目录
Kafka集群搭建：Kafka + Zookeeper + Hadoop 集群配置
Kafka Topic命令：Kafka - Topic命令 & 命令行操作
启动Zookeeper客户端（注意目录）：
cd /opt/module/zookeeper-3.5.7/bin/zkCli.sh通过 ls 进行查看：
ls /
可以看到除了默认的Zookeeper节点外还有一个节点叫做kafka（之所以叫这个是因为咱们在配置文件中写的名字就是/kafka）。
查看 kafka节点 内的信息：
ls /kafka
可以再往里面看看：
ls /kafka/brokers/ids
可以看到在 ids 下面有着 0 1 2 三个数字，这个其实就是我们Kafka集群中每台机器的 brokerid 。
当然如果你觉得这样一个一个看太慢了，你也可以使用 ‘漂亮的公园’ 进行查看（ 软件名称：prettyZoo ）：
连接时输入IP和端口号即可，非常方便。在如此之多的节点中，最重要的有三个，分别如下：
/kafka/brokers/ids
#用于记录有哪些服务器
/kafka/brokers/topics/first/partitions/0/state
#用于记录谁是Leader，有哪些服务器可用
/kafka/controller
#用于辅助选举Leader。每一个节点都会去抢着注册controller，谁先抢到注册权，谁就有权利去确定一个Leader
还有一个比较特殊的节点是 consumers 节点。0.9版本之前用于保存 offset 信息。0.9版本之后 offset 存储在kafka主题中。
第一步：broker启动后在zk中注册，争抢controller
第二步：谁先注册Controller，谁说了算
第三步：由选举出来的Controller，监听brokers节点变化
第四步：Controller决定Leader选举
第五步：Controller将节点信息上传到ZK
第六步：其他contorller从zk同步相关信息，万一挂了他们好上位
第七步：假设Broker1中Leader挂了
第八步：Controller监听到节点变化
第九步：获取ISR
第十步：选举新的Leader（在 isr中存活为前提，按照 AR中排在前面的优先）
第十一步：更新Leader及ISR
选举规则：在isr中存活为前提，按 照AR中排在前面的优先。例如 ar[1,0,2], isr [1，0，2]，那么leader 就会按照1，0，2的顺序轮询
查看/kafka/brokers/ids 路径上的节点：
ls /kafka/brokers/ids
查看/kafka/controller 路径上的数据：
get /kafka/controller
查看/kafka/brokers/topics/first/partitions/0/state 路径上的数据查看/kafka/brokers/topics/first/partitions/0/state 路径上的数据：
get /kafka/brokers/topics/first/partitions/0/state
停止 test3 上的 kafka：
bin/kafka-server-stop.sh
再次查看/kafka/brokers/ids 路径上的节点：
ls /kafka/brokers/ids
再次查看/kafka/controller 路径上的数据：
get /kafka/controller
再次查看/kafka/brokers/topics/first/partitions/0/state 路径上的数据：
get /kafka/brokers/topics/first/partitions/0/state
重新启动 test3 上的 kafka：
bin/kafka-server-start.sh -daemon ./config/server.properties
| 参数名称 | 描述 |
| replica.lag.time.max.ms | ISR中，如果 Follower 长时间未向 Leader 发送通信请求或同步数据，则该 Follower 将被踢出 ISR。 该时间阈值，默认 30s |
| auto.leader.rebalance.enable | 默认是 true。 自动 Leader Partition 平衡 |
| leader.imbalance.per.broker.percentage | 默认是 10%。每个 broker 允许的不平衡的 leader 的比率。如果每个 broker 超过了这个值，控制器 会触发 leader 的平衡 |
| leader.imbalance.check.interval.seconds | 默认值 300 秒。检查 leader 负载是否平衡的间隔时间 |
| log.segment.bytes | Kafka 中 log 日志是分成一块块存储的，此配置是 指 log 日志划分成块的大小，默认值 1G |
| log.index.interval.bytes | 默认 4kb，kafka 里面每当写入了 4kb 大小的日志（.log），然后就往 index 文件里面记录一个索引 |
| log.retention.hours | Kafka 中数据保存的时间，默认 7 天 |
