基于Llama3的开发应用（二）：大语言模型的工业部署

news2025/5/19 19:05:57

大语言模型的工业部署

  • 0 前言
  • 1 ollama部署大模型
    • 1.1 ollama简介
    • 1.2 ollama的安装
    • 1.3 启动ollama服务
    • 1.4 下载模型
    • 1.5 通过API调用模型
  • 2 vllm部署大模型
    • 2.1 vllm简介
    • 2.2 vllm的安装
    • 2.3 启动vllm模型服务
    • 2.4 API调用
  • 3 LMDeploy部署大模型
    • 3.1 LMDeploy简介
    • 3.2 LMDeploy的安装
    • 3.3 启动 LMDeploy 模型服务
    • 3.4 API调用
  • 4 使用streamlit+vllm部署模型
  • 5 总结

0 前言

上篇文章讲了Llama3模型的简单部署，并且我们介绍了transformers调用大模型的通用格式，并且我们使用 streamlit 做了一个简易交互界面。但真实生产环境中，推理框架很少用transformers，这是因为该库的设计初衷是广泛兼容性和易用性，而不是专门针对特定硬件或大规模模型的性能优化。生产环境中主要用 vllm 和 LMDploy，另外，对于个人用户，ollama的使用也比较多，所以本文主要介绍这三种推理框架的使用。

1 ollama部署大模型

1.1 ollama简介

Ollama 是一个开源工具，旨在简化大型语言模型（LLMs）在本地计算机上的部署和运行。以下是其核心特点及功能的简要介绍：

核心功能

  1. 本地运行
    允许用户在本地设备（如个人电脑）直接运行LLMs（如Meta的LLaMA、LLaMA 2等），无需依赖云服务，保障数据隐私并支持离线使用。

  2. 模型支持
    • 提供预训练模型库，支持多种模型（如LLaMA 2、Mistral、Gemma等）及不同参数量版本（如7B、13B）。
    • 通过简单命令（如ollama run llama2）即可下载和运行模型，类似Docker镜像管理。

  3. 跨平台兼容性
    支持主流操作系统（Windows、macOS、Linux），并利用硬件加速（如CUDA、Metal）优化性能，提升推理速度。

  4. 用户友好性
    主要提供命令行接口（CLI），简化模型交互流程。部分第三方工具（如Open WebUI）可扩展图形界面。

技术特点
• 量化优化：采用4位量化等技术减少模型内存占用，使其能在消费级硬件（如普通GPU/CPU）上流畅运行。
• 灵活扩展：支持导入自定义模型或适配Hugging Face等平台的模型，满足进阶开发需求。

使用场景
• 开发者测试：本地快速部署模型，进行原型开发或调试。
• 隐私敏感场景：处理敏感数据时避免依赖云端服务。
• 教育与研究：无网络环境下进行模型实验或教学演示。

与类似工具对比
相较于llama.cpp（专注于高效推理）或Hugging Face Transformers（需更多配置），Ollama强调开箱即用，降低使用门槛，适合非专业用户。

1.2 ollama的安装

进入ollama官网，点击Download：
在这里插入图片描述
点击Linux，并获取安装命令
在这里插入图片描述
在服务器中新建一个conda环境，名字为ollama，此环境专门用于ollama推理：conda create -n ollama python==3.12

环境创建后，激活该环境，输入刚刚复制的安装指令安装，即：

curl -fsSL https://ollama.com/install.sh | sh

国内用户这一步经常会因为网络问题而安装失败，这一步在魔搭平台中有解决方案：
在这里插入图片描述
其实就是两条命令：

pip install modelscope
modelscope download --model=modelscope/ollama-linux --local_dir ./ollama-linux

以上命令执行后，ollama的安装文件将改从魔搭平台下载。

接下来是安装，执行下面两条命令：

cd ollama-linux/
sh ollama-linux/ollama-modelscope-install.sh

若出现以下信息，则说明安装成功：
在这里插入图片描述
如果直接使用官网的安装教程安装ollama，那么通过 ollama run 命令从ollama官网中下载的模型会保存在/usr/share/ollama/.ollama/models中。

