ElasticSearch--DSL查询语句

news2025/5/30 13:13:24

ElasticSearch

DSL查询文档

分类

查询类型功能描述典型应用场景示例语法
查询所有匹配所有文档，无过滤条件数据预览/测试json { "query": { "match_all": {} } }
全文检索查询对文本字段分词后匹配，基于倒排索引搜索框模糊匹配、多字段搜索json { "query": { "match": { "title": "Elasticsearch指南" } } }
精确查询直接匹配未经分词的字段值（keyword/数值/日期等）状态过滤、范围筛选、精确ID查询json { "query": { "term": { "status": "published" } } }
地理查询基于经纬度的空间位置计算附近地点搜索、地理围栏json { "query": { "geo_distance": { "distance": "10km", "location": "40,-70" } } }
复合查询组合多个查询条件，支持逻辑运算和自定义评分复杂业务场景（权重排序、多条件过滤）json { "query": { "bool": { "must": [ { "term": { "category": "tech" } } ] } } }

match_all---匹配所有文档

match_all查询是一个特殊的查询类型，它用于匹配索引中的所有文档，而不考虑任何特定的查询条件。

基本语法：

GET /<your-index-name>/_search
{
"query": {
   "match_all": {}
}
}

高级用法

您可以在matchall查询中添加额外的参数来控制搜索结果的显示，例如设置返回的文档数量（size）、开始返回的文档位置（from）、排序规则（sort）以及选择返回哪些字段（source）。

  • size返回指定条数

size 关键字: 指定查询结果中返回指定条数。 默认返回值10条

GET /employee/_search
{
  "query": {
   "match_all": {}
  },
  "size": 3  
}

  • from&size分页查询

size：显示应该返回的结果数量，默认是 10 from：显示应该跳过的初始结果数量，默认是 0 from 关键字用来指定起始返回位置，和size关键字连用可实现分页效果

GET /employee/_search
{
  "query": {
   "match_all": {}
  },
  "from": 0,
  "size": 5  
}

  • sort指定字段排序

指定查询结果的排序方式，是根据什么进行排序的

# 根据age排序
GET /employee/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": "desc"
    }
  ]
}
​
# 排序的同时进行分页
GET /employee/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": "desc"
    }
  ],
  "from": 2,
  "size": 5
}

  • _source返回源数据

指定查询之后返回的字段，定向显示需要的字段与屏蔽不需要的字段

GET /employee/_search
{
  "query": {
   "match_all": {}
  },
  "_source": ["name","address"]
}

精确匹配

精确匹配是指的是搜索内容不经过文本分析直接用于文本匹配，这个过程类似于数据库的SQL查询，搜索的对象大多是索引的非text类型字段。此类检索主要应用于结构化数据，如ID、状态和标签等。主要介绍一下term与terms、range的查询方式，因为使用的频率比较高。还有一些其它的精确匹配的类型在这里就不详细展开说明，在前面文章里面的脑图链接中有说明可以进行了解。

基本语法

①term查询

在Elasticsearch 8.x中，term查询用于执行精确匹配查询，它适用于未经过分词处理的keyword字段类型。

GET /{index_name}/_search
{
"query": {
   "term": {
     "{field.keyword}": {
       "value": "your_exact_value"
     }
   }
}
}

这里的{index_name}是你要查询的索引名称，{field.keyword}是你要匹配的字段名称，.keyword后缀表示该字段是一个keyword类型，用于存储精确匹配的数据。"value"是你要精确匹配的值

②terms查询

在Elasticsearch 8.x中，进行多值精确匹配时，可以使用terms查询。terms查询允许你指定一个字段，并匹配该字段中的多个精确值

GET /<index_name>/_search
{
"query": {
   "terms": {
     "<field_name>": [
       "value1",
       "value2",
       "value3",
       ...
     ]
   }
}
}

  • <index_name> 是你想要查询的索引名称。

  • <field_name> 是你想要对其执行terms查询的字段名。

  • 方括号内的值列表是你希望在查询中匹配的字段值

③range查询

在Elasticsearch 8.x中，进行精确范围查询时，可以使用range查询。

GET /<index_name>/_search
{
"query": {
   "range": {
     "<field_name>": {
       "gte": <lower_bound>,
       "lte": <upper_bound>,
       "gt": <greater_than_bound>,
       "lt": <less_than_bound>
     }
   }
}
}

