首页 文章 精选 留言 我的

精选列表

搜索[spring],共10000篇文章
优秀的个人博客,低调大师

《Spring Mongo实战》第3招 别把表直接搬过来

凌晨两点,商品详情页的接口又超时了。前台页面要读商品、SKU、属性、图片、分类五个地方,代码里塞了五次查询和一堆拼装逻辑,比原来 MySQL 的 JOIN 还难维护。 我是老李,做后端十几年,最近接手了一个把 MySQL 商品中心迁到 MongoDB 的项目。团队一开始的做法非常直接:把原来的 `product`、`sku`、`attribute`、`image`、`category` 五张表,一张表建一个 Collection,字段都照搬。结果上线后详情页接口响应时间从 300ms 飙到 1.2s,库存扣减还出现了超卖迹象。 为什么现在要讲这件事?因为这两年数据库迁移和选型很热,但真正卡住大家的往往不是 CRUD、不是索引,而是从“表设计”到“文档设计”这道看不见的坎。 ## 01、痛点 很多人在学 MongoDB 时,把精力都放在 CRUD 和语法上,觉得会 `insertOne`、`updateOne`、聚合管道就算入门了。可真到迁移项目时,第一反应还是沿用关系库那套设计:每张表对应一个 Collection,字段一一照搬,外键照旧。结果就是前面说的场景:商品详情页要先查商品集合,再查 SKU 集合,再查属性集合,再查图片集合,最后再查分类集合。原本在 MySQL 里一条 `JOIN` 能拿到的数据,现在变成了应用层多次查询或一个巨大的聚合管道。 问题不在 MongoDB,而在我们用关系模型的思路去驱动一个文档模型。CRUD 只是招式,文档设计才是内功。官方文档里反复强调“按查询模式建模”,但很多人没当回事。等查询越来越慢、代码越来越复杂、事务越来越多,才意识到真正卡住自己的不是语法,而是设计。 ## 02、是什么 MongoDB 的文档模型和关系模型有本质区别。关系库里,数据被拆成扁平的二维表,用主外键维护关系,追求消除冗余,这就是第三范式。而 MongoDB 的一条文档可以嵌套数组和子对象,天然可以表达“一对多”甚至“多对多”的结构。 设计 MongoDB 模型时,核心问题只有一个:数据是嵌入(Embed)还是引用(Reference)。官方给出的建议是:先分析应用 Workload,也就是工作负载,再决定。具体来说,如果几类数据总是一起被读取,而且读取频率远高于更新频率,数据量有界,通常倾向于嵌入;如果数据需要独立查询、更新频繁、可能无界增长,或者需要单独管理,就更适合引用。 放到商品中心这个例子里,商品和 SKU、属性、图片几乎总是同时出现在详情页和列表页,这是典型的“一起读取”。SKU 数量通常几百个以内,属性十几条,图片几张到十几张,都是有界且读多写少,因此天然适合嵌进商品文档。而分类则不同,分类往往独立维护,一个分类下有大量商品,分类名称可能单独展示,也可能作为筛选条件被独立查询,所以更适合引用。 ## 03、为什么 为什么把 MySQL 每张表机械转换成一个 Collection 通常得不到 MongoDB 的优势?因为这样做等于保留了关系模型的结构,却丢失了关系数据库最擅长的事情——优化器、索引和成熟的 JOIN 机制。MongoDB 虽然提供了 `$lookup` 来模拟关联查询,但它本质上是在运行时做额外聚合,开销远高于关系库的预编译 JOIN。把五张表拆成五个集合后,每次详情页请求都要做多次磁盘读取或者多次 `$lookup`,随机 IO 增多,延迟自然就上来了。 更关键的是,文档数据库的核心优势之一就是单文档原子性和局部性:一个文档内的数据读写是原子的、一起加载的。如果模型设计合理,一次详情页查询只需要读取一个文档;如果像关系表那样拆开,就放弃了这一优势。另一个优势是横向扩展时的数据分片:如果商品和 SKU 分散在不同分片,跨片查询代价很高;但如果 SKU 嵌入商品文档,它们天然就在同一个分片上。 机械平移还会造成“四不像”:既没有关系库的强一致性约束,又没得到文档库的读取性能,代码里还要自己维护外键一致性。所以,不是 MongoDB 不行,而是需要真正按照文档思维重新设计。 ## 04、架构 传统的商品中心通常有五张关系表:`product`(商品主表)、`sku`(库存量单位,含颜色、规格、价格、库存)、`attribute`(商品属性键值对)、`image`(商品图片列表)、`category`(商品分类)。它们通过 `product_id`、`category_id` 等外键关联。在 MySQL 里,这是一套标准的第三范式设计,没什么问题。 