如果是从魔搭平台下载安装文件进行安装（即替代方案），则通过 ollama run 命令从ollama官网中下载的模型保存在~/.ollama/models中，最好重新设置模型保存路径。依次输入下面两条命令，修改保存路径：

echo 'export OLLAMA_MODELS="/data/coding/model_weights/ollama/models"' >> ~/.bashrc		# 修改成你想保存的路径
source ~/.bashrc

1.3 启动ollama服务

只有开启服务后，才能下载并部署模型

ollama serve

在这里插入图片描述
我们可以看到API Key，还有地址与端口号。

1.4 下载模型

ollama只能运行经过GGUF量化后的模型，相对于原模型效果略差。首次运行模型，如果本地没有，那么会从ollama官网拉取模型文件到本地。

在ollama主页中搜索模型名并按回车，我们这里输入qwen3（之所以不用llama3，是因为llama3最小的都是8B，llama3.2最小的是1B，下载起来很慢，而qwen3最小的是0.6B）：
在这里插入图片描述
在这里插入图片描述
点击 qwen3:0.6b
在这里插入图片描述

新建一个终端，并激活ollama环境，随后复制右上角的模型运行命令，即：

ollama run qwen3:0.6b

拉取完模型后（下载速度不用担心，在国内下载速度是可以的），会出现简单的交互界面：
在这里插入图片描述
可以看到，qwen3已经像deepseek一样，具有了深度思考大的功能。输入Ctrl + d 或者 /bye 退出交互界面。

可以在我们设置的路径下找到模型文件：
在这里插入图片描述
可以在终端输入 ollama list 查看能调用的模型，我这里输入的结果是：

NAME          ID              SIZE      MODIFIED       
qwen3:0.6b    3bae9c93586b    522 MB    48 minutes ago

1.5 通过API调用模型

启动服务的那一步，我们可以拿到API Key以及模型地址，接下来我们用OpenAI API 的风格调用模型。在此之前，需要安装OpenAI：

pip install openai

新建一个名为 ollama_test.py 的程序文件，内容如下：

#多轮对话
from openai import OpenAI

#定义多轮对话方法
def run_chat_session():
    #初始化客户端
    client = OpenAI(base_url="http://localhost:11434/v1/", 	# /v1表示调用为OpenAI风格设计的接口
    				api_key="AAAA"		# 调用本机的服务，api_key可以随便写
    				)	
    #初始化对话历史
    chat_history = []
    #启动对话循环
    while True:
        #获取用户输入
        user_input = input("用户：")
        if user_input.lower() == "exit":
            print("退出对话。")
            break
        #更新对话历史(添加用户输入)
        chat_history.append({"role":"user","content":user_input})
        #调用模型回答
        try:
            chat_complition = client.chat.completions.create(messages=chat_history,model="qwen3:0.6b")	# model只需要置为模型名就行
            #获取最新回答
            model_response = chat_complition.choices[0]
            print("AI:",model_response.message.content)
            #更新对话历史（添加AI模型的回复）
            chat_history.append({"role":"assistant","content":model_response.message.content})
        except Exception as e:
            print("发生错误：",e)
            break
if __name__ == '__main__':
    run_chat_session()

Ollama 服务端在启动时，会监听多个路径：/api，原生 Ollama API（如生成、拉取模型）；/v1：专为兼容 OpenAI API 设计的接口。

Ollama 的 OpenAI 风格接口仅在 /v1 路径下实现，因此 base_url="http://localhost:11434/v1/" 的 ​​/v1​​ 用于标识 OpenAI API 接口版本，这样可以保持原生 API 和 OpenAI 风格 API 的路径分离，避免冲突。

