搜索[文档处理]结果-低调大师优秀个人博客

精选列表

搜索[文档处理]，共10000篇文章

使用Apache Arrow助力PySpark数据处理

在大数据时代之前，大部分的存储引擎使用的是按行存储的形式，很多早期的系统，如交易系统、ERP系统等每次处理的是增、删、改、查某一个实体的所有信息，按行存储的话能够快速的定位到单个实体并进行处理。

2019-05-29

Pandas时序数据处理入门

这篇关于panda时间序列数据处理的基本介绍可以带你入门时间序列分析。

2019-05-10

Antlr4的分析错误处理

根据至今看到的相关文档以及Antlr项目本身, 感觉还蛮实用, 可持续性也不错, 这些学习应该不会白费. 之前没有实验过它对错误语法的处理.

2019-04-23

在上一回中说了五行代码找图中滑块验证的缺口位置《python五行代码解决滑块验证的缺口距离识别，破解滑块验证》，本章讲轨迹相关的问题。滑块验证核心是后台验证轨迹参数，效验轨迹取点的分布，正常情况是如下图的离散分布如果横坐标x是时间、纵坐标y是位移，那么每个点的切线就是加速度，会发现这样的一个规律，加速度由小变大，再又大变小，这是最主要的特征之一。速度的变化率如下：对速度而言肯定是先加速在减速，但加速度不会是固定的，应该是变变加速和变变加速，不过目前实际应用中的情况来说，是以速度变化情况为主要判别依据，因为在以恒加减速度生成的轨迹应用中一样可以通过检测，就说明目前没有对是否恒定加速度来鉴别机器和人工。知道上面的两点后我们就应该明白滑块验证的关键，并且可以预测它的下一步优化方式将是对加速度变化的验证，收集了两种轨迹生成方式：一种是以加减速为主的物理学生成方式，另一种是根据轨迹离散分布生成的数学生成。 defgenerate_tracks(S): """ :paramS:缺口距离Px :return: """ S+=20 v=0 t=0.2 forward_tracks=[] current=0 mid=S*3/5#减速阀值 whilecurrent<S: ifcurrent<mid: a=2#加速度为+2 else: a=-3#加速度-3 s=v*t+0.5*a*(t**2) v=v+a*t current+=s forward_tracks.append(round(s)) back_tracks=[-3,-3,-2,-2,-2,-2,-2,-1,-1,-1] return{'forward_tracks':forward_tracks,'back_tracks':back_tracks} 传入距离S，先加上20的距离然后在生成轨迹中再减去20，达到超过缺口在回滑的效果，以固定周期0.2秒来计算轨迹和速度。 defease_out_quad(x): return1-(1-x)*(1-x)defease_out_quart(x): return1-pow(1-x,4)defease_out_expo(x): ifx==1: return1 else: return1-pow(2,-10*x)defget_tracks(distance,seconds,ease_func): tracks=[0] offsets=[0] fortinnp.arange(0.0,seconds,0.1): ease=globals()[ease_func] offset=round(ease(t/seconds)*distance) tracks.append(offset-offsets[-1]) offsets.append(offset) returnoffsets,tracks 这种方式是从时间出发，在假设匀速的情况下，把时间分割成一段一段的，每段都对应一个轨迹，那么这个轨迹先大后小如下： [0, 0.0, 21.0, 16.0, 13.0, 10.0, 9.0, 6.0, 5.0, 4.0, 4.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0] 目前这两种轨迹都是可行的，能够通过腾讯的滑块验证。

2019-03-11

自然语言处理hanlp的入门基础

，IDE应当会给出提示，并展示HanLP完善的文档。推荐用户始终通过工具类 HanLP 调用，这么做的好处是，将来 HanLP 升级后，用户无需修改调用代码。

2019-01-17

JavaScript如何正确处理Unicode编码问题！

原文：JavaScript 如何正确处理 Unicode 编码问题！作者：前端小智 Fundebug经授权转载，版权归原作者所有。

2019-01-06

Phoenix关于时区的处理方式说明

一、社区版Phoenix时间相关类型介绍时间数据处理是数据开发者经常遇到的问题，众所周知时间都是跟时区相关的，如果对于时区处理不当，会造成时间数据错误，进而引入一系列棘手的问题。