迁移到 MongoDB 后,我们希望大多数商品查询一次就能拿到完整数据。于是把 `sku`、`attribute`、`image` 都嵌入到 `product` 文档中,而 `category` 保留为独立的 `categories` 集合,商品文档里只存一个 `category_id` 引用。新的 Product Document 大致长这样: ```json { _id: 'prod_10001', name: '氮化镓充电器 65W', category_id: 'cat_20', skus: [ { sku_id: 'sku_1', color: '白色', price: 129, stock: 200, attrs: { interface: '2C1A', power: '65W' } }, { sku_id: 'sku_2', color: '黑色', price: 129, stock: 50, attrs: { interface: '2C1A', power: '65W' } } ], attributes: [ { name: '品牌', value: '倍思' }, { name: '材质', value: 'PC' } ], images: [ 'https://cdn.example.com/prod_10001_1.jpg', 'https://cdn.example.com/prod_10001_2.jpg' ] } ``` 这个文档把详情页需要的主数据、SKU、属性、图片全都包含在一个文档里。一次 `db.products.findOne({_id: 'prod_10001'})` 就能拿到全部内容,不再需要跨集合拼装。 分类为什么保留引用?因为分类信息有独立生命周期:运营可能会单独修改分类名称、排序、上下级关系;分类也常作为列表页的筛选条件,独立查询需求明显;并且同一分类下可能有几十万商品,如果嵌入分类全量信息,冗余和一致性问题会很大。所以在商品文档里只放 `category_id`,需要分类名称时,再查一次 `categories` 集合,或者用缓存解决。 ## 05、实战 重构不是拍脑袋,必须从查询路径出发。我们第一步先列出商品中心最常执行的 Top10 查询,并标注频率和读写比。简化后的列表如下: | 编号 | 查询内容 | 频率 | 读写比 | | --- | --- | --- | --- | | Q1 | 按商品 ID 查详情页 | 极高 | 读多写少 | | Q2 | 按分类筛选商品列表 | 高 | 读多写少 | | Q3 | 扣减某个 SKU 库存 | 高 | 写多 | | Q4 | 修改某个 SKU 价格 | 中 | 写多 | | Q5 | 按属性组合搜索商品 | 中 | 读多 | | Q6 | 更新商品主图 | 低 | 写少 | | Q7 | 分类信息维护 | 低 | 读多写少 | | Q8 | 商品上架下架 | 中 | 写多 | | Q9 | 导出商品数据 | 低 | 读多 | | Q10 | 商品审核 | 低 | 读多写少 | 从这些查询可以看到,Q1、Q2、Q5、Q6、Q8 都涉及商品和 SKU、属性的整体读取或局部更新,所以把 SKU 和属性嵌入商品文档是合理的。Q3、Q4 虽然写多,但更新的是 SKU 数组内的某个字段,仍然在单文档内完成,可以用数组过滤更新。例如扣减库存可以写成: ```js db.products.updateOne( { _id: 'prod_10001', 'skus.sku_id': 'sku_1' }, { $inc: { 'skus.$.stock': -1 } } ) ``` 这条更新是单文档原子操作,不需要跨文档事务,也就避免了超卖。价格修改类似,用同样的数组定位方式更新 `skus.$.price`。 Q2 按分类筛选商品,由于商品文档里已经有 `category_id` 字段,只需要建立索引 `{ category_id: 1, created_at: -1 }` 即可。Q5 属性搜索虽然嵌入了属性数组,但可以建立多键索引 `{ 'attributes.name': 1, 'attributes.value': 1 }` 来优化。 分类信息独立成集合后,Q7 的分类维护完全不碰商品文档,运营改分类名称不会触发海量商品更新。详情页如果需要分类名称,可以在应用层做一次 `categories.findOne({_id: 'cat_20'})` 然后缓存,或者将分类名称冗余到商品文档中但采用异步修复。这里我们选择引用加缓存,保持商品文档的稳定。 重构完成后,我们对比了迁移前后的慢查询日志。