此外，由于调用本机的服务，无需真实密钥，密钥可以随便写，但不能没有。

在终端输入（以下命令无需在ollama环境中运行）：

ollama_test.py

终端结果如下：
在这里插入图片描述
按Ctrl+C退出交互。

从上面的结果可以看到，qwen3:0.6b 的多轮对话能力不行，记不住前面回答的内容，一方面是模型太小，只有0.6b，另一方面是模型经过量化，效果变差。

2 vllm部署大模型

2.1 vllm简介

vLLM 是一个快速且易于使用的库，用于 LLM 推理和服务。vLLM 最初在加州大学伯克利分校的 Sky Computing Lab 开发，现已发展成为一个社区驱动的项目，汇集了学术界和工业界的贡献。

vLLM 速度快，具有：

  • 最先进的服务吞吐量
  • 使用 PagedAttention 高效管理注意力键和值内存
  • 持续批处理传入请求
  • 使用 CUDA/HIP 图快速模型执行
  • 量化：GPTQ, AWQ, INT4, INT8 和 FP8
  • 优化的 CUDA 内核，包括与 FlashAttention 和 FlashInfer 的集成。
  • 推测解码
  • 分块预填充

vLLM 灵活且易于使用，具有：

  • 与流行的 HuggingFace 模型无缝集成（ollama只能调用GUFF模型）
  • 使用各种解码算法（包括并行采样、束搜索等）实现高吞吐量服务
  • 张量并行和流水线并行支持分布式推理
  • 流式输出
  • OpenAI 兼容的 API 服务器
  • 支持 NVIDIA GPU、AMD CPU 和 GPU、Intel CPU、Gaudi® 加速器和 GPU、IBM Power CPU、TPU 以及 AWS Trainium 和 Inferentia 加速器。
  • 前缀缓存支持
  • Multi-LoRA 支持

vllm有专门的中文文档。

2.2 vllm的安装

vllm目前只能在Linux系统安装，安装vllm的硬件环境，必须是算力不低于7.0的GPU，像P40、P100显卡就没法用（其实也可以，但比较麻烦，需要自己编译），CPU虽然也能装，但vllm一般是用于企业级用户，CPU无法满足算力要求。

不要在base环境中安装vllm，因为安装的时候，会安装与vllm配套的CUDA，如果原有的CUDA与vllm不匹配，则会卸载原有的CUDA，从而重新安装PyTorch，这样影响很大。

我们这里和ollama类似，新建一个环境，专门使用vllm部署：

conda create -n vllm1 python=3.12	# 我在新建环境时，环境名后面多敲了个1

然后安装vllm：

pip install vllm

安装的时候，会把相关的依赖也安装好，包括最新版本的 PyTorch。因为安装的依赖比较多，为了加速，最好把pip的镜像切换回国内的镜像源，例如可以用清华源：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2.3 启动vllm模型服务

终端输入：

vllm serve model_weights/LLM-Research/Meta-Llama-3-8B-Instruct

其实就是 vllm serve 加 模型路径。

出现以下信息，说明服务启动成功：
在这里插入图片描述
从上面的信息可以看到服务的路径和端口号。

此时我们可以新建一个端口，输入nvitop查看显存使用情况：
在这里插入图片描述

2.4 API调用

新建一个名为 test03.py 的代码文件，内容如下：

#多轮对话
from openai import OpenAI

#定义多轮对话方法
def run_chat_session():
    #初始化客户端
    client = OpenAI(base_url="http://localhost:8000/v1/",api_key="suibianxie")	# 在本地调用，api_key可以任意，但不能没有
    #初始化对话历史
    chat_history = []
    #启动对话循环
    while True:
        #获取用户输入
        user_input = input("用户：")
        if user_input.lower() == "exit":
            print("退出对话。")
            break
        #更新对话历史(添加用户输入)
        chat_history.append({"role":"user","content":user_input})
        #调用模型回答
        try:
            chat_complition = client.chat.completions.create(messages=chat_history,model="model_weights/LLM-Research/Meta-Llama-3-8B-Instruct")
            #获取最新回答
            model_response = chat_complition.choices[0]
            print("AI:",model_response.message.content)
            #更新对话历史（添加AI模型的回复）
            chat_history.append({"role":"assistant","content":model_response.message.content})
        except Exception as e:
            print("发生错误：",e)
            break
if __name__ == '__main__':
    run_chat_session()

