首页 文章 精选 留言 我的

精选列表

搜索[速度]，共10005篇文章
优秀的个人博客,低调大师

IDEA中这么玩MyBatis，让编码速度飞起！

云栖号资讯：【点击查看更多行业资讯】在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ IDEA 逆向 MyBatis 工程时，不像支持 Hibernate 那样有自带插件，需要集成第三方的 MyBatis Generator。MyBatis Generator的详细介绍 http://mybatis.github.io/generator/index.html 本篇博客图解 MyBatis Generator 的使用过程，并结合实战说明逆向工程的使用方式。 搭建 MyBatis Generator 插件环境 添加插件依赖 pom.xml <!--mybatis 逆向生成插件--> <plugin> <groupId>org.mybatis.generator</groupId> <artifactId>mybatis-generator-maven-plugin</artifactId> <version>1.3.2</version> <configuration> <configurationFile>src/main/resources/generatorConfig.xml</configurationFile> <verbose>true</verbose> <overwrite>true</overwrite> </configuration> <executions> <execution> <id>Generate MyBatis Artifacts</id> </execution> </executions> <dependencies> <dependency> <groupId>org.mybatis.generator</groupId> <artifactId>mybatis-generator-core</artifactId> <version>1.3.2</version> </dependency> </dependencies> </plugin> b.配置文件 generatorConfig.xml <?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE generatorConfiguration PUBLIC "-//mybatis.org//DTD MyBatis Generator Configuration 1.0//EN" "http://mybatis.org/dtd/mybatis-generator-config_1_0.dtd"> <generatorConfiguration> <properties resource="jdbc.properties"/> <classPathEntry location="${jdbc_driverLocation}"/> <!--指定特定数据库的jdbc驱动jar包的位置--> <context id="default" targetRuntime="MyBatis3"> <!-- optional，旨在创建class时，对注释进行控制 --> <commentGenerator> <property name="suppressDate" value="true"/> <property name="suppressAllComments" value="true"/> </commentGenerator> <!--jdbc的数据库连接 --> <jdbcConnection driverClass="${jdbc_driverClass}" connectionURL="${jdbc_url}" userId="${jdbc_user}" password="${jdbc_pwd}"> </jdbcConnection> <!-- 非必需，类型处理器，在数据库类型和java类型之间的转换控制--> <javaTypeResolver><property name="forceBigDecimals" value="false"/></javaTypeResolver> <!-- Model模型生成器,用来生成含有主键key的类，记录类 以及查询Example类 targetPackage 指定生成的model生成所在的包名 targetProject 指定在该项目下所在的路径 --> <javaModelGenerator targetPackage="com.rambo.sdm.dao.pojo" targetProject="src/main/java"> <!-- 是否允许子包，即targetPackage.schemaName.tableName --> <property name="enableSubPackages" value="false"/> <!-- 是否对model添加 构造函数 --> <property name="constructorBased" value="true"/> <!-- 是否对类CHAR类型的列的数据进行trim操作 --> <property name="trimStrings" value="true"/> <!-- 建立的Model对象是否 不可改变 即生成的Model对象不会有 setter方法，只有构造方法 --> <property name="immutable" value="false"/> </javaModelGenerator> <!--Mapper映射文件生成所在的目录 为每一个数据库的表生成对应的SqlMap文件 --> <sqlMapGenerator targetPackage="com.rambo.sdm.dao.mapper" targetProject="src/main/java"> <property name="enableSubPackages" value="false"/> </sqlMapGenerator> <!