商品详情页的平均查询次数从 6 次降到 1 次,响应时间从 1.2s 降到 180ms;库存扣减的 RT 从 80ms 降到 30ms,超卖问题消失。 ## 06、洞见 这次重构让我最深的感受是:MongoDB Schema 设计首先服务查询路径,而不是追求第三范式。关系库设计从实体和关系出发,目标是通过分解消除冗余;文档模型设计则从实际查询和更新出发,目标是最小化单次请求的读放大和跨文档操作。 在文档模型里,适当冗余不是罪过,反而是提高性能的常用手段。存储成本比计算成本便宜得多,把SKU、属性、图片塞进商品文档,虽然会让数据重复(比如多个 SKU 共享同一个属性组),但换来的是单文档读取的局部性和原子性。真正需要警惕的是写放大:如果某个嵌入数据变化非常频繁,且被大量文档冗余,那么每次更新都会引发大量写操作,这时就必须改成引用。 所以区分主数据和派生数据很关键。主数据应当尽量单点存储,比如分类名称;派生数据或者读多写少的数据可以冗余,比如商品上的分类名称。我们这里选择引用分类,是考虑到分类独立维护、商品数量大,冗余成本高。但如果分类信息极小且几乎不变,也可以嵌入分类名称,减少一次读取。 另一个洞见是:没有一劳永逸的模型。查询模式变了,文档设计也要跟着演进。官方强调 Workload-first,就是要求我们先量化查询频率和读写比例,而不是凭直觉。你可以把文档模型理解成针对 Top 查询的物化视图,如果 Top 查询变了,视图自然要重构。 ## 07、行动 如果你现在正打算把 MySQL 应用迁到 MongoDB,或者已经迁移但性能不佳,可以从下面几步开始纠偏: 1. 列出业务最核心的 Top10 查询,每条查询标注频率、读写比、涉及字段。 2. 按查询路径把实体分成若干“读取簇”,把总是同时出现的字段归为同一个簇。 3. 对每个簇判断是否适合嵌入:读多写少、数据量有界、需要原子性,就嵌入;独立查询、写入频繁、无界增长,就引用。 4. 设计文档结构时,优先保证 Top3 查询能通过一次文档读取完成。 5. 用真实数据量做压力测试,重点关注磁盘 IO、响应时间和写放大。 6. 上线后持续监控慢查询,定期复盘 Top10 查询是否变化,调整文档形状。 可以做一个简单表格来辅助决策: | 实体关系 | 是否一起读取 | 更新频率 | 数据量 | 决策 | | --- | --- | --- | --- | --- | | 商品-SKU | 是 | 低 | 小 | 嵌入 | | 商品-属性 | 是 | 低 | 小 | 嵌入 | | 商品-图片 | 是 | 低 | 小 | 嵌入 | | 商品-分类 | 偶尔 | 低 | 大 | 引用 | ## 08、小结 MongoDB 学习和迁移真正的第一道坎,不是 CRUD 语法,而是从“表设计”切换到“文档设计”。机械地把每张 MySQL 表转成一个 Collection,既丢了关系库的 JOIN 性能,又没得到文档库的单文档原子性和局部性。正确姿势是:先分析应用 Workload,列出 Top10 查询,再反推 Document Shape。频繁一起读取的数据倾向嵌入,独立查询、频繁变化或无界增长的数据更适合引用。商品中心的实战证明,按查询路径重新设计后,详情页查询次数从六次降到一次,性能提升明显。 ## 09、链接与概念说明 文中涉及几个关键概念,这里集中说明: - **文档模型(Document Model)**:MongoDB 的基本数据模型,一条记录称为文档,可以包含嵌套数组和子文档。 - **嵌入与引用(Embed vs Reference)**:MongoDB 数据建模的核心决策。嵌入将关联数据放在同一个文档中,引用只存关联键,需要时再查询。 - **Workload Analysis(工作负载分析)**:在建模前分析应用的读写模式、查询频率、数据量、读写比例等,指导建模。 - **第三范式与反范式化**:第三范式是关系库设计规范,强调消除非主属性对主属性的传递依赖;反范式化则是有意引入冗余以提升读取性能。 - **读放大与写放大**:读放大指一次逻辑读取需要多次物理读取;写放大指一次逻辑更新需要多次物理写入。文档建模需要在两者之间权衡。 - **$lookup**:MongoDB 聚合管道中的关联查询操作符,可以在查询时把两个集合的数据合并,但代价高于关系库 JOIN。 更多官方资料可以查看 MongoDB 文档中的 Data Modeling 部分:[https://www.mongodb.com/docs/manual/data-modeling/](https://www.mongodb.com/docs/manual/data-modeling/)。