| log.retention.minutes | Kafka 中数据保存的时间，分钟级别，默认关闭 |
| log.retention.ms | Kafka 中数据保存的时间，毫秒级别，默认关闭 |
| log.retention.check.interval.ms | 检查数据是否保存超时的间隔，默认是 5 分钟 |
| log.retention.bytes | 默认等于-1，表示无穷大。超过设置的所有日志总大小，删除最早的 segment |
| log.cleanup.policy | 默认是 delete，表示所有数据启用删除策略； 如果设置值为compact，表示所有数据启用压缩策略 |
| num.io.threads | 默认是 8。负责写磁盘的线程数。整个参数值要占总核数的 50% |
| num.replica.fetchers | 副本拉取线程数，这个参数占总核数的 50%的1/3 |
| num.network.threads | 默认是 3。数据传输线程数，这个参数占总核数的 50%的2/3 |
| log.flush.interval.messages | 强制页缓存刷写到磁盘的条数，默认是 long 的最大值，9223372036854775807。一般不建议修改， 交给系统自己管理 |
| log.flush.interval.ms | 每隔多久，刷数据到磁盘，默认是 null。一般不建议修改，交给系统自己管理 |
关闭机器test3，然后对其进行克隆。
修改新机器的IP，和主机名称：
记得把test4的IP添加到test1的hosts文件中去。
记得去把zk和kafka的配置也改一下，修改 test4 中 kafka 的 broker.id 为 3，删除 test4 中 kafka 下的 datas 和 logs（注意目录）：
cd /opt/module/kafka
rm -rf datas/* logs/*启动test1、test2和test3上的zk和kafka集群：
zk.sh startkf.sh start单独启动 test4 中的 kafka：
cd /opt/module/kafka/
bin/kafka-server-start.sh -daemon ./config/server.properties
接下来要做的是把咱们原本集群里的数据，分摊一部分到新创建的test4中，以达到负载均衡的作用。创建一个要均衡的主题（回到test1机器上）：
cd /opt/module/kafkavim topics-to-move.json咱们针对 first 主题进行操作，把以下内容复制进去：
{
"topics": [
{"topic": "first"}
],
"version": 1
}
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --topics-to-move-json-file topics-to-move.json --broker-list "0,1,2,3" --generate
复制 下面一行 下来， 在 kafka目录 下创建副本存储计划（所有副本存储在 broker0、broker1、broker2、broker3 中）：
vim increase-replication-factor.json把上面的内容复制进去即可，就像这样：
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --reassignment-json-file increase-replication-factor.json --execute
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --reassignment-json-file increase-replication-factor.json --verify
此时可以去确认一下：
bin/kafka-topics.sh --bootstrap-server test1:9092 --topic first --describe
先按照退役一台节点，生成执行计划，然后按照服役时操作流程执行负载均衡。
这里其实不用改，只是强调一下步骤 ：
vim topics-to-move.json这里看到这里比之前少了一个3，从前面的"0,1,2,3"变成了"0,1,2"，因为咱们要把3退役掉 ：
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --topics-to-move-json-file topics-to-move.json --broker-list "0,1,2" --generate
依旧还是把下面的一行复制下来，然后创建副本存储计划（所有副本存储在 broker0、broker1、broker2 中）：
vim increase-replication-factor.json把刚刚复制的粘贴进去：
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --reassignment-json-file increase-replication-factor.json --execute
验证副本存储计划：
