搜索[实名实人认证解决方案]结果-低调大师优秀个人博客

精选列表

搜索[实名实人认证解决方案]，共10000篇文章

GEO优化实操：如何让内容被AI捕捉

在生成式引擎时代，一段内容要被用户看到，前提是被AI"捕捉"——即被生成式引擎检索到、理解并纳入其合成的答案之中。理解"被捕捉"的完整含义，是进行GEO优化的起点。

2026-08-28

云存储数据加密合规配置实操技巧

做企业数据管理或者日常隐私存储的朋友，最近肯定都关注到了数据合规要求收紧，不少人用云存储的时候，不知道怎么配置加密才能符合合规标准，要么漏配置留下风险，要么过度加密影响使用效率。

2026-08-21

小白指南：Apache DolphinScheduler 补数据功能实操演示

最近使用 Apache DolphinScheduler 调度任务，不可避免地使用到【补数据】功能，经过不断尝试，终于成功运行了【补数据】功能，以此帖记录。版本说明：3.1.9 补数据功能简介 "补数据" 在 Apache DolphinScheduler 中指的是补数据(Complement Data) 功能，用于补充执行历史时间段内的工作流实例。补数据功能概述补数据是工作流执行的一种特殊模式，让用户可以为过去的时间段批量创建和执行工作流实例<cite />。这在以下场景中特别有用: 需要重新处理历史数据系统故障后需要补充缺失的数据处理新增数据处理逻辑后需要回填历史数据定期批量数据处理补数据配置参数在工作流启动界面中，补数据功能包含以下配置选项: 是否是补数据 (whether_complement_data): 开关选项，启用补数据模式调度日期 (schedule_date): 指定需要补数据的时间范围：支持日期选择和手动输入两种方式格式为 yyyy-MM-dd HH:mm:ss，多个日期用逗号分隔限制最多输入100条日期执行方式 (mode_of_execution)：串行执行: 按顺序逐个执行补数据任务并行执行: 同时执行多个补数据任务并行度 (parallelism): 当选择并行执行时，可以设置自定义并行度来控制同时执行的任务数量这有助于避免大量补数据任务对服务器造成过大影响执行顺序 (order_of_execution) : 按日期升序执行: 从最早的日期开始执行按日期降序执行: 从最近的日期开始执行使用补数据功能操作步骤首先是工作流的任务配置，见下图接着，保存工作流，未设置全局变量。上线工作流。最后，运行工作流，运行参数见下图选择补数据的日期范围【启动参数】为定义任务时设置的参数dt，value为空即可。点击【确定】后自动运行验证结果点击【工作流实例】，查看运行结果。点击第1个实例进入，查看日志结果显示，SQL 运行结果为补数据选择的日期，补数据功能正常可用。 Notes 补数据功能是 Apache DolphinScheduler 工作流管理中的重要特性,通过灵活的配置选项(执行方式、并行度、执行顺序等)来满足不同的数据补充需求<cite />。在使用时需要注意合理设置并行度,避免对系统资源造成过大压力。