注意，调用模型时，model需要指定为模型路径，代码的其他部分和 ollama_test.py 没差。

新建一个终端，切换到装有openai的环境，然后命令行执行：

python test03.py

然后在控制台进行交互：
在这里插入图片描述
按Ctrl+C退出交互。

3 LMDeploy部署大模型

3.1 LMDeploy简介

LMDeploy 是一个用于大型语言模型（LLMs）和视觉-语言模型（VLMs）压缩、部署和服务的 Python 库，由 MMDeploy 和 MMRazor 团队联合开发。 其核心推理引擎包括 TurboMind 引擎和 PyTorch 引擎。前者由 C++ 和 CUDA 开发，致力于推理性能的优化，而后者纯 Python 开发，旨在降低开发者的门槛。

LMDeploy 支持在 Linux 和 Windows 平台上部署 LLMs 和 VLMs，这个比vllm强一些，最低要求 CUDA 版本为 11.3。它和vllm一样，主要也是面向企业级用户，GPU算力同样必须在7.0或7.0以上。

LMDeploy 工具箱提供以下核心功能：

  • 高效的推理： LMDeploy 开发了 Persistent Batch(即 Continuous Batch)，Blocked K/V Cache，动态拆分和融合，张量并行，高效的计算 kernel等重要特性。推理性能是 vLLM 的 1.8 倍
  • 可靠的量化： LMDeploy 支持权重量化和 k/v 量化。4bit 模型推理效率是 FP16 下的 2.4 倍。量化模型的可靠性已通过 OpenCompass 评测得到充分验证。
  • 便捷的服务： 通过请求分发服务，LMDeploy 支持多模型在多机、多卡上的推理服务。
  • 有状态推理： 通过缓存多轮对话过程中 attention 的 k/v，记住对话历史，从而避免重复处理历史会话。显著提升长文本多轮对话场景中的效率。
  • 卓越的兼容性: LMDeploy 支持 KV Cache 量化, AWQ 和 Automatic Prefix Caching 同时使用。

LMDeploy的文档。

3.2 LMDeploy的安装

和前面一样，创建一个名为 lmdeploy 的环境，专门用于LLMDeploy部署模型：

conda create -n lmdeploy python==3.12

然后安装 lmdeploy：

pip install lmdeploy

这里同样会重新安装cuda，以及与之配套的最新版PyTorch。

3.3 启动 LMDeploy 模型服务

终端输入：

lmdeploy serve api_server model_weights/LLM-Research/Meta-Llama-3-8B-Instruct --max-batch-size 8

其实就是 vllm serve + 模型路径，如果显存够大的化，可以不加–max-batch-size参数（我最开始没加的，然后显存就爆了）。

当出现以下信息，说明服务启动成功：
在这里插入图片描述
从打印的信息中，我们可以看到端口号。

新建一个端口，使用 nvitop 查看显存使用情况：
在这里插入图片描述
对比 vllm 可以发现，相同的模型，lmdeploy显存占用较高，当然，也有可能是我的参数设置不合理，可是我试了把 --max-batch-size 设置成1、2、4，显存占用都是98%。

3.4 API调用

创建一个名为 lmdeploy_test.py 的代码文件：

#多轮对话
from openai import OpenAI

#定义多轮对话方法
def run_chat_session():
    #初始化客户端
    client = OpenAI(base_url="http://localhost:23333/v1/",api_key="suibianxie")
    #初始化对话历史
    chat_history = []
    #启动对话循环
    while True:
        #获取用户输入
        user_input = input("用户：")
        if user_input.lower() == "exit":
            print("退出对话。")
            break
        #更新对话历史(添加用户输入)
        chat_history.append({"role":"user","content":user_input})
        #调用模型回答
        try:
            chat_complition = client.chat.completions.create(messages=chat_history,model="model_weights/LLM-Research/Meta-Llama-3-8B-Instruct")
            #获取最新回答
            model_response = chat_complition.choices[0]
            print("AI:",model_response.message.content)
            #更新对话历史（添加AI模型的回复）
            chat_history.append({"role":"assistant","content":model_response.message.content})
        except Exception as e:
            print("发生错误：",e)
            break
if __name__ == '__main__':
    run_chat_session()