2019-01-03

Kubernetes-应用部署问题定位和处理

1、应用部署问题处理的整体思路在将容器化的应用部署到Kubernetes集群中，可能会出现各种问题。

2018-12-13

ESXi6.7安装流程和bug处理

目录前言准备工作安装 Initializing IOV卡住缺少网卡驱动安装ESXi6.7 Multiboot could not setup the video subsystem 建立虚拟机最后前言 ESXi直接安装在物理服务器上(裸机), 并将其划分为多个逻辑服务器, 即虚拟机. 相比个人电脑上常见的先装OS, 再装VMware Fusion等虚拟机软件, 再分配空间建立虚拟机. ESXi更多用于服务器, 也更高效能. 准备工作 win7 u盘 ESXi镜像网卡驱动镜像重打包软件 u盘刻录软件来一一说明: win7用于跑镜像重打包软件ESXi-Customizer和刻录软件软碟通. u盘用于刻录ESXi镜像. 镜像下载需要一个vmware的账号, 镜像下载地址在安装ESXi的时候, 一般会缺少网卡驱动, 只能手动打包进去, 网卡驱动下载地址. 我下的是net55-r8168. 镜像重打包软件ESXi-Customizer用于将驱动打包进镜像, 用的是ESXi-Customizer-v2.7.2, 有点旧了, 但是依旧好用. 注意, 只能在win7下跑, win10不行. u盘刻录软件软碟通就不说了, 别的刻录软件也行. 安装 Initializing IOV卡住如果你是4代酷睿, 你会遇到第一个bug. 卡在Initializing IOV. 解决方案就是进入之前按住shift + O. 然后输入 noIOMMU, 注意最前面有个空格的. 回车. 之后安装好了, 要启动之前, 还需要shift + O. 然后输入 noIOMMU 最后进入系统后, 管理界面 > F2 进入配置 > 登录 > 故障解决选项 > 启用Esxi Shell > alt + F1 > 登录 > 执行 esxcli system settings kernel set --setting=noIOMMU -v TRUE alt + F2退出, 然后可以再禁用ESXI shell. 缺少网卡驱动如果你用的官方镜像, 八成是缺少网卡驱动的. 你会看到下图: 这就需要之前说的工具了, 手动下载驱动, 打包进镜像. 难度不大, 不多赘述. 安装ESXi6.7 然后就可以开始真正的安装了, 按流程走就好, 不难. 完工之后, 客户机通过ip访问服务器就行了. Multiboot could not setup the video subsystem 一般来说, 安装完了, 启动之前还会看到这个错误, 主要是分辨率没达到, 需要进入BIOS调整. 找到CSM Configuration > Video, 改成UEFI. 建立虚拟机建立虚拟机和平常的虚拟机软件操作类似, 分两步, 上传镜像到服务器, 然后建立对应虚拟机即可. 最后整体流程其实并不繁琐, 就是有些bug令人头疼. 喜欢记得点赞哦, 有意见或者建议评论区见哦~

2018-12-07

智慧园区-楼层搭建之复杂CAD处理

本章主要解决问题：复杂CAD通过CAD导入不能识别怎么办？请看这张鬼画符cad 通过【导入AutoCAD文件】功能不能被系统识别（参考上一篇教程! 智慧园区-楼宇建模技巧之【建楼篇】）这样的CAD图纸很不规范，包含了许多和建筑本身没有关系的信息。即使被系统识别出来了，也有很多没用的墙体。所以针对这种cad，我来介绍一种新的建模方式。导入CAD图片临摹建模通过AutoCAD将cad导出成PDF，再从PDF导出成图片。确保图片分辨率<4096*4096 点击图片管理>查看管理，导入cad图片点击设置比例，按照实际长度填写后确定。将图片缩放到正确比例接下来就可以按照cad底图进行描边了！描边效果↓