2025-10-29

【附实操演示】

本文将从问题入手，带你了解双向同步防循环方案，并介绍一种更加高效、轻量的解决方式：基于事务标记的防循环模式，最后通过一个简单的实操演示，帮你快速上手。

2025-09-09

阿里通义开源实首个音频生成模型 ThinkSound

通义实验室首个音频生成模型 ThinkSound 现已正式开源，将打破“静音画面”的想象力局限。该模型首次把多模态大模型的思维链推理引入音频生成领域，让AI可以像专业音效师一样逐步思考，捕捉视觉细节，生成与画面同步的高保真音频。目前，ThinkSound的代码和模型已在Github、HuggingFace、魔搭社区开源，开发者可免费下载和体验。 https://github.com/FunAudioLLM/ThinkSound https://huggingface.co/spaces/FunAudioLLM/ThinkSound https://www.modelscope.cn/studios/iic/ThinkSound 据介绍，ThinkSound 首次将 CoT（Chain-of-Thought，思维链）应用到音频生成领域，让 AI 学会一步步“想清楚”画面事件与声音之间的关系，从而实现高保真、强同步的空间音频生成 —— 不只是“看图配音”，而是真正“听懂画面”。据悉，AudioCoT 融合了来自 VGGSound、AudioSet、AudioCaps、Freesound 等多个来源的 2531.8 小时高质量样本。这些数据覆盖了从动物鸣叫、机械运转到环境音效等多种真实场景，为模型提供了丰富而多样化的训练基础。为了确保每条数据都能真正支撑 AI 的结构化推理能力，研究团队设计了一套精细化的数据筛选流程，包括多阶段自动化质量过滤和不少于 5% 的人工抽样校验，层层把关以保障数据集的整体质量。

2025-07-07

实操上手TinyEngine低代码引擎插件化开发

1.背景介绍 1.1 TinyEngine 低代码引擎简介低代码开发是近些年非常热门的一种开发方式，用户可以通过可视化的方式，简单拖拽，不写代码或者编写少量代码，类似搭积木一样搭建业务应用。 TinyEngine是一个强大的低代码引擎，可以帮助开发者快速定制自己的低代码设计器或者低代码平台。 TinyEngine可以作为低代码平台的底座，提供可视化搭建页面等基础能力，既可以通过线上搭配组合使用，也可以通过cli创建个人工程进行二次开发，实时定制出自己的低代码平台。适用于多场景的低代码平台开发，如：资源编排、服务端渲染、模型驱动、移动端、大屏端、页面编排等。 TinyEngine 由OpenTiny 团队2023年开源，也欢迎大家点 Star 和提Issue、PR 进行反馈。 TinyEngine 官网：https://opentiny.design/tiny-engine#/home TinyEngine 在线demo：https://opentiny.design/tiny-engine#/tiny-engine-editor TinyEngine 代码库：https://github.com/opentiny/tiny-engine 1.2 TinyEngine 插件化构建简介 TinyEngine引擎使用插件化架构，功能模块都由一个个插件构成，例如图片中页面上方的工具栏、左侧的插件栏、右侧的属性配置栏，以及中间的画布区域，都由一个个插件构成，通过插件化的架构，可以灵活配置、自由组装出个性化的设计器。 1.3 TinyEngine CLI简介 TinyEngine还提供了CLI工具方便用户二次开发，通过CLI，一行命令即可基于TinyEngine创建出全新的低代码项目、低代码插件项目，未来还会陆续增加创建设置器插件，创建新主题，新布局，新物料包等能力。实验介绍本实验主要通过体验使用TinyEngine几行命令快速创建一个用户专属低代码设计器，及通过开发一个新的侧边栏插件，帮助开发者快速了解基于TinyEngine二次开发定制的能力。 2.1 实验目标使用 TinyEngine CLI，通过一行命令创建全新低代码设计器，了解基于 TinyEngine 创建个性化低代码设计器/平台、二次开发的能力。体验 TinyEngine 简单拖拽、配置的开发形式帮助开发者快速了解低代码开发使用流程。完成开发一个新的基础侧边栏插件，并集成到设计器中，了解基于 TinyEngine 扩展设计器功能的能力。 2.2 实验环境准备在开始实验步骤之前，先确保我们的开发环境以及工具齐全： Node.js v18+版本、pnpm 包管理工具。 