创建一个新的终端，输入：

python lmdeploy_test.py

然后在控制台交互：
在这里插入图片描述

4 使用streamlit+vllm部署模型

这个其实就是用vllm作为推理框架，然后再搭一个前端交互界面。

新建一个名为 demo_vllm_streamlit.py 的代码文件，内容如下：

import streamlit as st
from openai import OpenAI

# 合并对话历史
def build_messages(prompt, history):
    messages = []
    system_message = {"role": "system", "content": "You are a helpful assistant."}
    messages.append(system_message)
    messages.extend(history)
    user_message = {"role": "user", "content": prompt}
    messages.append(user_message)
    return messages

# 初始化客户端
@st.cache_resource
def get_client():
    # 如果没有 @st.cache_resource，那么每次在前端界面输入信息时，程序就会再次执行，导致模型重复导入
    client = OpenAI(base_url="http://localhost:8000/v1/",api_key="suibianxie")
    return client

# 在侧边栏中创建一个标题和一个链接
with st.sidebar:
    st.markdown("## LLaMA3 LLM")
    "[开源大模型食用指南 self-llm](https://github.com/datawhalechina/self-llm.git)"

# 创建一个标题和一个副标题
st.title("💬 LLaMA3 Chatbot")
st.caption("🚀 A streamlit chatbot powered by Self-LLM")

# 如果session_state中没有"messages"，则创建一个包含默认消息的列表
if "messages" not in st.session_state:
    st.session_state["messages"] = []
    
# 遍历session_state中的所有消息，并显示在聊天界面上
for msg in st.session_state.messages:
    st.chat_message(msg["role"]).write(msg["content"])

# 初始化客户端
client = get_client()

#初始化消息列表（即对话历史）
chat_history = [{"role": "system", "content": "You are a helpful assistant."}]

# 如果用户在聊天输入框中输入了内容，则执行以下操作
if prompt := st.chat_input():
    
    # 在聊天界面上显示用户的输入
    st.chat_message("user").write(prompt)

    # 将当前提示词添加到消息列表
    messages = build_messages(prompt=prompt, history=st.session_state["messages"])
    
    #调用模型
    chat_complition = client.chat.completions.create(messages=messages,model="model_weights/LLM-Research/Meta-Llama-3-8B-Instruct")
    
    #获取回答
    model_response = chat_complition.choices[0]
    response_text = model_response.message.content

    # 将用户问题和模型的输出添加到session_state中的messages列表中
    st.session_state.messages.append({"role": "user", "content": prompt})
    st.session_state.messages.append({"role": "assistant", "content": response_text})

    # 在聊天界面上显示模型的输出
    st.chat_message("assistant").write(response_text)

# 在终端中运行以下命令，启动streamlit服务，并将端口映射到本地，然后在浏览器中打开链接 http://localhost:6006/ ，即可看到聊天界面。
# ```bash
# streamlit run demo_vllm_streamlit.py --server.address 127.0.0.1 --server.port 6006
#

在终端中运行以下命令，启动streamlit服务，并将端口映射到本地，然后在浏览器中打开链接 http://localhost:6006/ ，即可看到聊天界面。

streamlit run demo_vllm_streamlit.py --server.address 127.0.0.1 --server.port 6006

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5 总结

这篇文章看完之后，可以说只要显存够，所有的大模型都会部署了，后面的文章还会介绍量化和分布式部署。

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.coloradmin.cn/o/2378702.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

windows 10 做服务器 其他电脑无法访问，怎么回事？

windows 10 做服务器 其他电脑无法访问，怎么回事？

一般我们会先打开win10自己的防火墙策略，但是容易忽略 电脑之间 路由器上的防火墙，此时也需要查看一下，可以尝试先关闭路由器防火墙，如果可以了，再 设置路由器上的防火墙规则。 将路由器的上网设置 改成 路由模式 &a…
阅读更多...
Linux进程信号处理(26)

Linux进程信号处理(26)

