哈希 详解

目录

1. “哈希”是什么?

2. 哈希冲突

3. 哈希函数 

3.1 设计原则

3.2 常见哈希函数

4. 解决哈希冲突的两种常见方法

4.1 闭散列

4.2 开散列

 4.3 散列表的扩容问题

5. 哈希表的实现 并 封装模拟实现unordered系列容器

6. 哈希的应用

6.1 位图 -- bitset

6.2 布隆过滤器 -- Bloom Filter 


1. “哈希”是什么?

  在进入正题之前,先带大家看一下什么是序列式/关联式容器:  

  比如:vector、list、deque、 forward_list(C++11)等,这些容器统称为序列式容器,因为其底层为线性序列的数据结构,里面存储的是元素本身。

  关联式容器也是用来存储数据的,与序列式容器不同的是,其底层为非线性结构,且里面通常存储的是<key, value>结构的键值对

  在C++98中,STL提供了底层为红黑树结构的一系列关联式容器(set/map/multiset/multimap),在查询时效率可达到log_2 N,即使最差情况下也只需要比较红黑树的高度次,相较 序列式容器的线性查找 效率更高;但当树中的节点非常多时(海量数据),查询效率也不理想。

  由此可以得到结论:搜索的效率取决于搜索过程中关键码的比较次数。

  那么最理想的搜索方法就是:可以不经过任何比较,直接就能将元素找到;或者退而求其次,将整体的比较次数降到最低。

  至于如何做到呢,就是本文的重点 —— 哈希:构造一种存储结构,让其可以通过某种方法,使关键码(key)和 其存储位置建立一 一对应的映射关系。

  当向该结构中:

          插入元素时: 根据待插入元素的关键码,以这种方法得到该元素的存储位置并按此位置进行存放。

          搜索元素时: 对元素的关键码进行同样的计算,得到存储位置,在结构中按此位置取元素决定是否搜索成功。

  这样的方法就称为:哈希函数(hashfunc)
  构造出来的结构称为:哈希表或散列表 

  如下示例一: 

  至此,就可以回答最初的问题:“哈希”是什么?——  "哈希" 是一种数据结构和算法的思想,通俗点说就是一种解决问题的思考方式和处理手段;不是某种具体的数据结构或容器。

  而在C++11中,STL提供的4个 unordered 系列的关联式容器,其底层结构就是用 哈希思想 实现的。

  (关于unordered系列容器的接口使用与红黑树结构的关联式容器使用方式基本类似,此处不赘述,可点击查看在线文档说明:unordered_map ,unordered_set ,unordered_multimap ,unordered_multiset )

  接下来,本文将围绕以下内容展开: 哈希函数的设计和选择;会产生的问题(哈希冲突)及如何解决;改造模拟实现unordered系列容器;哈希的应用等。

2. 哈希冲突

  也叫哈希碰撞,即不同关键码通过 同一哈希函数 映射 到同一位置。

  把具有不同关键码而具有相同哈希地址的数据元素称为“同义词”。

  比如,现在要在上述点1的示例一中插入元素16,即key为16,Hashi(16) = 16 % 10 = 6,但是此时6地址处已有元素,于是发生冲突。

  那么发生哈希冲突该如何处理呢?

  引起哈希冲突的一个原因可能是:哈希函数设计不够合理。 

3. 哈希函数 

3.1 设计原则

  哈希函数的定义域必须包括需要存储的全部关键码;而如果散列表允许有m个地址时,其值域(h哈希地址)必须在0到m-1之间

  哈希函数计算出来的地址能均匀分布在整个空间中——>尽量减少冲突

  哈希函数应该比较简单 

3.2 常见哈希函数

  1. 直接定址法(常用)

      直接用关键码做哈希地址

      优点:简单

      缺点:需要事先知道关键码的大小分布情况;可能造成较大空间浪费

      只适用于:元素集合的关键码较小且连续的情况。比如:找出字符串中只出现一次的英文字母,就可以建立数组,直接用字母的ASCII值做哈希地址 进行次数统计。

  2. 除留余数法(常用)

      设散列表中允许的地址数为m,取一个不大于m,但最接近或者等于m的质数p作为除数, 按照哈希函数:Hash(key) = key% p(p<=m),将关键码转换成哈希地址。如上述点1的示例一。