  • <index_name> 是你想要查询的索引名称。

  • <field_name> 是你想要对其执行range查询的字段名。

  • gte 表示大于或等于（Greater Than or Equal）。

  • lte 表示小于或等于（Less Than or Equal）。

  • gt 表示严格大于（Greater Than）。

  • lt 表示严格小于（Less Than）。

  • <lower_bound>, <upper_bound>, <greater_than_bound>, <less_than_bound> 是指定的数值边界。

全文检索

全文检索查询旨在基于相关性搜索和匹配文本数据。这些查询会对输入的文本进行分析，将其拆分为词项（单个单词），并执行诸如分词、词干处理和标准化等操作。此类检索主要应用于非结构化文本数据，如文章和评论等。主要介绍一下match与multi_match的查询方式，因为使用的频率比较高。还有一些其它的全文检索类型在这里就不详细展开说明，在前面文章里面的脑图链接中有说明可以进行了解。

全文检索的关键特点：

  • 对输入的文本进行分析，并根据分析后的词项进行搜索和匹配。全文检索查询会对输入的文本进行分析，将其拆分为词项，并基于这些词项进行搜索和匹配操作。

  • 以相关性为基础进行搜索和匹配。全文检索查询使用相关性算法来确定文档与查询的匹配程度，并按照相关性进行排序。相关性可以基于词项的频率、权重和其他因素来计算。

  • 全文检索查询适用于包含自由文本数据的字段，例如文档的内容、文章的正文或产品描述等。

基本语法

①match查询

//match查询（跟据一个字段查询）
GET /<index_name>/_search
{
"query": {
    "match": {
      "<field_name>": "<query_string>"
    }
}
}

<index_name> 是你要搜索的索引名称。 <query_string> 是你要在多个字段中搜索的字符串。 <field1>, <field2>, ... 是你要搜索的字段列表。

②multi_match查询

//multi_match查询（跟据多个字段查询，字段越多查询效率越差）
GET /<index_name>/_search
{
"query": {
    "multi_match": {
      "query": "<query_string>",
      "fields": ["<field1>", "<field2>", ...]
    }
}
}

<index_name> 是你要搜索的索引名称。 <query_string> 是你要在多个字段中搜索的字符串。 <field1>, <field2>, ... 是你要搜索的字段列表

Boolean查询

  • 搜索上下文（Query Context）：使用搜索上下文时，ElasticSearch需要计算每个文档与搜索条件的相关度得分，这个得分的计算需要使用一套复杂的计算公式，有一定的性能开销，带文本分析的全文检索的查询语句很适合放在搜索上下文中

  • 过滤上下文（Filter Context）：使用过滤上下文时，ElasticSearch只需要判断搜索条件根文档数据是否匹配。过滤上下文的查询不需要进行相关度得分计算，还可以使用缓存加快响应的速度，很多术语级查询语句都适合放在过滤上下文中

特性搜索上下文（Query Context）过滤上下文（Filter Context）
作用计算文档相关性得分，影响排序结果判断文档是否匹配条件，不计算得分
性能计算成本较高（需计算相关性）高效（结果可缓存，无需计算得分）
典型使用场景全文检索、模糊匹配、需要结果排序的场景精确筛选（状态过滤、范围查询）、高频重复条件过滤
语法位置query 参数内（如 bool.must、bool.should）filter 参数内（如 bool.filter、bool.must_not）
缓存机制不缓存结果自动缓存结果（提升重复查询性能）

//must关键词
GET /books/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "title": "java编程"
          }
        },{
          "match": {
            "description": "性能优化"
          }
        }
      ]
    }
  }
}

//should关键词
GET /books/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "match": {
            "title": "java编程"
          }
        },{
          "match": {
            "description": "性能优化"
          }
        }
      ],
      "minimum_should_match": 1
    }
  }
}

//filter关键词
GET /books/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "language": "java"
          }
        },
        {
          "range": {
            "publish_time": {
              "gte": "2010-08-01"
            }
          }
        }
      ]
    }
  }
}
地理查询