2018-12-02

MySQL处理高并发，防止库存超卖

今天王总又给我们上了一课，其实mysql处理高并发，防止库存超卖的问题，在去年的时候，王总已经提过；但是很可惜，即使当时大家都听懂了，但是在现实开发中，还是没这方面的意识。

2018-11-28

海量数据处理之Bloom Filter详解

一、什么是Bloom Filter Bloom Filter是一种空间效率很高的随机数据结构，它的原理是，当一个元素被加入集合时，通过K个Hash函数将这个元素映射成一个位阵列（Bit array）中的K个点，把它们置为1。检索时，我们只要看看这些点是不是都是1就（大约）知道集合中有没有它了：如果这些点有任何一个0，则被检索元素一定不在；如果都是1，则被检索元素很可能在。这就是布隆过滤器的基本思想。但Bloom Filter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。有人可能想知道它的中文叫法，倒是有被译作称布隆过滤器。该不该译，译的是否恰当，由诸君品之。下文之中，如果有诸多公式不慎理解，也无碍，只作稍稍了解即可。 1.1、集合表示和元素查询下面我们具体来看Bloom Filter是如何用位数组表示集合的。初始状态时，Bloom Filter是一个包含m位的位数组，每一位都置为0。为了表达S={x1, x2,…,xn}这样一个n个元素的集合，Bloom Filter使用k个相互独立的哈希函数（Hash Function），它们分别将集合中的每个元素映射到{1,…,m}的范围中。对任意一个元素x，第i个哈希函数映射的位置hi(x)就会被置为1（1≤i≤k）。注意，如果一个位置多次被置为1，那么只有第一次会起作用，后面几次将没有任何效果。在下图中，k=3，且有两个哈希函数选中同一个位置（从左边数第五位，即第二个“1“处）。在判断y是否属于这个集合时，我们对y应用k次哈希函数，如果所有hi(y)的位置都是1（1≤i≤k），那么我们就认为y是集合中的元素，否则就认为y不是集合中的元素。下图中y1就不是集合中的元素（因为y1有一处指向了“0”位）。y2或者属于这个集合，或者刚好是一个false positive。 1.2、错误率估计前面我们已经提到了，Bloom Filter在判断一个元素是否属于它表示的集合时会有一定的错误率（false positive rate），下面我们就来估计错误率的大小。在估计之前为了简化模型，我们假设kn<m且各个哈希函数是完全随机的。当集合S={x1, x2,…,xn}的所有元素都被k个哈希函数映射到m位的位数组中时，这个位数组中某一位还是0的概率是：其中1/m表示任意一个哈希函数选中这一位的概率（前提是哈希函数是完全随机的），(1-1/m)表示哈希一次没有选中这一位的概率。要把S完全映射到位数组中，需要做kn次哈希。某一位还是0意味着kn次哈希都没有选中它，因此这个概率就是（1-1/m）的kn次方。令p = e-kn/m是为了简化运算，这里用到了计算e时常用的近似：令ρ为位数组中0的比例，则ρ的数学期望E(ρ)=p’。在ρ已知的情况下，要求的错误率（false positive rate）为： (1-ρ)为位数组中1的比例，(1-ρ)k就表示k次哈希都刚好选中1的区域，即false positive rate。上式中第二步近似在前面已经提到了，现在来看第一步近似。p’只是ρ的数学期望，在实际中ρ的值有可能偏离它的数学期望值。M. Mitzenmacher已经证明[2]，位数组中0的比例非常集中地分布在它的数学期望值的附近。因此，第一步的近似得以成立。分别将p和p’代入上式中，得：相比p’和f’，使用p和f通常在分析中更为方便。 1.3、最优的哈希函数个数既然Bloom Filter要靠多个哈希函数将集合映射到位数组中，那么应该选择几个哈希函数才能使元素查询时的错误率降到最低呢？这里有两个互斥的理由：如果哈希函数的个数多，那么在对一个不属于集合的元素进行查询时得到0的概率就大；但另一方面，如果哈希函数的个数少，那么位数组中的0就多。为了得到最优的哈希函数个数，我们需要根据上一小节中的错误率公式进行计算。先用p和f进行计算。注意到f = exp(k ln(1 − e−kn/m))，我们令g = k ln(1 − e−kn/m)，只要让g取到最小，f自然也取到最小。由于p = e-kn/m，我们可以将g写成根据对称性法则可以很容易看出当p = 1/2，也就是k = ln2· (m/n)时，g取得最小值。在这种情况下，最小错误率f等于(1/2)k≈(0.6185)m/n。另外，注意到p是位数组中某一位仍是0的概率，所以p = 1/2对应着位数组中0和1各一半。换句话说，要想保持错误率低，最好让位数组有一半还空着。需要强调的一点是，p = 1/2时错误率最小这个结果并不依赖于近似值p和f。