  3. 平方取中法 

      假设关键码为1234,对它平方就是1522756,抽取中间的3位227作为哈希地址; 再比如关键码为4321,对它平方就是18671041,抽取中间的3位671(或710)作为哈希地址。

      平方取中法比较适合:不知道关键码的分布,而位数又不是很大的情况 

  4. 折叠法 

      关键码从左到右分割成位数相等的几部分(最后一部分位数可以短些),然后将这 几部分叠加求和,并按散列表表长,取后几位作为散列地址。

      折叠法适合事先不需要知道关键码的分布且位数比较多的情况 

  5. 随机数法 

      选择一个随机函数,取关键字的随机函数值为它的哈希地址,即H(key) = random(key),其中 random为随机数函数。

      通常应用于关键字长度不等时采用此法 

  6. 数学分析法 

      设有n个d位数,每一位可能有r种不同的符号,这r种不同的符号在各位上出现的频率不一定相同,可能在某些位上分布比较均匀,每种符号出现的机会均等,在某些位上分布不均匀,只有某几种符号经常出现。此时可根据散列表的大小,选择其中各种符号分布均匀的若干位作为散列地址。

      比如:假设要存储某家公司员工登记表,如果用手机号作为关键字,那么极有可能前7位都是 相同的,那么我们可以选择后面的4位作为散列地址,如果这样的抽取工作还容易出现冲突,还可以对抽取出来的数字进行反转(如1234改成4321)、右环移位(如1234改成4123)、左环移位、前两数与后两数叠加(如1234改成12+34=46)等方法。

      数字分析法通常适合处理关键字位数比较大的情况,如果事先知道关键字的分布且关键字的 若干位分布较均匀的情况

  ......

  上述所有方法的共同点是:关键码都是整型才能得到整形哈希地址,但是实际上的关键码key可以是任何类型,以常见的 string 来说,如何在使用上述方法求哈希地址前将其转换成整形,可减小冲突概率呢?点击查看各种字符串Hash函数对比

  总的来说,在哈希函数的设计上,留给我们的发挥空间更大了,但于此同时,我们要考虑的东西也更多了,对能力的要求也提高了不少,而这恰恰也是我们对自己的要求和学习的动力! 

  回到正题:哈希函数设计的越精妙,产生哈希冲突的可能性就越低,但是无法避免哈希冲突。

  至于如何解决这个问题,我们接着往下看。

4. 解决哈希冲突的两种常见方法

4.1 闭散列

  也叫开放定址法一种将所有数据存储在散列表本身的方法

  插入元素时,如果发生哈希冲突,并且哈希表未被装满,说明在哈希表中必然还有空位置,那么可以把key存放到冲突位置中的 “下一个” 空位置中去。 (这里暂且假设表的空位置充足)

  还是以点1的示例一为例,继续依次插入元素16,9,19;结果如下:

  这种方法就叫做线性探测,下一个探测位置的Hashi = (current_position + i) % table_size。【i 是探测的步数,上述示例取为1(常用)】

  查询也是如此,但是如果表中没有你要查找的元素时,终止此操作的条件又是什么呢?—— 遇到空位置,表明这个位置从始至终没有元素。

  关键是现在还有一个操作:删除。表中某位置进行此操作后,此时这个位置的数据状态应该认为就是空 呢,还是需要一个新的 删除状态呢?如果遵循前者设为空,假设要查询的元素均在表中,第一次查询刚才被删除的元素,发现对应位置为空,终止查询,没有找到,返回结果为失败,这个过程是正确的;但是再一次查询另一个元素时,因为存在哈希冲突,导致此次查询元素的存储位置在已删除元素的位置"后面"(逻辑意义上的,因为线性探测是从冲突位置往后的,如上图示例,可能又从表头开始),而查询遇到空就终止,因此就会发生漏查的情况。

  所以,我们实现时,散列表的每个位置的数据状态至少有三种情况:Empty,Exist,Delete。插入时的“空”包括Empty 和 Delete;查询终止时的“空”则只指Empty;并且有了Empty后,只需修改状态就行,无需改动数据,属于“伪删除”。

  线性探测的优点是:实现非常简单。 

  但缺点也很明显:一旦发生哈希冲突,所有的冲突连在一起,容易产生数据“堆积”,即:不同关键码占据了可利用的空位置,使得寻找某关键码的位置需要许多次比较,导致搜索效率降低。