-- 客户端代码，生成易于使用的针对Model对象和XML配置文件 的代码 type="ANNOTATEDMAPPER",生成Java Model 和基于注解的Mapper对象 type="MIXEDMAPPER",生成基于注解的Java Model 和相应的Mapper对象 type="XMLMAPPER",生成SQLMap XML文件和独立的Mapper接口 --> <javaClientGenerator targetPackage="com.rambo.sdm.dao.inter" targetProject="src/main/java" type="XMLMAPPER"> <property name="enableSubPackages" value="true"/> </javaClientGenerator> <table tableName="user" domainObjectName="UserPO"> <generatedKey column="uuid" sqlStatement="SELECT REPLACE(UUID(),'-','') UUID FROM DUAL"/> </table> </context> </generatorConfiguration> c.数据库配置文件 jdbc.properties jdbc_driverLocation=D:\\Program Files\\Repository\\mysql\\mysql-connector-java\\5.1.38\\mysql-connector-java-5.1.38.jar jdbc_driverClass=com.mysql.jdbc.Driver jdbc_url=jdbc:mysql://localhost:3306/db_test?useUnicode=true&amp;characterEncoding=utf-8 jdbc_user=root jdbc_pwd=123456 validationQuery = select 1 配置插件启动项 项目实战 User类就是普通的实体类，定义了数据库对应的字段，以及set/get方法。Mybatis 引入了 Example 类，用来封装数据库查询条件。关注公众号互联网架构师，回复关键字2T，获取最新架构视频 a.比如在一个项目 我们要删除某个小组下某个用户的信息 public int deleteUserApplyInfo(long user_id,long team_id){ StudyTeamUserApplyInfoExample ue = new StudyTeamUserApplyInfoExample(); ue.createCriteria().andUserIdEqualTo(new BigDecimal(user_id)).andTeamIdEqualTo(new BigDecimal(team_id)); return studyTeamUserApplyInfoDAO.deleteByExample(ue); } b.根据小组ID（非主键 更新小组信息） public int updateStudyTeamInfo(StudyTeamInfo st){ StudyTeamInfoExample ste = new StudyTeamInfoExample(); ste.createCriteria().andTeamIdEqualTo(st.getTeamId()); return studyTeamInfoDAO.updateByExampleSelective(st,ste); } c.其它 （1）模糊查询并且排序 public List<StudyTeamInfo> getStudyTeamInfoByName(String team_name){ StudyTeamInfoExample se = new StudyTeamInfoExample(); se.createCriteria().andTeamNameLike("%"+team_name+"%").andEnableEqualTo((short)1); se.setOrderByClause("team_score desc"); List<StudyTeamInfo> ls = studyTeamInfoDAO.selectByExample(se); if(ls!=null&&ls.size()>0){ return ls; } return null; } （2）大于等于某个分数 并且小于某个分数的查询 public StudyTeamLevel getStudyTeamLevel(long score){ StudyTeamLevelExample le = new StudyTeamLevelExample(); le.createCriteria().andNeedScoreLessThanOrEqualTo(score).andUpScoreGreaterThan(score); List<StudyTeamLevel> ls = studyTeamLevelDAO.selectByExample(le); if(ls!=null&&ls.size()>0){ return ls.get(0); } return null; } 【云栖号在线课堂】每天都有产品技术专家分享！课程地址：https://yqh.aliyun.com/zhibo 立即加入社群，与专家面对面，及时了解课程最新动态！【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK 原文发布时间：2020-07-12本文作者：Orson本文来自：“互联网架构师”，了解相关信息可以关注“互联网架构师”
2020-07-12
优秀的个人博客,低调大师