vscode 代码编辑器、git 代码版本管理工具。 chrome浏览器 110+ 版本。必要的开发前端开发环境、工具等。实践步骤 3.1 一行命令创建自己的专属低代码设计器 3.1.1 创建低代码设计器执行engine-cli create，选择platform以创建一个新的设计器 npx @opentiny/tiny-engine-cli@alpha create 执行后首次会提示是否安装@opentiny/tiny-engine-cli，输入"Y"并回车之后会提示选择要创建类型，选择platform之后，输入设计器名称，如：lowcode-designer，即可完成新设计器项目的创建。查看当前文件目录，看发现已经创建出了 lowcode-designer 代码目录。 3.1.2 启动低代码设计器执行下面命令安装依赖并启动项目： # 安装依赖 npm install # 启动项目 npm run dev 启动完项目之后，我们应该能看到浏览器打开的默认的低代码设计器： 3.1.3 体验低代码设计器之后可以体验下低代码开发方式：拖拽物料面板中组件到中间画布中在右侧属性面板中修改属性值观察画布中的变化在画布中拖拽组件调整组件的布局与位置 3.2 通过开发插件扩展设计器新功能 3.2.1 一行命令创建新插件另起一个终端，输入下面命令，选择创建plugin类型，创建一个新的插件 npx @opentiny/tiny-engine-cli@alpha create 输入插件名称：demo-plugin 之后就可以在demo-plugin目录看到新创建的插件，进去该目录安装依赖： cd demo-plugin && npm install 3.2.2 将插件接入设计器使用VS Code打开设计器项目，修改registry.js import { Breadcrumb, Fullscreen, /* ... */, GenerateCodeService } from '@opentiny/tiny-engine' import engineConfig from './engine.config' ++ import DemoPlugin from './demo-plugin' export default { // ... -- plugins: [Materials, Tree, Page, Block, Datasource, Bridge, I18n, Script, State, Schema, Help, Robot], ++ plugins: [DemoPlugin, Materials, Tree, Page, Block, Datasource, Bridge, I18n, Script, State, Schema, Help, Robot], dsls: [{ id: 'engine.dsls.dslvue' }], settings: [Props, Styles, Events], canvas: Canvas } 3.2.3 开发调试插件重新打开项目页面，可以看到侧边栏多了一个新的插件：修改插件代码，设计器界面也会实时刷新。之后可以尝试完成以下功能：为插件实现一个"添加按钮"，点击按钮展开插件二级页面在二级面板中添加一个输入框，并实现保存功能，点击保存按钮将输入框内容显示到一级面板中如此即完成了一个简单的TinyEngine侧边栏插件开发全流程。总结本实践活动指导通过使用TinyEngine CLI创建一个全新设计器，上手体验低代码能力，并开发新的侧边栏插件扩展设计器能力，掌握基于TinyEngine定制设计器与插件的方式，了解TinyEngine的插件化架构与插件扩展能力。但实验中的部分只是TinyEngine扩展定制能力的一个缩影，TinyEngine提供了各种灵活的自定义能力，期待您的继续使用。关于OpenTiny OpenTiny官网：https://opentiny.design TinyVue 源码：https://github.com/opentiny/tiny-vue（欢迎 Star ⭐） TinyEngine 源码：https://github.com/opentiny/tiny-engine（欢迎 Star ⭐） B站：https://space.bilibili.com/15284299 欢迎加入 OpenTiny 开源社区。添加微信小助手 opentiny-official 一起参与交流前端技术～