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --reassignment-json-file increase-replication-factor.json --verify
- Kafka 副本作用：提高数据可靠性。
- Kafka 默认副本 1 个，生产环境一般配置为 2 个，保证数据可靠性；太多副本会 增加磁盘存储空间，增加网络上数据传输，降低效率。
- Kafka 中副本分为：Leader 和 Follower。Kafka 生产者只会把数据发往 Leader， 然后 Follower 找 Leader 进行同步数据。
- Kafka 分区中的所有副本统称为 AR（Assigned Repllicas）。
AR = ISR + OSR
表示和 Leader 保持同步的 Follower 集合。如果 Follower 长时间未向 Leader 发送通信请求或同步数据，则该 Follower 将被踢出 ISR。该时间阈值由 replica.lag.time.max.ms 参数设定，默认 30s。Leader 发生故障之后，就会从 ISR 中选举新的 Leader
表示 Follower 与 Leader 副本同步时，延迟过多的副本
Kafka 集群中有一个 broker 的 Controller 会被选举为 Controller Leader，负责管理集群 broker 的上下线，所有 topic 的分区副本分配和 Leader 选举等工作。Controller 的信息同步工作是依赖于 Zookeeper 的。
具体流程在上面已经写过了，这里不多说。
（注意这里是4个，所以得把之前的test4开启）：
bin/kafka-topics.sh --bootstrap-server test1:9092 --create --topic van --partitions 4 --replication-factor 4
bin/kafka-topics.sh --bootstrap-server test1:9092 --describe --topic second
停止掉 test4 的 kafka 进程，并查看 Leader 分区情况：
bin/kafka-server-stop.sh回到 test1 上重新看一眼：
bin/kafka-topics.sh --bootstrap-server test1:9092 --describe --topic second
可以看到两次的 Leader 分区发生的变化：
停止掉 test3 的 kafka 进程，并查看 Leader 分区情况：
启动 test4 和 test5 的 kafka 进程，并查看 Leader 分区情况（可以看到没有变回去）：
LEO（Log End Offset）：每个副本的最后一个offset，LEO其实就是最新的offset + 1。用下图的 broker0 来看，最后一个是7，但是因为它从0开始（有点类似于索引 index ），所以最后一个其实就是 7 + 1 = 8 。
HW（High Watermark）：所有副本中最小的 LEO 。还是以下图来看， HW = 最小的LEO ----> HW = 4 + 1 = 5
咱们这里假设有三台kafka，最上面的是 Leader 下面两个为 Follower 。因为咱们kafka是由 Leader 节点跟客户做交互，所以他里面的数据比较多是正常的（有一个时间先后顺序）。上面的 ISR 表示三台服务器都正常启动。
消费者能够看到的最大的offset其实是 HW 下面的一个，也就是上图中的 4 。
此时其中的一个Follower也就是 broker2 挂了！
第一步：发生故障后，会被临时踢出ISR：
第二步：这个期间剩下的 broker0 和 broker1 会继续接收数据。它们不会因为 broker3 的掉线而停止工作，也正是因为这样 LEO 和 HW 会继续往后添加：
第三步：当挂掉的Follower恢复后，它会读取本地磁盘记录的上次的HW（5），并将高于HW的部分截取掉（因为它自身认为这是没有验证过的数据）。从HW，开始向Leader进行同步：
等该Follower追上Leader之后（准确上来说是最上新的 HW ），就可以重新加入ISR了。
第一步：发生故障后，还是会被临时踢出ISR：
第二步：Leader发生故障之后，会从ISR中选出一个新的Leader：
第三步：这时候问题来了。 broker2 里面的数据比 broker1 里面的还要多（说白了就是这个小弟的实力比老大还厉害）。此时为保证多个副本之间的数据一致性，其余的Follower会先将各自的log文件高于HW的部分截掉，然后从新的Leader同步数据（这里的 broker2 会把多出来的 5 和 6 给扔了，向 broker1 看齐）：
注意：这只能保证副本之间的数据一致性，并不能保证数据 不丢失 或者 不重复
如果 kafka 服务器只有 4 个节点，那么设置 kafka 的分区数大于服务器台数，在 kafka 底层如何分配存储副本呢？
先把之前的 second 给删了，重新创建一个：
bin/kafka-topics.sh --bootstrap-server test1:9092 --delete --topic second创建一个新的 topic，名称为 second ：