文章目录 前言一、信号的处理时机处理情况“合适”的时机 二、用户态与内核态概念重谈进程地址空间信号的处理过程 三、信号的捕捉内核如何实现信号的捕捉？sigaction 四、信号部分小结五、可重入函数六、volatile七、SIGCHLD 信号总结 前言 这篇就是我们关于信号的最…
阅读更多...
报表控件stimulsoft教程：如何在报表和仪表板中创建热图

报表控件stimulsoft教程：如何在报表和仪表板中创建热图

Stimulsoft Ultimate （原Stimulsoft Reports.Ultimate）是用于创建报表和仪表板的通用工具集。该产品包括用于WinForms、ASP.NET、.NET Core、JavaScript、WPF、PHP、Java和其他环境的完整工具集。无需比较产品功能，Stimulsoft Ultimate包含了…
阅读更多...
win32相关（字符编码）

win32相关（字符编码）

字符编码 ASCII编码 ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）是最基础的字符编码标准，用于在计算机和其他设备中表示文本 基本概念 7位编码： ASCII使用7位二进制数&#x…
阅读更多...
使用Langfuse和RAGAS，搭建高可靠RAG应用

使用Langfuse和RAGAS，搭建高可靠RAG应用

大家好，在人工智能领域，RAG系统融合了检索方法与生成式AI模型，相比纯大语言模型，提升了准确性、减少幻觉且更具可审计性。不过，在实际应用中，当建好RAG系统投入使用时，如何判断接收信息是否正确…
阅读更多...
android studio导入项目

android studio导入项目

如果 gradle-8.0-bin.zip 没有下载成功 可以点击进入这个网站：https://services.gradle.org/distributions/ 找到和自己本版相同的gradle-8.0-bin.zip文件找到自己版本进行下载; 如果下载依赖失败, 可以手动下载依赖编译过程中的jar https://repo.maven.apache.org/…
阅读更多...
Autosar Nvm下电存储实现方式-基于ETAS工具

Autosar Nvm下电存储实现方式-基于ETAS工具

文章目录 前言Autosar Nvm相关定义Nvm Ram Block States状态切换Nvm_WriteAll函数NvBlock配置生成代码分析及使用总结前言 Nvm中存储的数据，一般有两种存储方式，一个是立即存，一个是下电存，之前介绍过立即存的配置，本文介绍下电存的配置及实现 Autosar Nvm相关定义 Nvm…
阅读更多...
c# 数据结构 树篇 入门树与二叉树的一切

c# 数据结构 树篇 入门树与二叉树的一切

事先声明,本文不适合对数据结构完全不懂的小白 请至少学会链表再阅读 c# 数据结构 链表篇 有关单链表的一切_c# 链表-CSDN博客 数据结构理论先导:《数据结构（C 语言描述）》也许是全站最良心最通俗易懂最好看的数据结构课（最迟每周五更新~~&am…
阅读更多...
Python Bug 修复案例分析：asyncio 事件循环异常引发的程序崩溃 两种修复方法

Python Bug 修复案例分析：asyncio 事件循环异常引发的程序崩溃 两种修复方法

在 Python 异步编程的工作中，asyncio库为我们提供了高效处理并发任务的强大工具。然而，asyncio在使用过程中也可能因为一些细节处理不当而引发 Bug。下面，我们就来深入分析一个因asyncio事件循环异常导致程序崩溃的典型案例。兴趣的友友可以借…
阅读更多...
题单：递归求和

题单：递归求和

宣布一个重要的事情，我的洛谷有个号叫 题目描述 给一个数组 a:a[0],a[1],...,a[n−1]a:a[0],a[1],...,a[n−1] 请用递归的方式出数组的所有数之和。 提示：递推方程 f(x)f(x−1)a[x]f(x)f(x−1)a[x]; 输入格式 第一行一个正整数 n (n≤100)n (n≤100)…
阅读更多...
怎么在excel单元格1-5行中在原来内容前面加上固定一个字？

怎么在excel单元格1-5行中在原来内容前面加上固定一个字？

环境： WPS 2024 问题描述： 怎么在excel单元格1-5行中在原来内容前面加上固定一个字？ 解决方案： 1.在Excel中，如果您想在单元格的内容前面添加一个固定的字，可以通过以下几种方法实现： 方法…
阅读更多...
OpenHarmony 开源鸿蒙南向开发——linux下使用make交叉编译第三方库——mqtt库