2024-10-17

Poco框架实操：对节点可实施的操作

1.0.92 及以上版本均能使用，可以在括号内输入双击的偏移点坐标，不填写默认为双击节点的 anchorPoint ，如下： poco("音乐").double_click([0.2,0.8]) 三、实操小案例

2024-05-22

一则 MongoDB 副本集迁移实操案例

实操过程查看 Oplog 信息检查并评估生产环境 Oplog 的产生信息，以防全量和增量备份期间产生的 Oplog 被覆盖掉。

2023-11-28

Kubernetes与游戏架构搭建（GKE搭建游戏实操）

由于Cloud Ace为谷歌云代理公司，所以我们本次分享的实操是在谷歌开发的Google Kubernetes Engines上运行的，GKE是谷歌基于K8s所开发的Kubernetes管理平台，主要在谷歌云平台上运行

2021-10-15

HBase实操：Spark-Read-HBase-Snapshot-Demo 分享

前言：之前给大家分享了Spark通过接口直接读取HBase的一个小demo：HBase-Spark-Read-Demo，但如果在数据量非常大的情况下，Spark直接扫描HBase表必然会对HBase集群造成不小的压力。基于此，今天再给大家分享一下Spark通过Snapshot直接读取HBase HFile文件的方式。首先我们先创建一个HBase表：test，并插入几条数据，如下： hbase(main):003:0> scan 'test' ROW COLUMN+CELL r1 column=f:name, timestamp=1583318512414, value=zpb r2 column=f:name, timestamp=1583318517079, value=lisi r3 column=f:name, timestamp=1583318520839, value=wang 接着，我们创建该HBase表的快照，其在HDFS上路径如下： hbase(main):005:0> snapshot 'test', 'test-snapshot' 0 row(s) in 0.3690 seconds $ hdfs dfs -ls /apps/hbase/data/.hbase-snapshot Found 1 items drwxr-xr-x - hbase hdfs 0 2020-03-21 21:24 /apps/hbase/data/.hbase-snapshot/test-snapshot 代码如下： import org.apache.hadoop.fs.Path import org.apache.hadoop.conf.Configuration import org.apache.hadoop.hbase._ import org.apache.hadoop.mapreduce.Job import org.apache.hadoop.hbase.client.Scan import org.apache.hadoop.hbase.mapreduce.{TableInputFormat, TableSnapshotInputFormat} import org.apache.hadoop.hbase.protobuf.ProtobufUtil import org.apache.hadoop.hbase.util.{Base64, Bytes} import org.apache.spark.{SparkConf, SparkContext} object SparkReadHBaseSnapshotDemo { // 主函数 def main(args: Array[String]) { // 设置spark访问入口 val conf = new SparkConf().setAppName("SparkReadHBaseSnapshotDemo") .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer") .setMaster("local")//调试 val sc = new SparkContext(conf) // 获取HbaseRDD val job = Job.getInstance(getHbaseConf()) TableSnapshotInputFormat.setInput(job, "test-snapshot", new Path("/user/tmp")) val hbaseRDD = sc.newAPIHadoopRDD(job.getConfiguration, classOf[TableSnapshotInputFormat], classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable], classOf[org.apache.hadoop.hbase.client.Result]) hbaseRDD.map(_._2).map(getRes(_)).count() } def getRes(result: org.apache.hadoop.hbase.client.Result): String = { val rowkey = Bytes.toString(result.getRow()) val name = Bytes.toString(result.getValue("f".getBytes, "name".getBytes)) println(rowkey+"---"+name) name } // 构造 Hbase 配置信息 def getHbaseConf(): Configuration = { val conf: Configuration = HBaseConfiguration.create() conf.set(TableInputFormat.SCAN, getScanStr()) conf } // 获取扫描器 def getScanStr(): String = { val scan = new Scan() // scan.set.... 各种过滤 val proto = ProtobufUtil.toScan(scan) Base64.encodeBytes(proto.toByteArray()) } } 注：上述代码需将core-site.xml&hdfs-site.xml&hbase-site.xml文件放在资源目录resources下。否则，应在代码中进行配置，代码如下： package com.xcar.etl import org.apache.hadoop.fs.Path import org.apache.hadoop.conf.Configuration import org.apache.hadoop.hbase._ import org.apache.hadoop.mapreduce.Job import org.apache.hadoop.hbase.client.Scan import org.apache.hadoop.hbase.mapreduce.{TableInputFormat, TableSnapshotInputFormat} import org.apache.hadoop.hbase.protobuf.ProtobufUtil import org.apache.hadoop.hbase.util.{Base64, Bytes} import org.apache.spark.