Dubbo源碼(八) - 負載均衡

来源:https://www.cnblogs.com/konghuanxi/archive/2022/08/16/16591298.html
-Advertisement-
Play Games

前言 本文基於Dubbo2.6.x版本,中文註釋版源碼已上傳github:xiaoguyu/dubbo 負載均衡,英文名稱為Load Balance,其含義就是指將負載(工作任務)進行平衡、分攤到多個操作單元上進行運行。 例如:在Dubbo中,同一個服務有多個服務提供者,每個服務提供者所在的機器性能 ...


前言

本文基於Dubbo2.6.x版本,中文註釋版源碼已上傳github:xiaoguyu/dubbo

負載均衡,英文名稱為Load Balance,其含義就是指將負載(工作任務)進行平衡、分攤到多個操作單元上進行運行。

例如:在Dubbo中,同一個服務有多個服務提供者,每個服務提供者所在的機器性能不一致。如果流量均勻分攤,則會導致有些服務提供者負載過高,有些則輕輕鬆松,導致資源浪費。負載均衡就解決這個問題。

源碼

LoadBalance就是負載均衡的介面,咱們先看看類圖

Untitled

Dubbo提供了4中內置的負載均衡實現:

  1. RandomLoadBalance:基於權重隨機演算法
  2. LeastActiveLoadBalance:基於最少活躍調用數演算法
  3. ConsistentHashLoadBalance:基於 hash 一致性演算法
  4. RoundRobinLoadBalance:基於加權輪詢演算法

那麼負載均衡是在哪裡被用的的呢?

AbstractClusterInvokerselectreselect方法。不熟悉這兩個方法的,可以去看《Dubbo集群》

AbstractLoadBalance

抽象類封裝了一些公共的邏輯,在看具體實現類之前,我們先看看抽象類AbstractLoadBalance中的方法

public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {
    if (invokers == null || invokers.isEmpty())
        return null;
    // 如果 invokers 列表中僅有一個 Invoker,直接返回即可,無需進行負載均衡
    if (invokers.size() == 1)
        return invokers.get(0);
    // 調用 doSelect 方法進行負載均衡,該方法為抽象方法,由子類實現
    return doSelect(invokers, url, invocation);
}

LoadBalance介面只有一個方法,那就是 select 方法,這是負載均衡的入口。根據 invoker 數量判斷是否需要進行負載均衡。這裡的 doSelect 是個抽象方法,由子類實現。

protected int getWeight(Invoker<?> invoker, Invocation invocation) {
    int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
    if (weight > 0) {
        // 獲取服務提供者啟動時間戳
        long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);
        if (timestamp > 0L) {
            // 計算服務提供者運行時長
            int uptime = (int) (System.currentTimeMillis() - timestamp);
            // 獲取服務預熱時間,預設為10分鐘
            int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);
            // 如果服務運行時間小於預熱時間,則重新計算服務權重,即降權
            if (uptime > 0 && uptime < warmup) {
                // 重新計算服務權重
                weight = calculateWarmupWeight(uptime, warmup, weight);
            }
        }
    }
    return weight;
}

static int calculateWarmupWeight(int uptime, int warmup, int weight) {
    // 計算權重,下麵代碼邏輯上形似於 (uptime / warmup) * weight。
    // 隨著服務運行時間 uptime 增大,權重計算值 ww 會慢慢接近配置值 weight
    int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
    return ww < 1 ? 1 : (ww > weight ? weight : ww);
}

getWeight 是獲取權重的方法,預設權重為100,這裡有個服務預熱的操作,當服務的啟動時間小於預熱時間,權重會減少,這個權重由 calculateWarmupWeight 方法計算。

預熱的目的是讓服務啟動後“低功率”運行一段時間,使其效率慢慢提升至最佳狀態。

以上就是抽象類的全部方法。下麵我們看實現類的。

RandomLoadBalance

RandomLoadBalance 是加權隨機演算法的具體實現,是Dubbo預設的負載均衡策略。

假設我們有一組伺服器 servers = [A, B, C],他們對應的權重為 weights = [5, 3, 2],權重總和為10。

Untitled

我們取一個大於等於0,小於10的隨機數,計算隨機數落在哪個區間。例如4在A區間,7在B區間。

權重越大,落在該區間的概率就越大。這就是加權隨機演算法。

下麵看具體代碼實現

public class RandomLoadBalance extends AbstractLoadBalance {

    public static final String NAME = "random";

    private final Random random = new Random();