OpenHarmony 开源鸿蒙南向开发——linux下使用make交叉编译第三方库——mqtt库

准备工作 请依照这篇文章搭建环境 OpenHarmony 开源鸿蒙南向开发——linux下使用make交叉编译第三方库——环境配置_openharmony交叉编译-CSDN博客 下载 wget ftp://ftp.gnutls.org/gcrypt/gnutls/v3.5/gnutls-3.5.9.tar.xz 解压 tar -xf mkdir ./out cd ./out Cmake命…
阅读更多...
数据结构 -- 顺序查找和折半查找

数据结构 -- 顺序查找和折半查找

查找的基本概念 基本概念 查找：在数据集合中寻找满足某种条件的数据元素的过程 查找表（查找结构）：用于查找的数据集合称为查找表，它由同一类型的数据结构元素（或记录）组成 关键字&#xff1…
阅读更多...
信息收集+初步漏洞打点

信息收集+初步漏洞打点

目标：理解信息收集在渗透测试中的意义，熟悉常用工具用法，完成基本打点测试 一.理论学习： 模块内容说明信息收集分类主动信息收集 vs 被动信息收集目标发现子域名、IP、端口、子站点、目录、接口技术指纹识别Web框架（如…
阅读更多...
JavaScript【5】DOM模型

JavaScript【5】DOM模型

1.概述： DOM (Document Object Model)：当页面被加载时，浏览器会创建页面的文档对象模型，即dom对象；dom对象会被结构化为对象树，如一个HTML文档会被分为head，body等部分，而每个部分又…
阅读更多...
Cloudflare防火墙拦截谷歌爬虫｜导致收录失败怎么解决？

Cloudflare防火墙拦截谷歌爬虫｜导致收录失败怎么解决？

许多站长发现网站突然从谷歌搜索结果中“消失”，背后很可能是Cloudflare防火墙误拦截了谷歌爬虫（Googlebot），导致搜索引擎无法正常抓取页面。 由于Cloudflare默认的防护规则较为严格，尤其是针对高频访问的爬虫IP&…
阅读更多...
如何在 Windows 11 或 10 的 CMD 中检查固件

如何在 Windows 11 或 10 的 CMD 中检查固件

检查 Windows 11 或 10 中现有设备的硬件固件版本，可以帮助用户安装和更新准确的驱动程序，进行故障排除活动，确保兼容性以及维护系统性能。因此，在本教程中，我们将讨论如何在命令提示符（CMD）中使用一些命令查找 Windows 服务器或桌面中硬件固件版本的方法。由于本教程将…
阅读更多...
进阶-数据结构部分：3、常用查找算法

进阶-数据结构部分：3、常用查找算法

飞书文档https://x509p6c8to.feishu.cn/wiki/LRdnwfhNgihKeXka7DfcGuRPnZt 顺序查找 查找算法是指：从一些数据之中，找到一个特殊的数据的实现方法。查找算法与遍历有极高的相似性，唯一的不同就是查找算法可能并不一定会将每一个数据都进行访…
阅读更多...
基于QT和FFmpeg实现自己的视频播放器FFMediaPlayer（一）——项目总览

基于QT和FFmpeg实现自己的视频播放器FFMediaPlayer（一）——项目总览

在音视频开发的学习过程中，开发一款视频播放器是FFmpeg进阶的最好实战方法。本文将基于 QT 和 FFmpeg 着手实现自定义视频播放器 FFMediaPlayer，作为系列文章的开篇，我们先来整体了解项目的设计思路、架构与配置。 一、软件设计五大原则​ …
阅读更多...
【HCIA】浮动路由

【HCIA】浮动路由

前言 我们通常会在出口路由器配置静态路由去规定流量进入互联网默认应该去往哪里。那么，如果有两个运营商的路由器都能为我们提供上网服务，我们应该如何配置默认路由呢？浮动路由又是怎么一回事呢？ 文章目录 前言1. 网络拓扑图2. …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023