{SparkConf, SparkContext} object SparkReadHBaseSnapshotDemo2 { val HBASE_ZOOKEEPER_QUORUM = "xxxx.com.cn" // 主函数 def main(args: Array[String]) { // 设置spark访问入口 val conf = new SparkConf().setAppName("SparkReadHBaseSnapshotDemo2") .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer") .setMaster("local")//调试 val sc = new SparkContext(conf) // 获取HbaseRDD val job = Job.getInstance(getHbaseConf()) TableSnapshotInputFormat.setInput(job, "test-snapshot", new Path("/user/tmp")) val hbaseRDD = sc.newAPIHadoopRDD(job.getConfiguration, classOf[TableSnapshotInputFormat], classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable], classOf[org.apache.hadoop.hbase.client.Result]) hbaseRDD.map(_._2).map(getRes(_)).count() } def getRes(result: org.apache.hadoop.hbase.client.Result): String = { val rowkey = Bytes.toString(result.getRow()) val name = Bytes.toString(result.getValue("f".getBytes, "name".getBytes)) println(rowkey+"---"+name) name } // 构造 Hbase 配置信息 def getHbaseConf(): Configuration = { val conf: Configuration = HBaseConfiguration.create() conf.set("hbase.zookeeper.property.clientPort", "2181") conf.set("zookeeper.znode.parent", "/hbase") conf.set("hbase.zookeeper.quorum", HBASE_ZOOKEEPER_QUORUM) conf.set("hbase.rootdir", "/apps/hbase") // 设置查询的表名 conf.set(TableInputFormat.INPUT_TABLE, "test") conf.set("fs.defaultFS","hdfs://xxxxxx:8020") conf.set(TableInputFormat.SCAN, getScanStr()) conf } // 获取扫描器 def getScanStr(): String = { val scan = new Scan() // scan.set.... 各种过滤 val proto = ProtobufUtil.toScan(scan) Base64.encodeBytes(proto.toByteArray()) } } TableSnapshotInputFormat.setInput 方法参数解析： public static void setInput(org.apache.hadoop.mapreduce.Job job, String snapshotName, org.apache.hadoop.fs.Path restoreDir) throws IOException 参数解析: job - the job to configure snapshotName - the name of the snapshot to read from restoreDir - a temporary directory to restore the snapshot into. Current user should have write permissions to this directory, and this should not be a subdirectory of rootdir. After the job is finished, restoreDir can be deleted. 项目用到的 pom.xml 文件： <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>com.zpb.test</groupId> <artifactId>spark-read-hbase-snapshot-demo</artifactId> <version>1.0-SNAPSHOT</version> <packaging>jar</packaging> <name>spark-read-hbase-snapshot-demo</name> <url>http://maven.apache.org</url> <repositories> <repository> <id>cloudera</id> <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url> </repository> </repositories> <properties> <cdh.hbase.version>1.2.0-cdh5.7.0</cdh.hbase.version> <cdh.spark.version>1.6.0-cdh5.7.0</cdh.spark.version> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> </properties> <dependencies> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>3.8.1</version> <scope>test</scope> </dependency> <dependency> <groupId>com.alibaba</groupId> <artifactId>fastjson</artifactId> <version>1.2.62</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.10</artifactId> <version>${cdh.spark.version}</version>  </dependency> <dependency> <groupId>org.apache.hbase</groupId> <artifactId>hbase-server</artifactId> <version>${cdh.hbase.version}</version> </dependency> </dependencies> </project> 欢迎关注本人公众号【HBase工作笔记】，解锁更多姿势~