速度收藏！看完这份知识图谱，才算搞懂 Flink！

先跟大家分享一个好消息！即日起，Apache Flink 社区微信公众号 Ververica 正式更名为 Flink 中文社区 并由 Apache Flink PMC 成员进行维护，是国内唯一的 Flink 社区官方微信公众号，详细信息请见次条「声明」。 在去年的一年中，Flink 中文社区共发布文章 144 篇，通过提供 Flink 技术原理剖析、上手实操、多场景下的最佳实践以及社区的最新资讯等帮助大家更好的理解、使用 Flink。 同时，我们也发现当前社区除文章、直播教程、Meetup 外还缺少一个清晰的图谱让大家了解 Flink 完整的技术体系与学习路径。因此，社区整理了这样一份知识图谱，由 Apache Flink Committer 执笔，四位 PMC 成员审核，将 Flink 9 大技术版块详细拆分，突出重点内容并搭配全面的学习素材。看完这份图谱，才算真的搞懂 Flink！ ▽ Flink 知识图谱概览 ▽ 如何获取？ 关注「Flink 中文社区」微信公众号，后台回复关键字“图谱”即可下载 PDF 版本，内含大量补充链接，一键点击即可查看相关素材！ 最实用的知识图谱 1.内容全面，将 Flink 所涉及的技术内容划分为 9 大版块，每部分内容进行详细分解，并提供学习路径及深入了解的学习素材。 Streaming Processing Concepts(common concepts for stream processing) Architecture State Management DataStream Libraries Table API & SQL Deployment and Operations Debugging and Monitoring Ecosystem Use Cases 2.层次分明，将各部分技术内容中的基础入门知识进行标示，重点突出，帮你找到清晰的学习路径。 3.方便实用，每个知识点附带补充说明的链接与最佳学习素材，可及时进行深度探索，有助于理解消化。 4.强大的拓展阅读资料配置，整合了社区全年输出的技术文章、系列直播教程、线下 Meetup 及 Flink Forward Asia 的精华内容，一图在手，学好 Flink 不用愁！ 各版块知识点详解 Streaming Processing Concepts(common concepts for stream processing) Architecture State Management DataStream Libraries Table API & SQL Deployment and Operations Debugging and Monitoring Ecosystem Use Cases 部分知识图谱扩展素材 直播教程 | Flink 基础概念解析| Flink 开发环境搭建和应用的配置、部署及运行| Flink Datastream API 编程| Flink 客户端操作| Flink Time & Window | Flink 状态管理及容错机制| Flink Table API 编程| Flink SQL 编程实践| 5分钟从零构建第一个 Flink 应用| 零基础实战教程：如何计算实时热门商品| Runtime 核心机制剖析| 时间属性深度解析| Checkpoint 原理剖析与应用实践| Flink on Yarn / K8s 原理剖析及实践| 数据类型和序列化| Flink 作业执行深度解析| 网络流控和反压剖析| 详解 Metrics 原理与实战 User Case 及补充 | 小米流式平台架构演进与实践| 美团点评基于 Flink 的实时数仓平台实践| 监控指标10K+！携程实时智能检测平台实践| Lyft 基于 Flink 的大规模准实时数据分析平台| 基于 Flink 构建 CEP 引擎的挑战和实践| 趣头条基于 Flink 的实时平台建设实践| G7 在实时计算的探索与实践| Flink 靠什么征服饿了么工程师？| Apache Flink 的迁移之路，2 年处理效果提升 5 倍| 日均百亿级日志处理：微博基于 Flink 的实时计算平台建设| Flink 在同程艺龙实时计算平台的研发与应用实践| 从 Storm 到 Flink，汽车之家基于 Flink 的实时 SQL 平台设计思路与实践| 日均处理万亿数据！Apache Flink在快手的应用实践与技术演进之路| 从 Spark Streaming 到 Apache Flink : 实时数据流在爱奇艺的演进| Apache Flink 在 eBay 监控系统上的实践和应用| 每天30亿条笔记展示，小红书如何实现实时高效推荐？| 360深度实践：Flink 与 Storm 协议级对比| Blink 有何特别之处？菜鸟供应链场景最佳实践| 58 集团大规模Storm 任务平滑迁移至 Flink 的秘密| 从Storm到Flink，有赞五年实时计算效率提升实践 拓展链接 | https://ververica.cn/developers/table-api-programming/| https://sf-2017.flink-forward.org/kb_sessions/streaming-models-how-ing-adds-models-at-runtime-to-catch-fraudsters/| https://sf-2017.flink-forward.org/kb_sessions/building-a-real-time-anomaly-detection-system-with-flink-mux/| https://sf-2017.flink-forward.org/kb_sessions/dynamically-configured-stream-processing-using-flink-kafka/| https://jobs.zalando.com/en/tech/blog/complex-event-generation-for-business-process-monitoring-using-apache-flink/| https://berlin-2017.flink-forward.org/kb_sessions/drivetribes-kappa-architecture-with-apache-flink/| https://2016.flink-forward.org/kb_sessions/a-brief-history-of-time-with-apache-flink-real-time-monitoring-and-analysis-with-flink-kafka-hb/| https://ci.apache.org/projects/flink/flink-docs-master/monitoring/checkpoint_monitoring.html| https://ci.apache.org/projects/flink/flink-docs-master/dev/table/functions/udfs.html| https://ci.apache.org/projects/flink/flink-docs-master/dev/table/functions/systemFunctions.html| https://ci.apache.org/projects/flink/flink-docs-master/dev/table/streaming/dynamic_tables.html| https://ci.apache.org/projects/flink/flink-docs-master/monitoring/metrics.html 重磅福利 Flink 社区知识图谱免费下载链接来啦～关注「Flink 中文社区」，后台回复关键字“图谱”即可下载，并有直播课程详解知识图谱的正确打开方式，让你一图在手，学好 Flink 不用愁！
2020-02-12
优秀的个人博客,低调大师