同样对于f’ = exp(k ln(1 − (1 − 1/m)kn))，g’ = k ln(1 − (1 − 1/m)kn)，p’ = (1 − 1/m)kn，我们可以将g’写成同样根据对称性法则可以得到当p’ = 1/2时，g’取得最小值。 1.4、位数组的大小下面我们来看看，在不超过一定错误率的情况下，Bloom Filter至少需要多少位才能表示全集中任意n个元素的集合。假设全集中共有u个元素，允许的最大错误率为є，下面我们来求位数组的位数m。假设X为全集中任取n个元素的集合，F(X)是表示X的位数组。那么对于集合X中任意一个元素x，在s = F(X)中查询x都能得到肯定的结果，即s能够接受x。显然，由于Bloom Filter引入了错误，s能够接受的不仅仅是X中的元素，它还能够є (u - n)个false positive。因此，对于一个确定的位数组来说，它能够接受总共n + є (u - n)个元素。在n + є (u - n)个元素中，s真正表示的只有其中n个，所以一个确定的位数组可以表示个集合。m位的位数组共有2m个不同的组合，进而可以推出，m位的位数组可以表示个集合。全集中n个元素的集合总共有个，因此要让m位的位数组能够表示所有n个元素的集合，必须有即：上式中的近似前提是n和єu相比很小，这也是实际情况中常常发生的。根据上式，我们得出结论：在错误率不大于є的情况下，m至少要等于n log2(1/є)才能表示任意n个元素的集合。上一小节中我们曾算出当k = ln2· (m/n)时错误率f最小，这时f = (1/2)k= (1/2)mln2 / n。现在令f≤є，可以推出这个结果比前面我们算得的下界n log2(1/є)大了log2e≈1.44倍。这说明在哈希函数的个数取到最优时，要让错误率不超过є，m至少需要取到最小值的1.44倍。 1.5、概括在计算机科学中，我们常常会碰到时间换空间或者空间换时间的情况，即为了达到某一个方面的最优而牺牲另一个方面。Bloom Filter在时间空间这两个因素之外又引入了另一个因素：错误率。在使用Bloom Filter判断一个元素是否属于某个集合时，会有一定的错误率。也就是说，有可能把不属于这个集合的元素误认为属于这个集合（False Positive），但不会把属于这个集合的元素误认为不属于这个集合（False Negative）。在增加了错误率这个因素之后，Bloom Filter通过允许少量的错误来节省大量的存储空间。自从Burton Bloom在70年代提出Bloom Filter之后，Bloom Filter就被广泛用于拼写检查和数据库系统中。近一二十年，伴随着网络的普及和发展，Bloom Filter在网络领域获得了新生，各种Bloom Filter变种和新的应用不断出现。可以预见，随着网络应用的不断深入，新的变种和应用将会继续出现，Bloom Filter必将获得更大的发展。二、适用范围可以用来实现数据字典，进行数据的判重，或者集合求交集三、基本原理及要点对于原理来说很简单，位数组+k个独立hash函数。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是 counting Bloom filter，用一个counter数组代替位数组，就可以支持删除了。还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。当hash函数个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E的情况下，m至少要等于n*lg(1/E)才能表示任意n个元素的集合。但m还应该更大些，因为还要保证bit数组里至少一半为0，则m应该>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。这样k大概是8个。注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。四、扩展 Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。Counting bloom filter（CBF）将位数组中的每一位扩展为一个counter，从而支持了元素的删除操作。Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。五、问题实例给你A,B两个文件，各存放50亿条URL，每条URL占用64字节，内存限制是4G，让你找出A,B文件共同的URL。如果是三个乃至n个文件呢？根据这个问题我们来计算下内存的占用，4G=2^32大概是40亿*8大概是340亿，n=50亿，如果按出错率0.01算需要的大概是650亿个bit。现在可用的是340亿，相差并不多，这样可能会使出错率上升些。另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了。长按或扫描关注我们，每天分享技术内容还有学习干货资料哦！~

