需求。您可以实现 WindowFunction 接口来定义自己的窗口函数，并通过 apply() 方法来处理窗口中的元素。

        这些窗口函数可以和其他操作符（例如 groupBy()、reduce()、aggregate() 等）一起使用，以实现各种数据流处理和聚合操作。

        不同类型的窗口函数适用于不同的业务场景，具体选择哪种窗口函数取决于您的需求和数据流的特点。

        窗口函数都有其特定的使用场景，下面我会简要介绍每种窗口函数的典型应用场景，并提供 Java 和 Python 代码示例。

滚动窗口（Tumbling Window）

  • 使用场景：适用于需要对固定大小的数据范围进行聚合计算的场景，例如统计每5分钟内的数据总和。
  • Java 代码示例：
DataStream<Tuple2<String, Integer>> input = ... ; 
// 输入数据流DataStream<Tuple2<String, Integer>> result = input .keyBy(0) .window(TumblingEventTimeWindows.of(Time.minutes(5))) .sum(1);
  • Python 代码示例：
from pyflink.datastream import StreamExecutionEnvironment 
from pyflink.datastream.window import TumblingEventTimeWindows 
from pyflink.common import WatermarkStrategy env = StreamExecutionEnvironment.get_execution_environment() 
input_stream = ... 
# 输入数据流
result_stream = input_stream.key_by(lambda x: x[0]).window(TumblingEventTimeWindows.of('5 minutes')).sum(1)

滑动窗口（Sliding Window）

  • 使用场景：适用于需要对数据流进行连续且重叠的窗口计算的场景，例如统计每5分钟计算一次数据总和，并且每次计算时包含前一个窗口的部分数据。
  • Java 代码示例：
DataStream<Tuple2<String, Integer>> input = ... ; 
// 输入数据流 
DataStream<Tuple2<String, Integer>> result = input .keyBy(0) .window(SlidingEventTimeWindows.of(Time.minutes(10), Time.minutes(5))) .sum(1);
  • Python 代码示例：
from pyflink.datastream.window import SlidingEventTimeWindows
result_stream = input_stream .key_by(lambda x: x[0]).window(SlidingEventTimeWindows.of('10 minutes', '5 minutes')).sum(1)

会话窗口（Session Window）

  • 使用场景：适用于需要基于活动之间的间隔时间来划分窗口的场景，例如用户在网站上的一系列操作之间的时间间隔作为窗口的划分条件。
  • Java 代码示例：
DataStream<Tuple2<String, Integer>> input = ... ; 
// 输入数据流 
DataStream<Tuple2<String, Integer>> result = input .keyBy(0).window(EventTimeSessionWindows.withGap(Time.minutes(10))) .sum(1);
  • Python 代码示例：
from pyflink.datastream.window import EventTimeSessionWindows 
result_stream = input_stream .key_by(lambda x: x[0]).window(EventTimeSessionWindows.with_gap('10 minutes')).sum(1)

全局窗口（Global Window）

  • 使用场景：适用于对整个数据流进行聚合计算的场景，例如统计全天的数据总和。
  • Java 代码示例：
DataStream<Tuple2<String, Integer>> input = ... ; 
// 输入数据流 
DataStream<Tuple2<String, Integer>> result = input .keyBy(0) .window(GlobalWindows.create()) .trigger(CountTrigger.of(1)) .sum(1);

 

  • Python 代码示例：
from pyflink.datastream.window import GlobalWindows 
from pyflink.datastream.trigger import CountTrigger 
result_stream = input_stream .key_by(lambda x: x[0]).window(GlobalWindows.create()) .trigger(CountTrigger(1)).sum(1)

读取 Kafka 数据并计算指标

        以下是一个简单的示例代码，使用 Java 和 Python 分别演示读取 Kafka 数据并计算指标的过程：

Java 代码示例：

// 创建 Flink 程序入口 
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); 
// 从 Kafka 中读取数据FlinkKafkaConsumer<String> kafkaConsumer = new FlinkKafkaConsumer<>("topic", new SimpleStringSchema(), properties); 
DataStream<String> stream = env.addSource(kafkaConsumer); 
// 对数据流进行处理，计算指标 
DataStream<Result> resultStream = stream .flatMap(new UserAccessFlatMapFunction()) .keyBy("userId") .timeWindow(Time.minutes(5)) .apply(new UserAccessWindowFunction());// 执行任务 
env.execute("User Access Analysis");