优秀的个人博客,低调大师

《Spring Mongo实战》第12招 深分页也会慢

## 01、痛点 上周三夜里,我们一个用户 Feed 接口突然告警,P99 从 40ms 涨到 3.2s。我是老李,负责这块后端。第一反应是查 MongoDB 慢日志,看到一条语句: ``` db.feeds.find({ userId: 'u_1001' }).sort({ createdAt: -1, _id: -1 }).skip(200000).limit(20) ``` 这条语句来自运营后台,用户点到了第 1000 页。我们原本以为换了 MongoDB 就不会再遇到 MySQL 那种 LIMIT 100000,20 的深分页,结果还是被打脸。更麻烦的是,这个接口不是低频后台,而是 C 端 Feed 的旧实现,一直沿用 page、size 和 total。数据量从 5 万涨到 200 万后,深页查询把连接池占满,CPU 飙到 90%。 深分页的成本在哪儿?MongoDB 的 skip 并不是直接跳到第 200001 条位置,而是按排序顺序把前面 200000 条索引项扫描并丢弃,然后再返回 20 条。第 1 页只检查 20 条,第 1000 页却要检查 200020 条。问题不在 SQL 还是 NoSQL,而在“跳过大量偏移量”这个访问模式。这就是今天要聊的话题:为什么 MongoDB 不会自动消灭深分页,以及怎么用 lastId + createdAt 游标翻页解决 C 端顺序消费场景。 ## 02、是什么 先分清两个概念:偏移分页和游标分页。偏移分页就是常见的 skip/limit 或 SQL 的 OFFSET/LIMIT。它明确知道总页数,可以跳页,但成本随 offset 增大而上升。游标分页也叫 Seek Pagination 或 keyset pagination,它不传页码,只传上一页最后一条记录的游标,然后查询比游标更旧的数据。 MongoDB 中游标分页依赖两个关键点:排序稳定性和索引顺序。排序稳定性是指,如果只按 createdAt 降序排序,当很多记录 createdAt 相同时,MongoDB 不保证这些记录的顺序每次查询一致,翻页就可能重复或漏掉。解决方法是加一个唯一字段做决胜条件。这里我们选 _id,因为 _id 天然唯一且不可变。排序写成: ``` { createdAt: -1, _id: -1 } ``` 游标就需要同时记录上一条的 createdAt 和 _id。下一页查询条件分两段:要么 createdAt 更早,要么 createdAt 相等但 _id 更小。用 $or 表达: ``` { $or: [ { createdAt: { $lt: new Date(lastCreatedAt) } }, { createdAt: new Date(lastCreatedAt), _id: { $lt: ObjectId(lastId) } } ] } ``` 这样查询可以走 { createdAt: -1, _id: -1 } 或 { userId: 1, createdAt: -1, _id: -1 } 的范围索引,从游标位置继续向后取一页,而不是从第 0 条开始跳过。 所以,Seek Pagination 的本质是把“按数量跳过”变成“按值定位”。索引擅长按值定位,不擅长按偏移计数。 ## 03、为什么 为什么 MongoDB 不会自动消灭深分页?因为 skip 的语义没有变。即使底层是 WiredTiger 的 B 树索引,也没有办法直接定位到“第 200001 个”位置。偏移量不是索引键,索引只能高效定位到某个值或值范围,不能高效跳到某个编号。skip 200000 时,引擎必须从排序起点开始,逐个索引项扫描并丢弃 20 万条,再把后面的 20 条返回。 如果排序字段和查询条件没有完全命中索引,情况更糟。MongoDB 还可能把大量文档读入内存排序,超过 100MB 直接报错。即使命中索引,深页的 totalKeysExamined 和 totalDocsExamined 依旧会膨胀,执行时间随页数线性增长。 在分片集群里,这种成本会被进一步放大。mongos 需要从各个分片拉取符合排序条件的数据,合并排序后再执行 skip。深页意味着每个分片都可能返回巨量数据,网络传输、内存排序、临时空间都会增加。换句话说,分布式不仅没有自动优化深分页,很多时候还会放大它。 SQL 的 OFFSET 也一样。很多团队把 MySQL 换成 MongoDB,代码只是把 LIMIT 100000,20 改成 skip(100000).limit(20)。