    @Override
    protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
        int length = invokers.size(); // Number of invokers
        int totalWeight = 0; // The sum of weights
        boolean sameWeight = true; // Every invoker has the same weight?
        // 下麵這個迴圈有兩個作用,第一是計算總權重 totalWeight,
        // 第二是檢測每個服務提供者的權重是否相同
        for (int i = 0; i < length; i++) {
            int weight = getWeight(invokers.get(i), invocation);
            totalWeight += weight; // Sum
            // 檢測當前服務提供者的權重與上一個服務提供者的權重是否相同,
            // 不相同的話,則將 sameWeight 置為 false。
            if (sameWeight && i > 0
                    && weight != getWeight(invokers.get(i - 1), invocation)) {
                sameWeight = false;
            }
        }
        if (totalWeight > 0 && !sameWeight) {
            // 隨機獲取一個 [0, totalWeight) 區間內的數字
            int offset = random.nextInt(totalWeight);
            // Return a invoker based on the random value.
            // 迴圈讓 offset 數減去服務提供者權重值,當 offset 小於0時,返回相應的 Invoker。
            // 舉例說明一下,我們有 servers = [A, B, C],weights = [5, 3, 2],offset = 7。
            // 第一次迴圈,offset - 5 = 2 > 0,即 offset > 5,
            // 表明其不會落在伺服器 A 對應的區間上。
            // 第二次迴圈,offset - 3 = -1 < 0,即 5 < offset < 8,
            // 表明其會落在伺服器 B 對應的區間上
            for (int i = 0; i < length; i++) {
                // 讓隨機值 offset 減去權重值
                offset -= getWeight(invokers.get(i), invocation);
                if (offset < 0) {
                    // 返回相應的 Invoker
                    return invokers.get(i);
                }
            }
        }
        // 如果所有服務提供者權重值相同,此時直接隨機返回一個即可
        return invokers.get(random.nextInt(length));
    }
}

如果權重一致,就隨機選擇一個。如果權重不同,則根據權重分配。

LeastActiveLoadBalance

最小活躍數負載均衡。這個活躍數表示執行中的請求數量。每個服務提供者對應一個活躍數 active。初始情況下,所有服務提供者活躍數均為0。每收到一個請求,活躍數加1,完成請求後則將活躍數減1。

在流量均勻的情況下,活躍數越低的服務提供者,其性能越好。

protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
    int length = invokers.size(); // Number of invokers
    // 最小的活躍數
    int leastActive = -1; // The least active value of all invokers
    // 具有相同“最小活躍數”的服務者提供者(以下用 Invoker 代稱)數量
    int leastCount = 0; // The number of invokers having the same least active value (leastActive)
    // leastIndexs 用於記錄具有相同“最小活躍數”的 Invoker 在 invokers 列表中的下標信息
    int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)
    int totalWeight = 0; // The sum of with warmup weights
    // 第一個最小活躍數的 Invoker 權重值,用於與其他具有相同最小活躍數的 Invoker 的權重進行對比,
    // 以檢測是否“所有具有相同最小活躍數的 Invoker 的權重”均相等
    int firstWeight = 0; // Initial value, used for comparision
    boolean sameWeight = true; // Every invoker has the same weight value?