Python 代码示例：

from pyflink.datastream import StreamExecutionEnvironment 
from pyflink.table import StreamTableEnvironment, EnvironmentSettings 
from pyflink.table.descriptors import Schema, Kafka 
# 创建 Flink 环境 
env = StreamExecutionEnvironment.get_execution_environment() 
env.set_parallelism(1) t_env = StreamTableEnvironment.create( env, environment_settings=EnvironmentSettings.new_instance().in_streaming_mode().use_blink_planner().build()) 
# 从 Kafka 读取数据 
t_env.connect( Kafka() .version("universal") .topic("topic") .property("zookeeper.connect", "localhost:2181") .property("bootstrap.servers", "localhost:9092") .start_from_earliest() .finish() ).with_format( Json() ).with_schema( Schema() .field("user_id", DataTypes.STRING()) .field("timestamp", DataTypes.TIMESTAMP(3)) ).create_temporary_table("MySource") 
# 计算指标 
t_env.from_path("MySource") \ .window(Tumble.over("5.minutes").on("timestamp").alias("w")) \ .group_by("user_id, w") \ .select("user_id, w.end as window_end, count(user_id) as pv, count_distinct(user_id) as uv") \ .execute_insert("MySink")

加载数据湖进行 AI 模型训练

        Flink 和 Aflink 可以用于加载数据湖中的大规模数据集，进行 AI 模型训练。通过流式处理和批处理相结合，可以有效处理图片、音频、文本等多媒体数据，用于风控等场景。

        

        当使用 Flink 进行机器学习时，通常会使用 Flink 的批处理和流处理 API 结合机器学习库（如 Apache Flink ML、Apache Mahout 等）来实现各种机器学习任务。这里我将为您提供一个简单的示例，演示如何在 Flink 中使用批处理 API 来进行线性回归的训练。

首先，让我们看一下 Java 代码示例：

import org.apache.flink.api.java.ExecutionEnvironment; 
import org.apache.flink.api.java.DataSet; 
import org.apache.flink.ml.common.LabeledVector; import org.apache.flink.ml.regression.MultipleLinearRegression; 
public class LinearRegressionExample { public static void main(String[] args) throws Exception {    ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment(); // 创建带标签的向量数据集 DataSet<LabeledVector> trainingData = ... ; // 从数据源加载带标签的向量数据集 // 初始化线性回归模型 MultipleLinearRegression mlr = new MultipleLinearRegression();                 mlr.setStepsize(0.5); // 设置步长 mlr.setIterations(100); // 设置迭代次数 // 训练线性回归模型 mlr.fit(trainingData); // 获取训练后的模型参数 double[] weights = mlr.weights(); double intercept = mlr.intercept(); // 打印模型参数 System.out.println("Weights: " + Arrays.toString(weights));         System.out.println("Intercept: " + intercept);}}

 Python 代码示例：

from pyflink.dataset import ExecutionEnvironment 
from pyflink.datastream import LabeledVector 
from pyflink.ml.preprocessing import Splitter 
from pyflink.ml.regression import MultipleLinearRegression env = ExecutionEnvironment.get_execution_environment() 
# 创建带标签的向量数据集 
training_data = ... 
# 从数据源加载带标签的向量数据集 
# 初始化线性回归模型 
mlr = MultipleLinearRegression() mlr.set_step_size(0.5) # 
设置步长 mlr.set_max_iterations(100) 
# 设置最大迭代次数 # 训练线性回归模型
mlr.fit(training_data) 
# 获取训练后的模型参数 
weights = mlr.weights_ intercept = mlr.intercept_ 
# 打印模型参数 
print("Weights: ", weights) print("Intercept: ", intercept)