bin/kafka-topics.sh --bootstrap-server test1:9092 --create --partitions 16 --replication-factor 3 --topic second查看分区和副本情况：
看一下细节（颜色标好了，找规律即可）：
Topic: second Partition: 0 Leader: 2 Replicas: 2 , 3 , 1 Isr: 2,3,1
Topic: second Partition: 1 Leader: 3 Replicas: 3 , 1 , 0 Isr: 3,0
Topic: second Partition: 2 Leader: 1 Replicas: 1 , 0 , 2 Isr: 1,0,2
Topic: second Partition: 3 Leader: 0 Replicas: 0 , 2 , 3 Isr: 0,2,3——————————————————————————————————————————————
Topic: second Partition: 4 Leader: 2 Replicas: 2 , 1 , 0 Isr: 2,1,0
Topic: second Partition: 5 Leader: 3 Replicas: 3 , 0 , 2 Isr: 3,0
Topic: second Partition: 6 Leader: 1 Replicas: 1 , 2 , 3 Isr: 1,2,3
Topic: second Partition: 7 Leader: 0 Replicas: 0 , 3 , 1 Isr: 0,3,1——————————————————————————————————————————————
Topic: second Partition: 8 Leader: 2 Replicas: 2 , 0 , 3 Isr: 2,0,3
Topic: second Partition: 9 Leader: 3 Replicas: 3 , 2 , 1 Isr: 3
Topic: second Partition: 10 Leader: 1 Replicas: 1 , 3 , 0 Isr: 1,3,0
Topic: second Partition: 11 Leader: 0 Replicas: 0 , 1 , 2 Isr: 0,1,2——————————————————————————————————————————————
Topic: second Partition: 12 Leader: 2 Replicas: 2 , 3 , 1 Isr: 2,3,1
Topic: second Partition: 13 Leader: 3 Replicas: 3 , 1 , 0 Isr: 3,0
Topic: second Partition: 14 Leader: 1 Replicas: 1 , 0 , 2 Isr: 1,0,2
Topic: second Partition: 15 Leader: 0 Replicas: 0 , 2 , 3 Isr: 0,2,3
在生产环境中，每台服务器的配置和性能不一致，但是Kafka只会根据自己的代码规则创建对应的分区副本，就会导致个别服务器存储压力较大。所有需要手动调整分区副本的存储。
需求： 创建一个新的topic，4个分区，两个副本，名称为three。将 该topic的所有副本都存储到 broker0 和 broker1 两台服务器上。
下图中左侧为默认环境， L （Leader）被均匀的分布在了每一台服务器上。但是这里的 broker0 和 broker1 的性能远高于 broker2 和 broker3 ，所以咱们的目的如下图右侧：将 L （Leader）固定分配在性能较高的 broker0 和 broker1 中。
手动调整分区副本存储的步骤如下：
bin/kafka-topics.sh --bootstrap-server test1:9092 --create --partitions 4 --replication-factor 2 --topic three
bin/kafka-topics.sh --bootstrap-server test1:9092 --describe --topic three
所有副本都指定存储在 broker0、broker1 中：
vim increase-replication-factor.json输入如下内容：
{
"version":1,
"partitions":[{"topic":"three","partition":0,"replicas":[0,1]},
{"topic":"three","partition":1,"replicas":[0,1]},
{"topic":"three","partition":2,"replicas":[1,0]},
{"topic":"three","partition":3,"replicas":[1,0]}]
}bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --reassignment-json-file increase-replication-factor.json --execute