  这与其找下一个探测位置有关系,所以出现 新的探测方式 “二次探测”,也叫平方探测,来缓解这个问题;其下一个探测位置的Hashi = (current_position + c1 * i + c2 * i^2) % table_size。它的特点是:步长不再是固定的,而是根据冲突的次数而变化;这样,即使两个关键字产生相同的初始散列地址,它们在探测过程中也可能分散到不同的位置。

  c1和c2是常数参数,它们可以任意选择,但通常会根据实际情况进行调整。常见的选择方式是c1 = c2 = 1,或者c1 = 1,c2 = -1。这些选择可以在一定程度上减少哈希冲突的发生,提高哈希表的性能。然而,具体选择哪个常数值是根据实际问题和性能需求来确定的,不是任意选择的。

     i 通常的初始值为0,然后逐步增加至1、2、3,以此类推,直到找到可以插入元素的位置或者遍历完整个哈希表。

  除此之外,再介绍一种方法: 双重散列法。其特点为:通过引入第二个哈希函数来降低冲突概率

  其下一个探测位置的Hashi = (h1(key) + i * h2(key)) % table_sizeh1和h2分别表示两个不同的哈希函数,i 是探查次数

  具体做法为:首先使用第一个哈希函数h1将关键码映射到一个位置;如果该位置已经被占用,则使用第二个哈希函数 h2(key) * i 做增量值(通常确保 h2(key) 不等于零,以避免陷入死循环)找下一个探查位置。

  举个例子:

  假设有一个哈希表 table,大小为 7。我们要插入键 key1 = 5key2 = 12key3 = 19

  1. 哈希函数定义

    • h1(key) = key % 7
    • h2(key) = 1 + (key % 6) (注意:确保 h2(key) 不为零)
  2. 插入 key1 = 5

    • 计算 h1(5) = 5 % 7 = 5
    • 位置5为空,将 key1 插入位置 5。
  3. 插入 key2 = 12

    • 计算 h1(12) = 12 % 7 = 5
    • 计算 h2(12) = 1 + (12 % 6) = 1
    • 位置 5 已经被占用,因此用步长 1 探查下一个位置 (5 + 1 * 1) % 7 = 6,将 key2 插入位置 6。
  4. 插入 key3 = 19

    • 计算 h1(19) = 19 % 7 = 5
    • 计算 h2(19) = 1 + (19 % 6) = 2
    • 位置 5 被占用,因此用步长 2 探查下一个位置 (5 + 1 * 2) % 7 = 7 % 7 = 0,将 key3 插入位置 0。

   其它的方法,如:再哈希法(Rehashing),伪随机探测法(Pseudo-random Probing),             Hopscotch Hashing法,Cuckoo Hashing(布谷鸟哈希),Robin Hood Hashing等等,各有优缺点,适用于不同的场景,留给大家自行探索吧!

  至于如何使用闭散列自行实现一张哈希表,先不急,因为有些问题还没解决,小编在后面会给出参考代码,请继续往下看。

4.2 开散列

  STL中的unordered系列容器就采用这种方法。

  不同于闭散列的是:其数据是 使用指针链接到外部存储的,哈希表中存的是指针。所以,也叫链地址法(拉链法),或者哈希桶。

  具体做法为:首先对关键码集合用散列函数计算散列地址,具有相同地址的关键码归于同 一 子集合,每一个子集合称为一个桶,各个桶中的元素通过一个单链表链接起来,各链表的头结点存储在哈希表中。

  如下图例: 

  这种方法就不会产生4.1中的数据“堆积”问题,每个桶中放的都是发生哈希冲突的元素。

  至于增删查等操作,只要找到对应的桶去操作链表就可以,此处不再赘述。

 4.3 散列表的扩容问题

  这个问题的核心是:决定散列表是否要扩容的衡量标准是什么?