        在 Flink 中使用批处理 API 进行线性回归模型的训练。实际上，在 Flink 中进行更复杂的机器学习任务时，可能需要结合更多的预处理、特征工程、模型评估等步骤，以及更丰富的机器学习算法和模型库。

Flink Table API

        Flink Table API 是 Apache Flink 提供的一种用于处理结构化数据的高级 API，它提供了一种类 SQL 的声明性编程方式，使用户可以通过类 SQL 的语法来操作流式和批处理数据。使用 Table API，用户可以方便地进行数据查询、转换、聚合等操作，而无需编写复杂的低级别代码。

下面是一个简单的示例，演示如何在 Flink 中使用 Table API 来实现对输入数据流的简单转换和聚合：

Java 示例：

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; 
import org.apache.flink.table.api.Table; 
import org.apache.flink.table.api.bridge.java.StreamTableEnvironment; 
public class TableAPIExample {public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); StreamTableEnvironment tableEnv = StreamTableEnvironment.create(env); // 创建输入数据流 Table inputTable = tableEnv.fromDataStream(inputDataStream, "name, age"); // 查询和转换操作 Table resultTable = inputTable .filter("age > 18") .groupBy("name") .select("name, count(1) as count"); // 将结果表转换为数据流并打印输出 tableEnv.toRetractStream(resultTable, Row.class).print(); env.execute("Table API Example"); } 
}

Python 示例：

from pyflink.datastream import StreamExecutionEnvironment 
from pyflink.table import 
StreamTableEnvironment env = StreamExecutionEnvironment.get_execution_environment() 
table_env = StreamTableEnvironment.create(env) 
# 创建输入数据流 input_table = table_env.from_data_stream(input_data_stream, ['name', 'age']) 
# 查询和转换操作 
result_table = input_table \ .filter("age > 18") \ .group_by("name") \ .select("name, count(1) as count") 
# 将结果表转换为数据流并打印输出 
table_env.to_retract_stream(result_table, Row).print() env.execute("Table API Example")

        创建了一个输入数据流，然后使用 Table API 对数据流进行过滤、分组和聚合操作，最后将结果表转换为数据流并打印输出。这展示了 Table API 的简单用法，更复杂的操作和功能可以根据具体需求进行扩展。

发展历史和市场优势

  • 发展历史：Flink 于 2015 年正式发布，是一个快速发展的流处理引擎，Aflink 是 Flink 在国内的一个分支，也得到了广泛应用。
  • 市场优势：Flink 和 Aflink 具有低延迟、高吞吐量等优势，适用于实时数据处理场景。在大数据领域，它们已成为重要的流式计算框架，广泛应用于金融、电商、物联网等行业。

 

 

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/744207.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

Tomacat下载并且手动自动部署Web项目

Tomacat下载并且手动自动部署Web项目

Tomacat下载并且手动自动部署Web项目 Tomcat的简介Tomcat的作用Tomcat的下载Tomcat 部署1、环境准备2、手动部署项目3、自动部署项目&#xff08;IDEA&#xff09; ⭐ 前言 ⭐ 本篇文章主要介绍 Tomacat下载部署Web项目的详细使用以及部分理论知识 Tomcat的简介 Tomcat 服务…
阅读更多...
硬盘分区怎么恢复数据 硬盘分区如何恢复原来的数据

硬盘分区怎么恢复数据 硬盘分区如何恢复原来的数据

硬盘分区是我们在使用电脑时经常会遇到的问题&#xff0c;而且很多人都会因为误操作或者其他原因导致硬盘分区数据丢失。这时候&#xff0c;我们就需要知道如何恢复硬盘分区的数据了。 首先&#xff0c;我们需要知道硬盘分区数据丢失的原因。一般来说&#xff0c;硬盘分区数据丢…
阅读更多...
setTimeout+Promise+Async输出顺序？

setTimeout+Promise+Async输出顺序？

注明&#xff1a;本文不涉及Nodejs执行机制 同步 && 异步 什么是异步&#xff0c;什么是同步&#xff0c;我不多说&#xff0c;我就通过小故事来讲讲吧。 同步&#xff1a;你打电话去书店订书&#xff0c;老板说我查查&#xff0c;你不挂电话在等待&#xff0c;老板把…
阅读更多...
Memcached 数据库介绍