数据库变了,访问模式没变,深分页自然不会消失。所以问题根源是访问模式:随机跳页天然昂贵,顺序消费天然可优化。 ## 04、架构 既然根因在访问模式,方案就要按访问模式拆开。我的建议是:后台管理保留 Pageable,用户 Feed 改 Cursor Pagination。 后台管理为什么保留 Pageable?因为运营、客服、风控确实需要知道总页数,也需要跳到某一页。后台使用频率低,数据规模通常可控,保留页码分页可以接受,但要限制每页最大条数,比如 20/50,并且最好限制最大深度或提供筛选、搜索、时间范围,避免人工点到第 1000 页。 用户 Feed 则完全不同。C 端用户几乎不会点击页码跳页,他们的行为是向下滚动,不断加载更多。这种顺序消费场景天然适合游标分页。接口不再出现 page、size、total,而是: ``` { 'items': [...], 'nextCursor': 'MTY...', 'hasMore': true } ``` nextCursor 由最后一条记录的 createdAt 与 _id 编码而来,base64 之外还可以加一层签名,避免客户端伪造。服务端解析后生成 $or 条件,继续走范围查询。 索引设计上,Feed 集合典型查询是某个用户的时间线,复合索引可以设计为: ``` { userId: 1, createdAt: -1, _id: -1 } ``` 等值字段 userId 放最前,排序字段 createdAt、_id 按查询排序顺序放后面。这样每个用户的时间线范围查询都能走索引,游标越深,性能和第一页仍然是一个量级。 架构上可以这样落地:网关层定义两套分页协议。后台管理传 page 和 size,Feed 传 cursor 和 limit。后台服务继续用 Pageable。Feed 服务只接受 CursorRequest,如果发现客户端传 skip 或 page,直接返回参数错误,从协议上杜绝深分页。 ## 05、实战 先造一批数据。假设有一个 feed 集合,用下面的 Mongo shell 脚本插入 20 万条: ``` for (let i = 0; i limit; const resultItems = hasMore ? items.slice(0, limit) : items; const nextCursor = hasMore ? encodeCursor(resultItems[resultItems.length - 1]) : null; return { items: resultItems, nextCursor, hasMore }; } ``` 这里多取一条 limit + 1,只是为了判断 hasMore,不会额外返回给客户端。encodeCursor 可以把最后一条的 createdAt 和 _id 编码成字符串;decodeCursor 则负责解析并校验 ObjectId 是否合法。 用游标翻页连续请求 100 页,延迟基本和第一页一致。因为每一页都从索引的某个值开始,范围扫描只检查 21 条左右。再 explain 一次,totalKeysExamined 大约是 21,而不是 200021。 有两个坑要提醒。第一,createdAt 可能重复,所以必须带 _id 做决胜条件,否则相同时间的数据可能在翻页时被漏掉或重复。第二,游标字段必须是不可变字段。如果业务会修改 createdAt,就不要用 createdAt 做游标,改用 _id 或一个不可变的时间字段。 ## 06、洞见 这次踩坑给我最大的启发是:分页问题来自访问模式,而不是来自 SQL 还是 NoSQL。很多团队迁移到 MongoDB,只是把 OFFSET 换成 skip,分页交互还是“第几页/共几页”。只要用户仍然能跳到第 1000 页,深分页成本就不会消失。 数据库能帮你做的是优化某种访问模式,而不是消除访问模式本身。MongoDB 的索引可以快速定位到某个值或范围,但无法高效定位到第 N 条。键集分页利用前者,偏移分页掉进后者。 这也能解释为什么后台可以继续用 Pageable。不是后台不会遇到深分页,而是后台访问频率低、用户量少,限制深度后成本可以接受。真正高频的 C 端 Feed,必须改造成顺序消费。 如果产品坚持要总页数,我建议先让产品回答一个问题:用户真的需要跳到第 1000 页吗?大多数情况下,他们要的是搜索、筛选、时间范围。优化分页,有时不是改 SQL 或 MongoDB,而是改产品交互。 