  —— 负载因子(load_factor) = 实际存的数据量 / 整个表的地址量 

  一般来说,负载因子越小,冲突的概率就越低,但是空间浪费就会多一些,这就类似于降低密度,减少竞争以提高产量的做法。

  对闭散列来说有研究表明:当表的长度为质数且表负载因子不超过0.5时,新的表项一定能够插入,而且任何一个位置都不会被探查两次;因此只要表中有一半的空位置,就不会存在表满的问题。此时在搜索时就可以不考虑表装满的情况,但在插入时必须确保表的负载因子a不超过0.5,如果超出必须考虑增容。此时空间利用率比较低,这是闭散列最大的缺陷,也是哈希的缺陷

  因此,在有些版本的STL源码中,在扩容时的容量选择上有类似如下代码:

size_t GetNextPrime(size_t prime)
{const int PRIMECOUNT = 28;static const size_t primeList[PRIMECOUNT] ={//类似两倍关系的素数53ul, 97ul, 193ul, 389ul, 769ul, 1543ul, 3079ul, 6151ul, 12289ul, 24593ul,49157ul, 98317ul, 196613ul, 393241ul, 786433ul,1572869ul, 3145739ul, 6291469ul, 12582917ul,25165843ul,50331653ul, 100663319ul, 201326611ul, 402653189ul,805306457ul, 1610612741ul, 3221225473ul, 4294967291ul};size_t i = 0;for (; i < PRIMECOUNT; ++i){if (primeList[i] > prime)return primeList[i];}return primeList[i];
}

  但实际一般情况下,开放定址法的负载因子通常设置在0.7到0.75之间。这个范围是为了在保证较高的存取效率(如查找、插入和删除操作的时间复杂度)与内存利用率之间取得平衡。

  而对开散列来说,桶的个数是一定的,随着元素的不断插入,每个桶中元素的个数不断增多,极端情况下,可能会导致一个桶中链表节点非常多,影响散列表的性能,因此在一定条件下需要对哈希表进行增容,那该条件怎么确认呢?开散列最好的情况是:每个哈希桶中刚好挂一个节点, 再继续插入元素时,每一次都会发生哈希冲突,因此,在元素个数刚好等于桶的个数时,可以给哈希表增容。所以,开散列的负载因子一般在1及其以上

5. 哈希表的实现 并 封装模拟实现unordered系列容器

  点击 my_unordered_set/map 前往我的Gitee仓库获取参考代码。

6. 哈希的应用

  本大点主要介绍如何运用哈希思想解决海量数据(几亿个,几十亿个,几百亿个......)的处理处理问题,并由此设计出的一些 结构 或 模板。

6.1 位图 -- bitset

  概念:就是用每一位(二进制bit位)来存放某种状态。

  通常是用来判断某个数据存不存在的,比如 1表示存在,0表示不存在。

  其底层结构设计采用哈希思想,属于直接映射,即哈希地址就是关键码key,所以决定位图容量大小的是数据本身的大小范围,而不是数据个数,所以没有哈希冲突。 

  如下图例: 

  那么如何运用到具体场景中呢?下面是小编总结好的一些示例: 

  示例1:给40亿个不重复的无符号整数,没排过序。给一个无符号整数,如何快速判断一个数是否在这40亿个数中。【腾讯面试题】

  变形1: 给定100亿个整数,设计算法找到只出现一次的整数?

  变形2: 给两个文件,分别有100亿个整数,我们只有1G内存,如何找到两个文件交集?

 

示例2: 给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址?

  这种分割方式就叫做 哈希切割,其不同于 平均切割 的地方是:它在切割的同时还有“分类”的作用,即将共性更高(发生哈希冲突)的数据集中到一起,可以说,这种分割方式是有着很强且明确的 目的性 的,更有利于解决复杂问题。

  同样的方法,还有下面的变形1:

  变形1: 给两个文件,分别有100亿个query(查询,即字符串),我们只有1G内存,如何找到两个文件交集?

  相信这几个例子会加深你对哈希的自我理解!

  接下来,就是简单模拟实现STL中的类模板bitset:

  参考代码:

template<size_t N>class bitset{public:bitset(){_bits.resize(N / 32 + 1, 0);}//三个核心操作// 把pos位置映射的位标记成1bitset& set(size_t pos){assert(pos <= N);size_t i = pos / 32;size_t j = pos % 32;_bits[i] |= (1 << j);return *this;}// 把pos位置映射的位标记成0bitset& reset(size_t pos){assert(pos <= N);size_t i = pos / 32;size_t j = pos % 32;_bits[i] &= ~(1 << j);return *this;}bool test(size_t pos) const{assert(pos <= N);size_t i = pos / 32;size_t j = pos % 32;return _bits[i] & (1 << j);}private:vector<int> _bits;};

  至此,小结一下位图的几种常用场景:

        1. 快速查找某个数据是否在一个集合中

        2. 排序 + 去重

        3. 求两个集合的交集、并集等

        4. 操作系统中磁盘块标记 

6.2 布隆过滤器 -- Bloom Filter 

  设想现在有这么个场景: 字符串 “baidu" 在 位图 中 set(),通过某哈希函数转换后的映射位置是 pos1;此时查询字符串 “jingdong"(从未set() 过) 是否存在,发现映射位置也是pos1,如果 ”tengxun" 也映射到pos1,...... ,就会返回错误的结果,进而可能影响后序操作。

  前面我们说过,这种情况叫 哈希冲突,而引起 此 的一个重要原因是:哈希函数设计不够合理。那么是不是说只要重新设计哈希函数就能解决这个问题呢?理论上确实如此,但是实际情况是:你的 数学分析能力 真的能找到把 海量数据中的每一个不确定性 都变成 相对唯一性 的一种方法吗?

  想必你已经在摇头了,这着实也不是个 “经济划算” 的事。

  【 那么,不如转换一下思路,虽然我们在哈希函数 的 “质”上能力有限,但在 “量” 上,可以使用多个哈希函数,即每个元素映射多个位置。查询某个元素时,只要其中任意一个映射位置状态为空,就可以确定这个元素一定不存在;如果每个映射位置状态都为非空,那大概率这个元素存在较小概率不存在,因为映射位置可能产生的冲突是无法避免的,如下图例。

  此时查询 “baidu" ,  就只能说其可能存在。

  但相较于 位图 的单个映射,误判的概率大大降低了!

  这便是由布隆(Burton Howard Bloom)在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构可以用来告诉你 “某样东西一定不存在或者可能存在”。

  比如,下面的这个模型:

  资讯,广告,视频推荐也是相似的道理。

  那么,如何选择合适的 哈希函数的个数和布隆过滤器的长度,将误报率尽可能的降低呢? 

  如下统计:

  计算m和K的公式: 

  下一个问题:可以删除吗? 

  传统的布隆过滤器并不支持删除操作,因为存在哈希冲突导致相互影响,如上示例图("baidu", "tengxun"),但如果把每个位置改成多位的 引用计数 就可以支持 ,但也可能产生新的问题,如“计数回绕”;可参考文章 Counting Bloom Filter 的原理和实现

  下面给一段传统布隆过滤器的简单实现和测试 参考代码: 

template<size_t N,class K = string,//常用的数据类型:字符串class Hash1 = HashFuncBKDR,//前面给过的:字符串哈希函数class Hash2 = HashFuncAP,class Hash3 = HashFuncDJB>
class BloomFilter
{
public:BloomFilter& set(const K& key){size_t hash1 = Hash1()(key) % M;size_t hash2 = Hash2()(key) % M;size_t hash3 = Hash3()(key) % M;_bs->set(hash1);_bs->set(hash2);_bs->set(hash3);return *this;}bool test(const K& key){size_t hash1 = Hash1()(key) % M;if (_bs->test(hash1) == false)return false;size_t hash2 = Hash2()(key) % M;if (_bs->test(hash2) == false)return false;size_t hash3 = Hash3()(key) % M;if (_bs->test(hash3) == false)return false;return true; // 存在误判(有可能3个位都冲突)}private:static const size_t M = 10 * N;std::bitset<M>* _bs = new std::bitset<M>;//避免数据量过大时,有些编译器实现的std::bitset<N> 开的是静态数组,有栈溢出的风险
};//测试:一般来说,同一个K值,如果空间加大,映射位置变多,理论上会降低误判的概率
#include<time.h>
void TestBloomFilter()
{srand(time(0));const size_t N = 1000000;BloomFilter<N> bf;std::vector<std::string> v1;std::string url = "https://www.cnblogs.com/-clq/archive/2012/05/31/2528153.html";std::string url1 = "你好";for (size_t i = 0; i < N; ++i){v1.push_back(url + std::to_string(i));}for (auto& str : v1){bf.set(str);}// v2跟v1是相似字符串集(前缀一样),但是后缀不一样std::vector<std::string> v2;for (size_t i = 0; i < N; ++i){std::string urlstr = url;urlstr += std::to_string(9999999 + i);v2.push_back(urlstr);}size_t n2 = 0;for (auto& str : v2){if (bf.test(str)) // 误判{++n2;}}cout << "相似字符串误判率:" << (double)n2 / (double)N << endl;// 不相似字符串集  前缀后缀都不一样std::vector<std::string> v3;for (size_t i = 0; i < N; ++i){string urlstr = std::to_string(i + rand()) + url1;urlstr += std::to_string(i + rand());v3.push_back(urlstr);}size_t n3 = 0;for (auto& str : v3){if (bf.test(str)){++n3;}}cout << "不相似字符串误判率:" << (double)n3 / (double)N << endl;
}