Memcached 数据库介绍

一 Memcached 介绍 &#xff08;一&#xff09;Memcached 简单介绍 弊端 不能持久化 &#xff08;不支持存在硬盘里&#xff09; Memcached 只支持能序列化的数据类型&#xff0c;不支持持久化&#xff0c;基于Key-Value的内存缓存系统 memcached 虽然没有像redis所具备的…
阅读更多...
宏任务及微任务

宏任务及微任务

js有一个基于事件循环的并发模型&#xff0c;事件循环负责执行代码、收集和处理事件&#xff0c;以及执行队列中的子任务。js是单线程的&#xff08;某一刻只能执行一行代码&#xff09;&#xff0c;为了让耗时带啊不阻塞其他代码运行&#xff0c;设计了事件循环模型。 事件循环…
阅读更多...
学生时期学习资源同步-1 第一学期结业考试题1

学生时期学习资源同步-1 第一学期结业考试题1

原创作者&#xff1a;田超凡&#xff08;程序员田宝宝&#xff09; 版权所有&#xff0c;引用请注明原作者&#xff0c;严禁复制转载
阅读更多...
D-Star 寻路算法

D-Star 寻路算法

D-Star 寻路算法 下面简写 D-Star 为 D* D算法&#xff1a;D 算法”的名称源自 Dynamic A Star,最初由Anthony Stentz于“Optimal and Efficient Path Planning for Partially-Known Environments”中介绍。它是一种启发式的路径搜索算法&#xff0c; 适合面对周围环境未知或者…
阅读更多...
把 Windows 装进 Docker 容器里

把 Windows 装进 Docker 容器里

本篇文章聊聊如何在 Docker 里运行 Windows 操作系统&#xff0c; Windows in Docker Container&#xff08;WinD&#xff09;。 写在前面 我日常使用 macOS 和 Ubuntu 来学习和工作&#xff0c;但是时不时会有 Windows 使用的场景&#xff0c;不论是运行某个指定的软件&…
阅读更多...
QThread常用相关函数、线程启动方式

QThread常用相关函数、线程启动方式

一、常用相关函数 可以将常用的函数按照功能进行以下分类&#xff1a; 线程启动 void start() 调用后会执行run()函数&#xff0c;但在run()函数执行前会发射信号started()&#xff0c;操作系统将根据优先级参数调度线程。如果线程已经在运行&#xff0c;那么这个函数什么也不…
阅读更多...
杂谈-关于如何在博客或者技术站上提问才能获得作者更高的回复意愿和交流热情

杂谈-关于如何在博客或者技术站上提问才能获得作者更高的回复意愿和交流热情

如何提问一个有效的问题 &#x1f606; 首先为什么写这篇文章&#xff0c;由于在研究生的学习和工作过程中由于个人技术知识稍微丰富一点点也比较好学&#xff0c;经常会被提问或者自己提问-在博客&#xff0c;GitHub上&#xff0c;Stakflow上等等-也在和学弟学妹交流的过程中听…
阅读更多...
C#调用Halcon出现尝试读取或写入受保护的内存,这通常指示其他内存已损坏。System.AccessViolationException

C#调用Halcon出现尝试读取或写入受保护的内存,这通常指示其他内存已损坏。System.AccessViolationException

一、现象 在C#中调用Halcon&#xff0c;出现异常提示&#xff1a;尝试读取或写入受保护的内存,这通常指示其他内存已损坏。System.AccessViolationException 二、原因 多个线程同时访问Halcon中的某个公共变量&#xff0c;导致程序报错 三、测试 3.1 Halcon代码 其中tsp_width…
阅读更多...
ELF-DISCOVER：大型语言模型自我构建推理结构