2018-11-28

Nodejs异步回调之异常处理实例

目前我们项目的Nodejs异常是通过express next 到 errorhandler 中间件去处理的，原本以为此方法可以捕获到所有的异常，但事实发现并非如此。

2018-11-23

Python图像处理：图像腐蚀与图像膨胀

1.图像膨胀膨胀的运算符是“⊕”，其定义如下：该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点

2018-11-22

处理大数据的技术大盘点

为了进行复杂的计算，独立个人计算机的处理能力也可以通过添加多个处理单元得以增强，它通过将复杂任务分解成子任务、同时执行单独子任务的方法，来执行复杂任务的处理。这样的系统通常被称为并行系统。

2018-11-20

如何处理JavaScript 中的货币值？

我们也越来越依赖技术来处理问题。然而，关于如何以编程处理货币价值尚无共识。虽然金钱是现代社会中普遍存在的概念，但相较于日期和时间之类的东西，它并不是任何主流语言中的一流数据类型。

2018-11-13

Python调用自然语言处理包HanLP

Python调用自然语言处理包HanLP3.png一句话安装pyhanlp，全自动下载安装配置，还支持升级。

2018-11-08

汉语言处理包Hanlp的使用

找到jpype官方文档给的例程（http://jpype.sourceforge.net/doc/user-guide/userguide.html），使用说明（http://blog.csdn.net

2018-10-25

polysh 同时处理多台服务器

zxvf polysh-0.4.tar.gz cd polysh-0.4 su python setup.py install Xshell配置Xagent 打开文件-属性，选择SSH选项，选择”使用密码处理的