认识医生：为了600毫秒的反应速度

我们的名字？ 我们是认识医生（杭州认识科技有限公司），是智慧随访整体解决方案提供商。 医疗数据高并发，我们一开始就注定了上云之路 我们作为一家致力通过AI智慧医疗随访来服务社会的企业，需要面对和处理来自合作医院的高并发数据，所以项目从开始研发就注定与云服务的合作。 我们关注于如何让医护人员更有效的获取患者诊后病情症状；如何让医院和病患更有效的交互；如何让医生随时查看患者即时疾病信息，以便根据病情现状快速作出干预。这都需要即时而迅速的数据处理和反馈。作为创业型企业，自己搭建在人力和成本上都太不现实了，所以说我们注定上云。 举例来说，患者离开医院后，医生可以通过我们的系统，以智能语音外呼的方式主动了解患者的身体情况，作为后续诊疗的重要参考。在线应答的反应时间要控制在600毫秒内，否则患者体验就不够好。有了阿里云的支持，我们才有可能在如此短的时间内触达全国消费者。 老板和IT，都看中了阿里云 选择阿里云，我们没有太大的顾虑。作为老板，我看中的首先是数据安全和成本。我认为阿里云是值得信赖的，合作这么长时间来，也确实没有一次是因为阿里云导致的系统问题；成本上，阿里云确实性价比高，收费还是很合理。我的IT人员，当然主要看上阿里云能帮助他们多大限度地缩短项目周期。那么我们上下都一致地选择了阿里云。 目前使用：云主机、云空间、阿里云分析、短信服务打算使用：虚拟运营商、区块链技术 扫描二维码，阿里云618等你拼团上云！
2019-06-12
优秀的个人博客,低调大师

基于Python装饰器的向量化计算速度对比

timer是一个装饰器，功能是给被装饰的函数计时。如果要进一步了解装饰器的使用，点击此链接Python闭包函数和装饰器 sumOfLoop函数是常规的使用for进行循环遍历求和的方法； sumOfComprehension函数使用推导式得出新的列表，然后用内置sum函数求出列表的和； sumOfVectorization函数使用np.dot方法求出两个数据类型的为numpy.ndarray的对象的点积，两个向量a = [a1, a2,…, an]和b = [b1, b2,…, bn]的点积定义为：a·b=a1b1+a2b2+……+anbn。 np.random.rand()方法需要传入一个参数，例如传入参数为5，则返回一个数据类型为numpy.ndarray、长度为5、其中元素的值范围为0-1的对象，如下图所示： np.random.rand()方法.png from time import time import numpy as np def timer(func): def inner(*args,**kwargs): start = time() result = func(*args,**kwargs) end = time() usedTime = 1000 * (end - start) print("%s function used %.2f ms,return %.4f" %(func.__name__,usedTime,result)) return result return inner @timer def sumOfLoop(np_array): result = 0 for i in np_array: result += i * i return result @timer def sumOfComprehension(np_array): return sum([i * i for i in np_array]) @timer def sumOfVectorization(np_array): return np.dot(np_array,np_array) if __name__ == "__main__": print("计算小数平方和三种方法对比:") n = np.random.rand(3000000) a = sumOfLoop(n) print(a) sumOfComprehension(n) sumOfVectorization(n) print("计算整数平方和三种方法对比:") n = np.array(range(3000000)).astype('int64') sumOfLoop(n) sumOfComprehension(n) sumOfVectorization(n) 本文作者在2018年7月13日晚11点的运行结果如下： 计算小数平方和三种方法对比: sumOfLoop function used 1036.76 ms,return 999213.4882 sumOfComprehension function used 1103.75 ms,return 999213.4882 sumOfVectorization function used 2.00 ms,return 999213.4882 计算整数平方和三种方法对比: sumOfLoop function used 545.89 ms,return 8999995500000499712.0000 sumOfComprehension function used 718.86 ms,return 8999995500000499712.0000 sumOfVectorization function used 5.00 ms,return 8999995500000499712.0000
2018-07-12

资源下载

更多资源
Mario

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。

时间: 2026-04-11 大小: 211.28KB 下载: 56次
Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

时间: 2026-04-24 大小: 189MB 下载: 6次
Spring

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。

时间: 2025-12-17 大小: 5MB 下载: 1次
Sublime Text

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。

时间: 2025-12-03 大小: 9.84MB 下载: 39次
热门标签
DeepSeek Jdk25 OpenAi HarmonyOS6 Nacos3 SpringBoot4 SpringCloud Docker Kubernetes Service Mesh Redis Gemini3 Rocky

欢迎您来访！

登录后，您将获得更多功能！
热门文章
联系我们

有任何问题或合作意向欢迎联系我们

Email: 99873273@qq.com

QQ: 99873273

用户登录
用户注册