   

  本文至此就结束了,如果对你有所帮助,就是对小编最大的鼓励,可以的话 三连并留下你的评论 也是小编坚持创作的不懈动力,持续更新中!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/416083.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【js逆向专题】2.浏览器调试技巧

小节目标: 熟悉 开发者工具的使用熟悉 代码断点的方式熟悉 网页debugger实现方式 一. 浏览器开发者工具 1. element元素面板 展示浏览器渲染之后的页面 2. network网络面板 浏览器请求的数据都会加载在网络面板 3. console控制台面板 可以在控制台调试你对应的代码 4.…

3000字带你了解SD提示词用法,一点就通,小白轻松上手(附提示词生成器)(1.4 SD提示词运用)

提示词是什么 提示词是我们向AI模型发出的指令。正确的提示词能让AI准确反馈所需的输出&#xff0c;而优质的提示词则能使AI生成的内容更优质、更符合你的期望。这与编写程序代码颇为相似&#xff0c;准确的代码逻辑是程序正常运行的前提&#xff0c;而优秀的代码则能减少运行…

Vue基础概述

Vue框架概述 什么是Vue框架 Vue是一种流行的渐进式JavaScript框架&#xff0c;用于构建Web用户界面。它具有易学、轻量级、灵活性强、高效率等特点&#xff0c;并且可以与其他库和项目集成。是目前最流行的前端框架之一.框架的两种用法: 多页面应用: 在html页面中引入vue.js框…

全倒装共阴节能COB超微小间距LED显示屏主导新型显示技术

COB&#xff08;Chip on Board&#xff09;技术最早发源于上世纪60年代&#xff0c;是将LED芯片直接封装在PCB电路板上&#xff0c;并用特种树脂做整体覆盖。COB实现“点” 光源到“面” 光源的转换。点间距有P0.3、P0.4、P0.5、P0.6、P0.7、P0.9、P1.25、P1.538、P1.5625、P1.…

NanoPC-T6安装redriod笔记

这里主要用于自己对安装过程的记录&#xff0c;中间可能记录比较粗糙。 重新编译内核 参考链接&#xff1a;【环境搭建】基于linux的NanoPC-T6_LTS系统固件编译环境搭建 基于docker构建编译环境 docker run -it \ --privilegedtrue --cap-addALL \ --name nanopc_t6_lts_en…

ESP32!Thonny+MicroPython+ESP32开发环境搭建!!

准备工具&#xff1a; ThonnyMicroPythonESP32 一.Thonny安装 下载地址&#xff1a;Thonny, Python IDE for beginnershttps://thonny.org/ 二.下载esp32环境——根据型号下载 下载地址&#xff1a;MicroPython - Python for microcontrollershttps://micropython.org/dow…

Spring Boot 多数据源配置(JPA)

目录 前言 前置环境 pom yml Entity Dao Config Controller 演示 前言 一般一个系统至少有一个数据源&#xff0c;用来持久化业务数据以及查询。单个数据源的系统很常见&#xff0c;在 Spring Boot 框架下配置也很简单。在约定大于配置这个思想下&#xff0c;只需要在…

vue 中计算属性可以接收参数

代码中的value就是接收的参数 计算属性要接收参数要写在返回的时候 computed: {isButtonDisabled() {return (value) > {const num parseInt(value);return isNaN(num) || num < 0}},},//计算属性aaa(){return (value) >{写逻辑return 返回值}} 使用 <el-butto…

Python OpenCV 深入理解(二)

引言 OpenCV&#xff08;Open Source Computer Vision Library&#xff09;是一个用于计算机视觉的开源软件库。它提供了大量的图像处理和机器视觉功能&#xff0c;支持多种编程语言&#xff0c;其中Python接口因其易用性和快速原型设计能力而受到广泛欢迎。本文将详细介绍如何…