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --reassignment-json-file increase-replication-factor.json --verify
bin/kafka-topics.sh --bootstrap-server test1:9092 --describe --topic three
操作完成！
正常情况下，Kafka本身会自动把Leader Partition均匀分散在各个机器上，来保证每台机器的读写吞吐量都是均匀的。但是如果某些broker宕机，会导致Leader Partition过于集中在其他少部分几台broker上，这会导致少数几台broker的读写请求压力过高，其他宕机的broker重启之后都是follower partition，读写请求很低，造成集群负载不均衡。
auto.leader.rebalance.enable ，默认是true。自动 Leader Partition 平衡
leader.imbalance.per.broker.percentage ， 默认是10%。每个broker允许的不平衡的leader的比率。如果每个broker超过了这个值，控制器会触发leader的平衡
leader.imbalance.check.interval.seconds ， 默认值300秒。检查leader负载是否平衡的间隔时间
下面举个栗子：
可以看到上图中先创建了一个topic，然后进行两次查看（第一次查看之后我手动把一台broker关掉再重启）。
第一次查看：ISR全部存活，对Replicas进行对比，谁靠前谁就是Leader。
然后去关掉一个broker，当它下线的时候，集群会选举出新的Leader。之后重启它，让它重新上线。
第二次查看：因为中途Leader的变更，所以可以看到就算Replicas中2是靠前的，但是Leader变成了3。
拿 broker0 来说，原本的Leader应该是2，但是在重新选举后变成了3，所以不平衡数加1。AR的副本数是4，所以 broker0 节点不平衡率为 1/4>10% ，需要再平衡。
Broker1 2 3 的不平衡数为0，不需要再平衡。
在生产环境中，就算发生了broker重启的情况，也不会导致kafka集群不可用。此时再去进行平衡会浪费大量的系统资源，这是没必要的，所以生产环境中一般会把 auto.leader.rebalance.enable 的true改成false。若这里不改的话也可以讲后面 leader.imbalance.per.broker.percentage 的10%提高到20-30%左右。
在生产环境当中，由于某个主题的重要等级需要提升，我们考虑增加副本。副本数的增加需要先制定计划，然后根据计划执行。
bin/kafka-topics.sh --bootstrap-server test1:9092 --create --partitions 3 --replication-factor 1 --topic four创建副本存储计划（所有副本都指定存储在 broker0、broker1、broker2 中）：
vim increase-replication-factor.json内容如下：
{"version":1,"partitions":[{"topic":"four","partition":0,"replicas":[0,1,2]},{"topic":"four","partition":1,"replicas":[0,1,2]},{"topic":"four","partition":2,"replicas":[0,1,2]}]}
bin/kafka-reassign-partitions.sh --bootstrap-server test1:9092 --reassignment-json-file increase-replication-factor.json --execute
Topic是逻辑上的概念，而partition是物理上的概念，每个partition对应于一个log文件，该log文件中存储的就是Producer生产的数据。Producer生产的数据会被不断追加到该log文件末端，为防止log文件过大导致数据定位效率低下，Kafka采取了分片和索引机制，将每个partition分为多个segment。每个segment包括：“.index”文件、“.log”文件和.timeindex等文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic名称+分区序号，例如：first-0。
可以用Linux的文件目录来抽象的表示一下：
Topic/
├── Partition-0
│ └── log
│ ├── *.index
│ ├── *.log
│ └── *.timeindex
├── Partition-1
│ └── log
└── Partition-2
└── log
查看 test1（或者 test2、test3）的/opt/module/kafka/datas/first-1 （first-0、first-2）路径上的文件：