所以最后我们定了两条原则:能顺序消费就不要随机跳页;需要跳页就限制深度。后台管理保留 Pageable,用户 Feed 改 Cursor Pagination。 ## 07、行动 落地时,我建议按下面步骤推进。 第一,盘点所有 MongoDB 分页接口,找出 skip 超过一定阈值的查询。慢日志里通常能看到 totalKeysExamined 很大的语句。 第二,按场景分类。后台管理保留 Pageable,但设置每页最大条数不超过 50,并限制允许翻到的最大深度,或引导使用搜索和筛选。C 端 Feed 改造成 Cursor Pagination,不再暴露 page、size、total。 第三,建索引。确保索引顺序和查询排序一致。典型像 { userId: 1, createdAt: -1, _id: -1 }。用 explain('executionStats') 验证 totalKeysExamined 是否接近每页条数。 第四,接口改造。Feed 接口返回 nextCursor 和 hasMore,前端改为滚动加载。旧接口可以保留一段时间做灰度,新版本先发前端兼容,稳定后再下线 skip 实现。 第五,测试。用相同数据量对比 skip 深页和游标翻页的延迟与扫描数。形成回归用例,保证以后不会有人在 Feed 接口里加回 page 参数。 第六,监控。观察慢查询、游标接口的 P99、索引命中率。还可以设置告警,当某条查询 totalKeysExamined 超过阈值时通知。 决策表如下: | 场景 | 分页方式 | 是否返回 total | 是否可跳页 | 深度限制 | | 后台管理 | Pageable | 是 | 是 | 限制每页条数和最大深度 | | 用户 Feed | Cursor | 否 | 否 | 顺序加载 | | 内部导出 | 流式游标 | 否 | 否 | 顺序扫描 | ## 08、小结 MongoDB 的 skip/limit 用起来简单,但深分页成本会随偏移量线性增长。换 NoSQL 不会自动消灭深分页,因为真正的根因是访问模式:随机跳页与顺序消费的成本结构不同。 解决思路不是一刀切,而是按场景拆开。后台管理保留 Pageable,限制深度;用户 Feed 改用 lastId + createdAt 游标翻页,配合 { userId: 1, createdAt: -1, _id: -1 } 这样的索引,让每页查询只扫描固定条数,不再越翻越慢。 数据库不会替你决定访问模式。先把交互和接口协议管住,才是解决深分页的第一步。 ## 09、链接与概念说明 概念说明: - 深分页:跳过大量偏移量后才返回结果的分页方式,成本与偏移量正相关。 - 游标翻页:用上一页最后记录的排序字段值作为起点继续查询,也叫 Seek Pagination 或 keyset pagination。 - 排序稳定性:排序字段相等时,用唯一字段 _id 做决胜条件,避免翻页重复或遗漏。 - 索引顺序:查询的排序字段和顺序需要与复合索引匹配,否则可能出现内存排序。 - ESR 原则:复合索引优先放置等值字段,再放排序字段,最后放范围字段。 建议阅读 MongoDB 官方文档: - Cursor.skip:docs.mongodb.com/manual/reference/method/cursor.skip/ - Cursor.sort:docs.mongodb.com/manual/reference/method/cursor.sort/ - Explain Results:docs.mongodb.com/manual/reference/explain-results/ - ObjectId:docs.mongodb.com/manual/reference/method/ObjectId/ - Compound Indexes:docs.mongodb.com/manual/core/index-compound/

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。

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。

Rocky Linux

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

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。

用户登录
用户注册
修改密码
忘记密码