基于OMS构建OceanBase容灾双活架构的实践

在实际生产环境中&#xff0c;对于关键业务&#xff0c;往往会有容灾双活的需求。除了OceanBase提供的主备库能力&#xff0c;通过官方工具OMS也可以实现容灾双活架构。目前&#xff0c;通过OMS实现的双活架构仅支持OceanBase数据库之间的数据同步。 要通过OMS实现双活架构&am…

合宙LuatOS开发板Core_Air780EP使用说明

Core-Air780EP 开发板是合宙通信推出的基于 Air780EP 模组所开发的&#xff0c; 包含电源&#xff0c;SIM卡&#xff0c;USB&#xff0c;天线&#xff0c;音频等必要功能的最小硬件系统。 以方便用户在设计前期对 Air780EP模块进行性能评估&#xff0c;功能调试&#xff0c;软…

快速学习GO语言总结

干货分享&#xff0c;感谢您的阅读&#xff01;备注&#xff1a;本博客将自己初步学习GO的总结进行分享&#xff0c;希望大家通过本博客可以在短时间内快速掌握GO的基本程序编码能力&#xff0c;如有错误请留言指正&#xff0c;谢谢&#xff01; 一、初步了解Go语言 &#xf…

基于约束大于规范的想法,封装缓存组件

架构&#xff1f;何谓架构&#xff1f;好像并没有一个准确的概念。以前我觉得架构就是搭出一套完美的框架&#xff0c;可以让其他开发人员减少不必要的代码开发量&#xff1b;可以完美地实现高内聚低耦合的准则;可以尽可能地实现用最少的硬件资源&#xff0c;实现最高的程序效率…

职业院校如何建设人工智能实训室

随着人工智能&#xff08;AI&#xff09;技术的快速发展&#xff0c;越来越多的职业院校开始意识到培养具备AI技能的人才的重要性。为了让学生能够在实践中学习&#xff0c;职业院校需要建立能够支持实际操作的人工智能实训室。本文将探讨职业院校应该如何规划和建设一个高效且…

大模型产品经理学习路线,2024最新,从零基础入门到精通,非常详细收藏我这一篇

随着人工智能技术的发展&#xff0c;尤其是大模型&#xff08;Large Model&#xff09;的兴起&#xff0c;越来越多的企业开始重视这一领域的投入。作为大模型产品经理&#xff0c;你需要具备一系列跨学科的知识和技能&#xff0c;以便有效地推动产品的开发、优化和市场化。以下…

《Cloud Native Data Center Networking》(云原生数据中心网络设计)读书笔记 -- 09部署OSPF

本章的目的是帮助网络工程师确定网络的理想 OSPF 配置。本章将回答以下问题 应何时在数据中使用OSPF ?配置 OSPF 的关键设计原则是什么?OSPFv2 和 OSPFv3 之间有什么区别&#xff0c;应如何使用?如何在路由协议栈中配置 OSPF ?如何在服务器上配置 OSPF&#xff0c;例如为容…

Electron 项目实战 03: 实现一个截图功能

实现效果 实现思路 创建两个window&#xff0c;一个叫mainWindow&#xff0c;一个叫cutWindowmainWindow&#xff1a;主界面用来展示截图结果cutWindow&#xff1a;截图窗口&#xff0c;加载截图页面和截图交互逻辑mainWindow 页面点击截图&#xff0c;让cutWIndow 来实现具体…

‌智慧公厕:城市文明的智慧新篇章‌@卓振思众

在日新月异的城市化进程中&#xff0c;公共设施的智能化升级已成为不可逆转的趋势。其中&#xff0c;智慧公厕作为城市智慧化建设的重要组成部分&#xff0c;正悄然改变着我们的生活。智慧公厕&#xff0c;这一融合了物联网、大数据、云计算等现代信息技术的创新产物&#xff0…

Django Admin管理后台导入CSV

修改管理模型&#xff0c;代码如下&#xff1a; class CsvImportForm(forms.Form):csv_file forms.FileField() admin.register(Hero) class HeroAdmin(admin.ModelAdmin, ExportCsvMixin):...change_list_template "entities/heroes_changelist.html"def get_url…

Opencv中的直方图(2)计算图像的直方图函数calcHist()的使用

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 计算一组数组的直方图。 函数 cv::calcHist 计算一个或多个数组的直方图。用于递增直方图bin的元组的元素是从相同位置的相应输入数组中获取的。…