cd /opt/module/kafka/datas/first-0/
这里的日志是无法直接用cat查看的，因为它是序列化文件。通过工具查看 index 和 log 信息：
kafka-run-class.sh kafka.tools.DumpLogSegments --files ./00000000000000000000.index如何在log文件中定位到offset所对应的Record：
- 根据目标offset定位Segment文件
- 找到小于等于目标offset的最大offset对应的索引项
- 定位到log文件
- 向下遍历找到目标Record
日志存储参数配置：
| 参数 | 描述 |
| log.segment.bytes | Kafka 中 log 日志是分成一块块存储的，此配置是指 log 日志划分 成块的大小，默认值 1G |
| log.index.interval.bytes | 默认 4kb，kafka 里面每当写入了 4kb 大小的日志（.log），然后就 往 index 文件里面记录一个索引。 稀疏索引 |
Kafka 中默认的日志保存时间为 7 天，可以通过调整如下参数修改保存时间：
- log.retention.hours ，最低优先级小时，默认 7 天。
- log.retention.minutes ，分钟。
- log.retention.ms ，最高优先级毫秒。
- log.retention.check.interval.ms ，负责设置检查周期，默认 5 分钟。
那么日志一旦超过了设置的时间，怎么处理呢？ Kafka 中提供的日志清理策略有 delete 和 compact 两种。
基于时间：默认打开。以 segment 中所有记录中的最大时间戳作为该文件时间戳。
基于大小：默认关闭。超过设置的所有日志总大小，删除最早的 segment。 log.retention.bytes，默认等于-1，表示无穷大。
compact日志压缩：对于相同key的不同value值，只保留最后一个版本。
压缩后的offset可能是不连续的，比如上图中没有6，当从这些offset消费消息时，将会拿到比这个offset大 的offset对应的消息，实际上会拿到offset为7的消息，并从这个位置开始消费。
这种策略只适合特殊场景，比如消息的key是用户ID，value是用户的资料，通过这种压缩策略，整个消息 集里就保存了所有用户最新的资料。
Kafka 的 producer 生产数据，要写入到 log 文件中，写的过程是一直追加到文件末端，为顺序写。官网有数据表明，同样的磁盘，顺序写能到 600M/s，而随机写只有 100K/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。
零拷贝：Kafka的数据加工处理操作交由Kafka生产者和Kafka消费者处理。Kafka Broker应用层不关心存储的数据，所以就不用走应用层，传输效率高。
PageCache页缓存：Kafka重度依赖底层操作系统提供的PageCache功 能。当上层有写操作时，操作系统只是将数据写入 PageCache。当读操作发生时，先从PageCache中查找，如果找不到，再去磁盘中读取。实际上PageCache是把尽可能多的空闲内存 都当做了磁盘缓存来使用。
| 参数 | 描述 |
| log.flush.interval.messages | 强制页缓存刷写到磁盘的条数，默认是 long 的最大值，9223372036854775807。一般不建议修改，交给系统自己管理 |
| log.flush.interval.ms | 每隔多久，刷数据到磁盘，默认是 null。一般不建议修改， 交给系统自己管理 |
一、什么是MQTT协议MessageQueuingTelemetryTransport：消息队列遥测传输协议。是一种基于客户端-服务端的发布/订阅模式。与HTTP一样，基于TCP/IP协议之上的通讯协议，提供有序、无损、双向连接，由IBM（蓝色巨人）发布。原理：（1）MQTT协议身份和消息格式有三种身份：发布者（Publish）、代理（Broker）（服务器）、订阅者（Subscribe）。其中，消息的发布者和订阅者都是客户端，消息代理是服务器，消息发布者可以同时是订阅者。MQTT传输的消息分为：主题（Topic）和负载（payload）两部分Topic，可以理解为消息的类型，订阅者订阅（Su
TCL脚本语言简介•TCL（ToolCommandLanguage）是一种解释执行的脚本语言（ScriptingLanguage）,它提供了通用的编程能力：支持变量、过程和控制结构；同时TCL还拥有一个功能强大的固有的核心命令集。TCL经常被用于快速原型开发，脚本编程，GUI和测试等方面。•实际上包含了两个部分：一个语言和一个库。首先，Tcl是一种简单的脚本语言，主要使用于发布命令给一些互交程序如文本编辑器、调试器和shell。由于TCL的解释器是用C\C++语言的过程库实现的，因此在某种意义上我们又可以把TCL看作C库，这个库中有丰富的用于扩展TCL命令的C\C++过程和函数，所以，Tcl是