    // 遍歷 invokers 列表
    for (int i = 0; i < length; i++) {
        Invoker<T> invoker = invokers.get(i);
        // 獲取 Invoker 對應的活躍數
        int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number
        // 獲取權重
        int afterWarmup = getWeight(invoker, invocation); // Weight
        // 發現更小的活躍數,重新開始
        if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.
            // 使用當前活躍數 active 更新最小活躍數 leastActive
            leastActive = active; // Record the current least active value
            // 更新 leastCount 為 1
            leastCount = 1; // Reset leastCount, count again based on current leastCount
            // 記錄當前下標值到 leastIndexs 中
            leastIndexs[0] = i; // Reset
            totalWeight = afterWarmup; // Reset
            firstWeight = afterWarmup; // Record the weight the first invoker
            sameWeight = true; // Reset, every invoker has the same weight value?
        // 當前 Invoker 的活躍數 active 與最小活躍數 leastActive 相同
        } else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.
            // 在 leastIndexs 中記錄下當前 Invoker 在 invokers 集合中的下標
            leastIndexs[leastCount++] = i; // Record index number of this invoker
            // 累加權重
            totalWeight += afterWarmup; // Add this invoker's weight to totalWeight.
            // If every invoker has the same weight?
            // 檢測當前 Invoker 的權重與 firstWeight 是否相等,
            // 不相等則將 sameWeight 置為 false
            if (sameWeight && i > 0
                    && afterWarmup != firstWeight) {
                sameWeight = false;
            }
        }
    }
    // assert(leastCount > 0)
    // 當只有一個 Invoker 具有最小活躍數,此時直接返回該 Invoker 即可
    if (leastCount == 1) {
        // If we got exactly one invoker having the least active value, return this invoker directly.
        return invokers.get(leastIndexs[0]);
    }
    // 有多個 Invoker 具有相同的最小活躍數,但它們之間的權重不同
    if (!sameWeight && totalWeight > 0) {
        // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
        // 隨機生成一個 [0, totalWeight) 之間的數字
        int offsetWeight = random.nextInt(totalWeight) + 1;
        // Return a invoker based on the random value.
        // 迴圈讓隨機數減去具有最小活躍數的 Invoker 的權重值,
        // 當 offset 小於等於0時,返回相應的 Invoker
        for (int i = 0; i < leastCount; i++) {
            int leastIndex = leastIndexs[i];
            // 獲取權重值,並讓隨機數減去權重值
            offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
            if (offsetWeight <= 0)
                return invokers.get(leastIndex);
        }
    }
    // If all invokers have the same weight value or totalWeight=0, return evenly.
    // 如果權重相同或權重為0時,隨機返回一個 Invoker
    return invokers.get(leastIndexs[random.nextInt(leastCount)]);
}

代碼比較多,不過都有註釋,耐心看即可。這裡大體做了幾件事:

  1. 遍歷 invokers 集合,找出活躍數最小的 invoker
  2. 如果只有一個 invoker 有最小活躍數,則返回
  3. 如果有多個 invoker 有相同的最小活躍數,則這些 invoker 進行加權隨機演算法處理(也就是對這幾個最小活躍數 invoker 進行 RandomLoadBalance 的邏輯)

這裡有個點想擴展說下,就是獲取活躍數的方法

RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive();

RpcStatus記錄著當前調用次數、總數、失敗數、調用間隔等狀態信息。

這些信息,在服務消費者端由ActiveLimitFilter記錄,在服務提供者端由ExecuteLimitFilter記錄。也就是,想要拿到正確的活躍數,需要ActiveLimitFilter生效才行。

@Activate(group = Constants.CONSUMER, value = Constants.ACTIVES_KEY)
public class ActiveLimitFilter implements Filter

ActiveLimitFilter生效需要滿足兩個條件,消費者端以及URL中攜帶actives參數。actives可在消費者端或生產者端配置,含義為:每服務消費者每服務每方法最大併發調用數

<dubbo:service interface="com.alibaba.dubbo.demo.DemoService" ref="demoService" registry="remoteRegistry" actives="5" />
<dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" loadbalance="leastactive" actives="5" />

當然,也能給消費者介面指定過濾器的方法來啟用ActiveLimitFilter

<dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" filter="activelimit" />

RoundRobinLoadBalance

RoundRobinLoadBalance是加權輪詢負載均衡的實現。加權輪詢的原理步驟如下:

假設服務 [A, B, C] 的權重為 [5, 1, 1] ,即總權重為 7, 當前權重currentWeight初始為[0, 0, 0]

  1. 當前權重加上每個服務各自的權重,跳轉步驟2

    此時currentWeight為 [0+5, 0+1, 0+1] = [5, 1, 1]

  2. 返回currentWeight中最高的服務,跳轉步驟3

    currentWeight為 [5, 1, 1] ,返回服務A

  3. 將第2步中的那個最高權重在currentWeight對應的值減去總權重,跳轉步驟4

    currentWeight為 [5 - 7, 1, 1] = [-2, 1, 1]

  4. 重覆步驟1

下麵的GIF圖為了好表示柱狀圖,所以我將currentWeight初始權重變為10

Untitled

經過一定迴圈次數,最終currentWeight又會回歸初始值。而這個迴圈次數計算如下:

次數 = 服務A的權重 + 服務B的權重 + …

每個服務的調用次數也等於它的權重

看完原理,我們繼續看源碼

protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
    // key = 全限定類名 + "." + 方法名,比如 com.xxx.DemoService.sayHello
    String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
    // 獲取 url 到 WeightedRoundRobin 映射表,如果為空,則創建一個新的
    ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.get(key);
    if (map == null) {
        methodWeightMap.putIfAbsent(key, new ConcurrentHashMap<String, WeightedRoundRobin>());
        map = methodWeightMap.get(key);
    }
    // 權重總和
    int totalWeight = 0;
    // 最大權重
    long maxCurrent = Long.MIN_VALUE;
    long now = System.currentTimeMillis();
    Invoker<T> selectedInvoker = null;
    WeightedRoundRobin selectedWRR = null;

    // 下麵這個迴圈主要做了這樣幾件事情:
    //   1. 遍歷 Invoker 列表,檢測當前 Invoker 是否有
    //      相應的 WeightedRoundRobin,沒有則創建
    //   2. 檢測 Invoker 權重是否發生了變化,若變化了,
    //      則更新 WeightedRoundRobin 的 weight 欄位
    //   3. 讓 current 欄位加上自身權重,等價於 current += weight
    //   4. 設置 lastUpdate 欄位,即 lastUpdate = now
    //   5. 尋找具有最大 current 的 Invoker,以及 Invoker 對應的 WeightedRoundRobin,
    //      暫存起來,留作後用
    //   6. 計算權重總和
    for (Invoker<T> invoker : invokers) {
        String identifyString = invoker.getUrl().toIdentityString();
        WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
        int weight = getWeight(invoker, invocation);
        if (weight < 0) {
            weight = 0;
        }
        // 檢測當前 Invoker 是否有對應的 WeightedRoundRobin,沒有則創建
        if (weightedRoundRobin == null) {
            weightedRoundRobin = new WeightedRoundRobin();
            // 設置 Invoker 權重
            weightedRoundRobin.setWeight(weight);
            // 存儲 url 唯一標識 identifyString 到 weightedRoundRobin 的映射關係
            map.putIfAbsent(identifyString, weightedRoundRobin);
            weightedRoundRobin = map.get(identifyString);
        }
        // Invoker 權重不等於 WeightedRoundRobin 中保存的權重,說明權重變化了,此時進行更新
        if (weight != weightedRoundRobin.getWeight()) {
            //weight changed
            weightedRoundRobin.setWeight(weight);
        }
        // 讓 current 加上自身權重,等價於 current += weight
        long cur = weightedRoundRobin.increaseCurrent();
        // 設置 lastUpdate,表示近期更新過
        weightedRoundRobin.setLastUpdate(now);
        if (cur > maxCurrent) {
            maxCurrent = cur;
            // 將具有最大 current 權重的 Invoker 賦值給 selectedInvoker
            selectedInvoker = invoker;
            // 將 Invoker 對應的 weightedRoundRobin 賦值給 selectedWRR,留作後用
            selectedWRR = weightedRoundRobin;
        }
        // 計算權重總和
        totalWeight += weight;
    }
    // 對 <identifyString, WeightedRoundRobin> 進行檢查,過濾掉長時間未被更新的節點。
    // 該節點可能掛了,invokers 中不包含該節點,所以該節點的 lastUpdate 長時間無法被更新。
    // 若未更新時長超過閾值後,就會被移除掉,預設閾值為60秒。
    if (!updateLock.get() && invokers.size() != map.size()) {
        if (updateLock.compareAndSet(false, true)) {
            try {
                // copy -> modify -> update reference
                ConcurrentMap<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<String, WeightedRoundRobin>();
                // 拷貝
                newMap.putAll(map);

                // 遍歷修改,即移除過期記錄
                Iterator<Entry<String, WeightedRoundRobin>> it = newMap.entrySet().iterator();
                while (it.hasNext()) {
                    Entry<String, WeightedRoundRobin> item = it.next();
                    if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) {
                        it.remove();
                    }
                }
                // 更新引用
                methodWeightMap.put(key, newMap);
            } finally {
                updateLock.set(false);
            }
        }
    }
    if (selectedInvoker != null) {
        // 讓 current 減去權重總和,等價於 current -= totalWeight
        selectedWRR.sel(totalWeight);
        // 返回具有最大 current 的 Invoker
        return selectedInvoker;
    }
    // should not happen here
    return invokers.get(0);
}