ELF-DISCOVER：大型语言模型自我构建推理结构

论文地址&#xff1a;https://arxiv.org/pdf/2402.03620.pdf Abstract 我们引入了SELF-DISCOVER&#xff0c;这是一个通用框架&#xff0c;用于让LLMs自我发现任务内在的推理结构&#xff0c;以解决对典型提示方法具有挑战性的复杂推理问题。该框架的核心是一个自我发现过程&…
阅读更多...
测试交付类项目-文档规范

测试交付类项目-文档规范

目的&#xff1a;为了确保项目的顺利进行和成功完成&#xff0c;并且为项目交付物提供准确的说明和指导。 文档提供时间&#xff1a;一般为产品验收完成&#xff0c;需求方初步确认完成后&#xff0c;需进行相关文档的提供&#xff0c;供需求方进行验收。 交付文档模板&#…
阅读更多...
Python pip 换成国内镜像源

Python pip 换成国内镜像源

用 easy_install 和 pip 来安装第三方库很方便&#xff0c;它们的原理其实就是从Python的官方源pypi.python.org/pypi 下载到本地&#xff0c;然后解包安装。不过因为某些原因&#xff0c;访问官方的pypi不稳定&#xff0c;很慢甚至有些还时不时的访问不了。 跟 ubuntu 的 apt …
阅读更多...
代码随想录算法训练营第七天|454.四数相加II、383. 赎金信、15. 三数之和、18. 四数之和

代码随想录算法训练营第七天|454.四数相加II、383. 赎金信、15. 三数之和、18. 四数之和

题目&#xff1a;454.四数相加II 文章链接&#xff1a;代码随想录 视频链接&#xff1a;LeetCode:454.四数相加|| 题目链接&#xff1a;力扣题目链接 图释&#xff1a; // 四数相加|| int fourSumCount(vector<int>& nums1, vector<int>& nums2, vect…
阅读更多...
项目经理到底要不要考PMP？有啥好处？

项目经理到底要不要考PMP？有啥好处？

很多新手项目经理或者想要转行做项目经理的人&#xff0c;都会很快的注意到”PMP”这个证书。并且开始认真思考自己要不要考这个证书&#xff1f;以及想知道这个证书考试的具体难度、流程和内容。 先说结论&#xff1a; 值得考&#xff0c; 很容易考。 我在备考的过程中惊异…
阅读更多...
excel批量数据导入时用poi将数据转化成指定实体工具类

excel批量数据导入时用poi将数据转化成指定实体工具类

1.实现目标 excel进行批量数据导入时&#xff0c;将批量数据转化成指定的实体集合用于数据操作&#xff0c;实现思路&#xff1a;使用注解将属性与表格中的标题进行同名绑定来赋值。 2.代码实现 2.1 目录截图如下 2.2 代码实现 package poi.constants;/*** description: 用…
阅读更多...
【消息队列开发】 实现消息持久化

【消息队列开发】 实现消息持久化

文章目录 &#x1f343;前言&#x1f340;消息存储格式设计&#x1f6a9;queue_data文件设计&#x1f6a9;queue_stat文件设计&#x1f6a9;拓展 &#x1f384;实现统计文件&#xff08;queue_stat&#xff09;的读写⭕总结 &#x1f343;前言 本次开发目标&#xff0c;实现消…
阅读更多...
2024阿里云域名优惠口令大全(3月更新)

2024阿里云域名优惠口令大全(3月更新)

2024年阿里云域名优惠口令&#xff0c;com域名续费优惠口令“com批量注册更享优惠”&#xff0c;cn域名续费优惠口令“cn注册多个价格更优”&#xff0c;cn域名注册优惠口令“互联网上的中国标识”&#xff0c;阿里云优惠口令是域名专属的优惠码&#xff0c;可用于域名注册、续…
阅读更多...
C# MES通信从入门到精通（1）——串口传输文件

C# MES通信从入门到精通（1）——串口传输文件

前言： 在上位机软件开发领域，有一些工厂的mes系统需要我们通过串口发送文件的方式把一些图片或者检测数据csv文件等发送给服务器，这种方式是一些比较旧的工厂采用的方式，但是这种方式也是存在的，本文就是讲解如何使用串口发送文件详情见下文。 1、串口发送文件思路 将需…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023