开门见山|拉取镜像dockerpullelasticsearch:7.16.1|配置存放的目录#存放配置文件的文件夹mkdir-p/opt/docker/elasticsearch/node-1/config#存放数据的文件夹mkdir-p/opt/docker/elasticsearch/node-1/data#存放运行日志的文件夹mkdir-p/opt/docker/elasticsearch/node-1/log#存放IK分词插件的文件夹mkdir-p/opt/docker/elasticsearch/node-1/plugins若你使用了moba，直接右键新建即可如上图所示依次类推创建
文章目录概念索引相关操作创建索引更新副本查看索引删除索引索引的打开与关闭收缩索引索引别名查询索引别名文档相关操作新建文档查询文档更新文档删除文档映射相关操作查询文档映射创建静态映射创建索引并添加映射概念es中有三个概念要清楚，分别为索引、映射和文档（不用死记硬背，大概有个印象就可以）索引可理解为MySQL数据库；映射可理解为MySQL的表结构；文档可理解为MySQL表中的每行数据静态映射和动态映射上面已经介绍了，映射可理解为MySQL的表结构，在MySQL中，向表中插入数据是需要先创建表结构的；但在es中不必这样，可以直接插入文档，es可以根据插入的文档（数据），动态的创建映射（表结构），这就
HTTP缓存是指浏览器或者代理服务器将已经请求过的资源保存到本地，以便下次请求时能够直接从缓存中获取资源，从而减少网络请求次数，提高网页的加载速度和用户体验。缓存分为强缓存和协商缓存两种模式。一.强缓存强缓存是指浏览器直接从本地缓存中获取资源，而不需要向web服务器发出网络请求。这是因为浏览器在第一次请求资源时，服务器会在响应头中添加相关缓存的响应头，以表明该资源的缓存策略。常见的强缓存响应头如下所述：Cache-ControlCache-Control响应头是用于控制强制缓存和协商缓存的缓存策略。该响应头中的指令如下：max-age：指定该资源在本地缓存的最长有效时间，以秒为单位。例如：Ca
如何用IDEA2022创建并初始化一个SpringBoot项目？目录如何用IDEA2022创建并初始化一个SpringBoot项目？0. 环境说明1. 创建SpringBoot项目 2.编写初始化代码0. 环境说明IDEA2022.3.1JDK1.8SpringBoot1. 创建SpringBoot项目 打开IDEA，选择NewProject创建项目。 填写项目名称、项目构建方式、jdk版本，按需要修改项目文件路径等信息。 选择springboot版本以及需要的包，此处只选择了springweb。 此处需特别注意，若你使用的是jdk1
前言上一篇我们简要讲述了粒子系统是什么，如何添加，以及基本模块的介绍，以及对于曲线和颜色编辑器的讲解。从本篇开始，我们将按照模块结构讲解下去，本篇主要讲粒子系统的主模块，该模块主要是控制粒子的初始状态和全局属性的，以下是关于该模块的介绍，请大家指正。目录前言本系列提要一、粒子系统主模块1.阅读前注意事项2.参考图3.参数讲解DurationLoopingPrewarmStartDelayStartLifetimeStartSpeed3DStartSizeStartSize3DStartRotationStartRotationFlipRotationStartColorGravityModif
VMware虚拟机与本地主机进行磁盘共享前提虚拟机版本为Windows10（专业版，不是可能有问题）本地主机为家庭版或学生版(此版本会有问题，但有替代方式)最好是专业版VMware操作1.关闭防火墙，全部关闭。2.打开电脑属性3.点击共享-》高级共享-》权限4.如果没有everyone，就添加权限选择完全控制，然后应用确定。5.打开cmd输入lusrmgr.msc(只有专业版可以打开)如果不是专业版，可以跳过这一步。点击用户-》administrator密码要复杂密码，否则不行。推荐admaiN@1234类型的密码。设置完密码，点击属性，将禁用解开。6.如果虚拟机的windows不是专业版，可
一、解决痛点使用spring-kafka客户端，每次新增topic主题，都需要硬编码客户端并重新发布服务，操作麻烦耗时长。kafkaListener虽可以支持通配符消费topic，缺点是并发数需要手动改并且重启服务。对于业务逻辑相似场景，创建新主题动态监听可以用kafka-batch-starter组件二、组件能力1、新增topic名称为：auto.topic1（由于配置spring.kafka.consumer.prefix为auto，因此只有auto前缀的topic，才会被组件动态监听。）2、应用输出日志，监听到新增auto.topic1，并初始化客户端(主题刷新间隔为10s)3、发新的消
IK分词器本文分为简介、安装、使用三个角度进行讲解。简介倒排索引众所周知，ES是一个及其强大的搜索引擎，那么它为什么搜索效率极高呢，当然和他的存储方式脱离不了关系，ES采取的是倒排索引，就是反向索引；常见索引结构几乎都是通过key找value，例如Map；倒排索引的优势就是有效利用Value，将多个含有相同Value的值存储至同一位置。分词器为了配合倒排索引，分词器也就诞生了，只有合理的利用Value，才会让倒排索引更加高效，如果一整个Value不进行任何操作直接进行存储，那么Value和key毫无区别。分词器Analyzer通常会对Value进行操作：一、字符过滤，过滤掉html标签；二、分