註釋寫的很詳細了,和原理步驟差不多,源碼中多個對長時間未更新 invoker 的處理。

ConsistentHashLoadBalance

一致性Hash演算法。

其原理簡單講,就是假定有一個圓環,每個服務根據其 hash 值,在圓環上有個位置(如圖的cache-1、cache-2等)。當有請求過來的,同樣根據請求的 hash 值確定請求的位置,並根據請求的位置去獲取最近的下一個服務的位置。如下圖:

Untitled

當請求落在 cache-2 和 cache-3 之間時,下一個最近的是 cache-3,如果 cache-3 服務不可用,那麼最近的下個服務就是 cache-4

這時,又引入了一個資源傾斜的問題,那就是大量請求集中在同一個服務中。由於服務在圓環上分佈不均,導致大部分請求都落在cache-2中,如下圖:

Untitled

那麼該如何處理資源傾斜的問題?引入虛擬節點,就是一個服務有多個多個位置,這樣就能使請求更均勻,如下圖:

Untitled

以上就是一致性hash演算法的原理。下麵講講Dubbo的源碼

public class ConsistentHashLoadBalance extends AbstractLoadBalance {

    private final ConcurrentMap<String, ConsistentHashSelector<?>> selectors = new ConcurrentHashMap<String, ConsistentHashSelector<?>>();

    @Override
    protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
        String methodName = RpcUtils.getMethodName(invocation);
        String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;

        // 獲取 invokers 原始的 hashcode
        int identityHashCode = System.identityHashCode(invokers);
        ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
        // 如果 invokers 是一個新的 List 對象,意味著服務提供者數量發生了變化,可能新增也可能減少了。
        // 此時 selector.identityHashCode != identityHashCode 條件成立
        if (selector == null || selector.identityHashCode != identityHashCode) {
            // 創建新的 ConsistentHashSelector
            selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode));
            selector = (ConsistentHashSelector<T>) selectors.get(key);
        }
        // 調用 ConsistentHashSelector 的 select 方法選擇 Invoker
        return selector.select(invocation);
    }

    private static final class ConsistentHashSelector<T> {...}
}

doSelect 方法先從緩存獲取 selector ,如果緩存沒有,則創建並放入緩存。然後調用 selector.select 方法獲取 invoker 。所以一致性 hash 的實現,在ConsistentHashSelector中。我們先看其構造方法

ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) {
    // 可以認為virtualInvokers組成了hash環
    this.virtualInvokers = new TreeMap<Long, Invoker<T>>();
    this.identityHashCode = identityHashCode;
    URL url = invokers.get(0).getUrl();
    // 獲取虛擬節點數,預設為160
    this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160);
    // 獲取參與 hash 計算的參數下標值,預設對第一個參數進行 hash 運算
    String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0"));
    argumentIndex = new int[index.length];
    for (int i = 0; i < index.length; i++) {
        argumentIndex[i] = Integer.parseInt(index[i]);
    }
    for (Invoker<T> invoker : invokers) {
        String address = invoker.getUrl().getAddress();
        for (int i = 0; i < replicaNumber / 4; i++) {
            // 對 address + i 進行 md5 運算,得到一個長度為16的位元組數組
            byte[] digest = md5(address + i);
            // 對 digest 部分位元組進行4次 hash 運算,得到四個不同的 long 型正整數
            for (int h = 0; h < 4; h++) {
                // h = 0 時,取 digest 中下標為 0 ~ 3 的4個位元組進行位運算
                // h = 1 時,取 digest 中下標為 4 ~ 7 的4個位元組進行位運算
                // h = 2, h = 3 時過程同上
                long m = hash(digest, h);
                // 將 hash 到 invoker 的映射關係存儲到 virtualInvokers 中,
                // virtualInvokers 需要提供高效的查詢操作,因此選用 TreeMap 作為存儲結構
                virtualInvokers.put(m, invoker);
            }
        }
    }
}

ConsistentHashSelector的構造方法,主要是計算 invokers 的每一個 invoker 的hash,並將其放入 virtualInvokers 中。從這裡可以看到,Dubbo預設的虛擬節點為160個。對比一致性 hash 演算法中,virtualInvokers 就是 hash 環,invoker 就是節點。