2020-04-16

HBase实操 | 使用Java调用HBase的Endpoint Coprocessor

1.文档编写目的 HBase是一款基于Hadoop的Key-Value数据库，提供了对HDFS上数据的高效随机读写服务，填补了Hadoop MapReduce批处理的缺陷，但HBase作为列簇数据库无法轻易的建立“二级索引”、难以执行求和、计数、排序等操作。在HBase0.96版本后引入了协处理器(Coprocessor)，用户可以编写运行在HBase Server端的代码。HBase支持两种类型的协处理器，Endpoint和Observer。 Endpoint协处理器类似传统数据库中的存储过程，客户端可以调用这些Endpoint协处理器执行一段Server端代码，并将Server端代码的结果返回给客户端处理。 Observer Coprocessor，这中协处理器类似于传统数据库中的触发器，当发生某些事件的时候，Observer协处理

2018-11-15

竞品分析实操-全文不掺杂任何“鸡汤”

竞品分析实操产品分析过程图调研背景和目的这个就结合自己的产品情况，比如我新进入一个行业，想快速熟悉这个行业的产品都是怎么玩的，为自己的产品做指导。

2018-06-12

Unity 裁员 265 人

Unity 在 2021 年以 16.25 亿美元收购了 Peter Jackson 联合创办的视觉特效公司 Weta Digital 的工程技术部门，与美术部门 Weta FX 达成服务协议。根据路透社的报道，现在作为公司重组 (company reset) 的一部分它宣布终止服务协议裁掉相关的 265 名员工，约占员工总数的 3.8%。 Unity 是规模最大的游戏引擎开发商，目前还有 7000 名员工。它同时宣布将关闭部分办事处，缩小办公面积，不再强制要求员工每周前往办公室工作三天。 9 月份，Unity 宣布了新的收费规则，此举引起业内人士的强烈不满。之后 Unity 向公众和业内人士道歉，并调整了收费规则。 Unity 引擎明年起根据游戏安装量收费 (runtime fee) Unity 道歉：将修改 "runtime fee" 收费政策走近 “收费门”：互相矛盾的服务条款导致 Unity 面临被起诉的风险 Unity CEO John Riccitiello 上个月因受争议的运行时费用而离职，前 IBM 总裁 Jim Whitehurst 担任临时 CEO，Whitehurst 表示为了重新专注于公司业务，更多的变化即将到来。虽然这对受影响的员工来说是一个挑战，但对于公司来说，这可能是一个重新调整和提高效率的机会。

2023-11-30

社会人囤货图鉴

囤货，总能给人一种唾手可得、毫不慌张的稳稳的幸福（错觉）。好像有种“一囤在手，天下我有”的感觉。比如，囤了一堆从未打开的书，就觉得自己变得腹有诗书气自华；囤了一堆护肤品，就好像自己马上肤若凝脂美若天仙。少年，你囤的不是货，囤的是向往。一起来看看，咱们屯里的“海豚”（海量囤货）都在囤什么？阿里云年中大促：新用户免费试用 12个月，最低 89.8 元可入手热销云服务器，购物车满减补贴，最多可减 12000 元！阿里云最近还推出了：六代增强型云服务器 ECS，基于第六代的 CPU 和网络架构，依托自研神龙架构获得第七代的 IO 能力， ESSD 使用门槛大幅下降 50%, 普惠百万客户！某运维工程师特别提醒：我已经囤好了一年的量，屏幕前的运维小伙伴，不要错过哦！一键直达阿里云服务器 ECS 大促专场，今年的服务器安排上！https

2020-06-18

人不行，慢慢教？成年人，真的很难被改变

态度没得挑，让干嘛干嘛，从不抱怨。可问题也恰恰出在这：他从来不想自己该干嘛。你推一步，他走一步；你不推，他就等着。项目卡住了，他坐在工位上等你给指令，像个永远在线、但从不主动的路由器。

2026-09-16

OpenAI 解散机器人团队，创始人：最好的决定

OpenAI 公司联合创始人 Wojciech Zaremba 在播客中透露，OpenAI 已经解散了它的机器人团队，并将重点转移到其他更容易获得数据的领域中数据。

2021-07-19

回测年化30%，实盘却亏钱？——量化回测与实盘数据不一致的工程真相

去年我接手了一个已经“看上去很美”的股票多空策略。团队之前的同事跑出来的回测结果是：年化收益率32%，夏普比率1.5，最大回撤只有12%。这个策略在 paper trading（模拟交易）阶段也表现不错，跑了三个月，累积收益大概8%。

2026-08-23

零信任架构下的身份认证底座建设

零信任架构下的身份认证底座建设摘要：零信任架构要修正的不是"边界不够厚"，而是"网络位置被当成了信任的代理变量"这一隐含假设。

2026-09-28

WorkBuddy 师生认证操作指南

摘要：开学季，WorkBuddy 给老师和同学每人发 1000 开学专属积分——完成身份认证就能领，非抽奖、不拼手速。本文把学生、教师两条认证路径一次讲清，附领取入口、截止时间与新手叠加规则，照着做

2026-09-01

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。