2018-09-25

Android中的异步处理技术之AsyncTask

目录定义和作用 AsyncTask是在Executor框架的基础上进行的封装，它实现将耗时任务移动到工作线程中进行，同时提供了方便的接口实现了工作线程和主线程的通信。 AsyncTask主要的方法使用AsyncTask一般会用到如下方法 private static class MyTask extends AsyncTask<String,Integer,String>{ @Override protected void onPreExecute() { super.onPreExecute(); } @Override protected void onPostExecute(String s) { super.onPostExecute(s); } @Override protected void onProgressUpdate(Integer... values) { super.onProgressUpdate(values); } @Override protected void onCancelled(String s) { super.onCancelled(s); } @Override protected String doInBackground(String... strings) { return null; } } onPreExecute() 系统自动调用，一般用于UI的初始化 onPostExecute(Params params) 系统自动调用，用于任务执行完毕后的操作 onProgressUpdate(Progress... progress) 系统自动调用，一般用于更新进度条 onCancelled(Result result) 系统自动调用，任务取消时调用此方法，同时onPostExecute方法将不会被调用了 doInBackground(Result... result) 系统自动调用，用于执行后台操作 excute(Params... params) 需要手动调用，调用后将开始任务 publishProgress(count) 需要手动调用，此方法在类的内部实现，一般用于更新进度条的数据 AsyncTask的使用方法继承AsyncTask并实现其核心方法然后手动调用excute()方法。 public class MainActivity extends AppCompatActivity { private Button btStart; private ProgressBar pb; private TextView tvState; @Override protected void onCreate(Bundle savedInstanceState) { super.onCreate(savedInstanceState); setContentView(R.layout.activity_main); btStart = (Button) findViewById(R.id.bt_start); pb = (ProgressBar) findViewById(R.id.pb); tvState = (TextView) findViewById(R.id.tv_state); final MyTask myTask=new MyTask(pb,tvState); btStart.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { myTask.execute(); } }); } private static class MyTask extends AsyncTask<String,Integer,String>{ @SuppressLint("StaticFieldLeak") private TextView textView; @SuppressLint("StaticFieldLeak") private ProgressBar progressBar; public MyTask(ProgressBar progressBar,TextView textView) { this.progressBar=progressBar; this.textView=textView; } @Override protected void onPreExecute() { textView.setText("开始加载"); } @Override protected void onPostExecute(String s) { textView.setText("加载完毕"); } @Override protected void onProgressUpdate(Integer... values) { progressBar.setProgress(values[0]); } @Override protected void onCancelled(String s) { textView.setText("已取消"); } @Override protected String doInBackground(String... strings) { int count=0; try { while (count<=100){ count+=1; Thread.sleep(50); publishProgress(count); } } catch (InterruptedException e) { e.printStackTrace(); } return ""; } } } xml布局 <?xml version="1.0" encoding="utf-8"?> <LinearLayout xmlns:android="http://schemas.android.com/apk/res/android" xmlns:app="http://schemas.android.com/apk/res-auto" xmlns:tools="http://schemas.android.com/tools" android:layout_width="match_parent" android:orientation="vertical" android:layout_height="match_parent" tools:context=".MainActivity"> <Button android:layout_width="wrap_content" android:text="开始" android:id="@+id/bt_start" android:layout_gravity="center" android:layout_height="wrap_content" /> <ProgressBar android:layout_width="match_parent" android:layout_marginTop="20dp" android:max="100" android:id="@+id/pb" style="@style/Widget.AppCompat.ProgressBar.Horizontal" android:layout_height="wrap_content" /> <TextView android:layout_width="wrap_content" android:layout_marginTop="20dp" android:text="状态" android:id="@+id/tv_state" android:layout_gravity="center" android:layout_height="wrap_content" /> </LinearLayout> 注意 AsyncTask必须在UI线程中启动同一个AsyncTask实例对象只能执行1次，若执行第2次将会抛出异常 AsyncTask最好声明为静态内部类在不同版本的Android系统的 AsyncTask的execute和executeOnExecutor方法的运行有些许差别可以看到，如果想要AsyncTask并行执行任务的话，那么在API大于13的版本中建议使用executeOnExecutor代替execute。另外如果 AsyncTask是异步执行，最多也只能有四个任务可以同时进行，其他任务需要在队列中排队，等待空闲线程。之所以会出现这种情况是由于AsyncTask的源码决定的。 public abstract class AsyncTask<Params, Progress, Result> { private static final String LOG_TAG = "AsyncTask"; private static final int CPU_COUNT = Runtime.getRuntime().availableProcessors(); // We want at least 2 threads and at most 4 threads in the core pool, // preferring to have 1 less than the CPU count to avoid saturating // the CPU with background work private static final int CORE_POOL_SIZE = Math.max(2, Math.min(CPU_COUNT - 1, 4)); private static final int MAXIMUM_POOL_SIZE = CPU_COUNT * 2 + 1; private static final int KEEP_ALIVE_SECONDS = 30; private static final ThreadFactory sThreadFactory = new ThreadFactory() { private final AtomicInteger mCount = new AtomicInteger(1); public Thread newThread(Runnable r) { return new Thread(r, "AsyncTask #" + mCount.getAndIncrement()); } }; ... 个人技术博客：https://myml666.github.io/

2018-09-15

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

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。