我們繼續看如何從 hash 環中找到最近的節點

public Invoker<T> select(Invocation invocation) {
    // 將參數轉為 key
    String key = toKey(invocation.getArguments());
    // 對參數 key 進行 md5 運算
    byte[] digest = md5(key);
    // 取 digest 數組的前四個位元組進行 hash 運算,再將 hash 值傳給 selectForKey 方法,
    // 尋找合適的 Invoker
    return selectForKey(hash(digest, 0));
}

private Invoker<T> selectForKey(long hash) {
    // 到 TreeMap 中查找第一個節點值大於或等於當前 hash 的 Invoker
    Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();
    // 如果 hash 大於 Invoker 在圓環上最大的位置,此時 entry = null,
    // 需要將 TreeMap 的頭節點賦值給 entry
    if (entry == null) {
        entry = virtualInvokers.firstEntry();
    }
    return entry.getValue();
}

選擇的過程也很簡單,依賴的是 TreeMap 的 tailMap 方法。

總結

本文介紹了Dubbo內置的4中負載均衡實現。至此,Dubbo的集群容錯的四個部分,也就是服務目錄 Directory、服務路由 Router、集群 Cluster 和負載均衡 LoadBalance 都已全部講完。


參考資料

Dubbo開髮指南


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 前言 😋 嗨嘍,大家好呀~這裡是愛看美女的茜茜吶 小姐姐你們喜歡嗎?反正我是喜歡的,所以我決定!! 今天採集小姐姐視頻~保存下來供我欣賞 環境使用: Python 3.8 Pycharm 模塊使用: import requests >>> pip install requests 內置模塊 你安裝 ...
  • Springboot 中非同步線程的使用在過往的後臺開發中,我們往往使用java自帶的線程或線程池,來進行非同步的調用。這對於效果來說沒什麼,甚至可以讓開發人員對底層的狀況更清晰,但是對於代碼的易讀性和可維護性卻非常的差。開發人員在實際使用過程中,應該更多的將精力放置在業務代碼的書寫過程中,而不是系統代 ...
  • Which is Faster For Loop or For-each in Java 對於Java迴圈中的For和For-each,哪個更快 通過本文,您可以瞭解一些集合遍歷技巧。 Java遍歷集合有兩種方法。一個是最基本的for迴圈,另一個是jdk5引入的for each。通過這種方法,我們可 ...
  • 項目場景:Mysql 實現資料庫讀寫分離 搭建3台MySQL伺服器,完成主從複製,搭建一臺amoeba伺服器,完成MySQL的讀寫分離 問題描述: 問題1、 在服務搭建完畢後,利用客戶機連接amoeba伺服器登錄資料庫,無法查看資料庫內容客戶端報錯的數據代碼: mysql> show databas ...
  • 參考:https://javajgs.com/archives/26157 一.背景 1-1 需求 前端上傳Word文檔,後端將接收到的Word文檔①上傳到文件伺服器②將Word轉為Pdf。 1-2 方案 因為Word轉Pdf的耗時較長,為了及時給到前端返回信息,在將文件上傳到文件伺服器後,非同步將W ...
  • 最近經常遇到一個問題:輸入端在同一行輸入兩個整型數字,並用空格間隔,問如何方便快捷的將這兩個變數分別賦予給x1,x2? 新手小白,由於不知道map()函數的用法,便想要用僅有的知識去解決它: 1 list1=[int(i) for i in input().split()] 2 x1=list1[0 ...
  • 常用類 筆記目錄:(https://www.cnblogs.com/wenjie2000/p/16378441.html) 包裝類 包裝類的分類 針對八種基本數據類型相應的引用類型—包裝類 有了類的特點,就可以調用類中的方法。 | 基本數據類型 | 包裝類 | | | | | boolean | B ...
  • 7.1 順序性場景 7.1.1 場景概述 假設我們要傳輸一批訂單到另一個系統,那麼訂單對應狀態的演變是有順序性要求的。 已下單 → 已支付 → 已確認 不允許錯亂! 7.1.2 順序級別 1)全局有序: 串列化。每條經過kafka的消息必須嚴格保障有序性。 這就要求kafka單通道,每個groupi ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...