地理查询旨在跟据用户给出的地理位置信息来查询附近的目标资源的信息以及数量

基本语法

  • geo_bounding_box查询

查询地理坐标在框定的正方形区域内的目标资源，跟据左上经纬度（top_left）和右下经纬度（bottom_right）来构建区域方型，进而确定资源

  • geo_distance查询

查询以目标位置为圆心，指定路径为半径的圆形区域内的目标资源的信息

高亮显示

Elasticsearch 的高亮显示功能允许在搜索结果中突出显示匹配的关键词或短语，帮助用户快速定位相关信息。

GET /hotel/_search
{
  "query":{
    "搜索方式":{
      "字段名":"搜索内容"
    }
  },
  "highlight":{
    "fields":{
      "字段名":{
        "pre_tags":"<em>",  //用来标记高亮字段的前置标签
        "post_tags":"</em>" //用来标记高亮字段的后置标签
      },
      "字段名2":{
        "pre_tags":"<em>",   //用来标记高亮字段的前置标签
        "post_tags":"</em>", //用来标记高亮字段的后置标签
        "require_field_match":"false"
      }
    }
  }
}

示例演示

//使用自定义高亮显示来标识（可以）
GET /products/_search
{
  "query": {
    "multi_match": {
      "fields": ["name","desc"],
      "query": "牛仔"
    }
  },
  "highlight": {
    "post_tags": ["</span>"], 
    "pre_tags": ["<span style='color:red'>"],
    "fields": {
      "*":{}
    }
  }
}

//多字段高亮配置
GET /products/_search
{
  "query": {
    "term": {
      "name": {
        "value": "牛仔"
      }
    }
  },
  "highlight": {
    "pre_tags": ["<font color='red'>"],
    "post_tags": ["<font/>"],
    "require_field_match": "false",
    "fields": {
      "name": {},
      "desc": {}
    }
  }
}

相关参数说明：

  • highlight 关键字: 可以让符合条件的文档中的关键词高亮。

  • highlight相关属性：

  • pre_tags 前缀标签

  • post_tags 后缀标签

  • tags_schema 设置为styled可以使用内置高亮样式

  • require_field_match 多字段高亮需要设置为false

ES向量检索

核心特性

  1. 向量数据类型

    • dense_vector：支持浮点数密集向量（如BERT、ResNet生成的向量）。

    • sparse_vector（实验性）：支持稀疏向量（如TF-IDF高维稀疏表示）。

  2. 近似最近邻搜索（ANN）

    • 基于 HNSW（Hierarchical Navigable Small World） 算法，平衡精度与性能。

    • 支持 欧氏距离（l2）、余弦相似度（cosine）、点积（dot_product） 等相似度计算方式。

  3. 性能优化

    • 支持 量化（Quantization） 减少存储占用（如int8量化）。

    • 通过 段合并优化（Force Merge） 提升检索速度。

  4. 混合检索

    • 结合传统全文检索（BM25）与向量检索，实现多模态搜索。

搜索相关性

概念：在搜索引擎中描述一个文档与查询语句匹配程度的度量标准。

ElasticSearch 5之前的版本评分机制，或者打分模型是基于TF_IDF实现的。从ElasticSearch 5之后默认的打分机制改成了Okapi BM25。

TF_IDF算法：

  • TF是词频：检索词在文档中出现的频率越高，相关性也就越高

  • IDF是逆向文本频率：每个检索词在索引中出现的频率，频率越高，相关性就越低。

  • 字段长度归一值：检索词出现在一个内容短的title要比同样的词出现在一个内容长的content字段权重更大

BM 25算法：

和经典的TF_IDF的算法比较起来，当TF无限增加时，BM 25算分会趋近于一个数值

自定义评分策略

Index Boost（索引级权重）

作用：提升指定索引的文档相关性，适用于跨索引搜索。

GET /index1,index2/_search
{
  "indices_boost": [
    { "index1": 1.5 },  // index1的文档相关性提升50%
    { "index2": 0.8 }   // index2的文档相关性降低20%
  ],
  "query": { "match_all": {} }
}

Boosting Query（条件权重）

作用：提升或降低匹配特定条件的文档评分。

GET /products/_search
{
  "query": {
    "boosting": {
      "positive": { "match": { "title": "手机" } },  // 匹配的文档基础评分
      "negative": { "term": { "brand": "A" } },      // 匹配此条件的文档降权
      "negative_boost": 0.2  // 负向权重系数（原评分 × 0.2）
    }
  }
}

Function Score（自定义评分）

作用：通过函数动态计算文档评分，支持多种评分函数组合。

GET /articles/_search
{
  "query": {
    "function_score": {
      "query": { "match": { "content": "AI" } },  // 基础查询
      "functions": [
        {
          "filter": { "term": { "category": "tech" } }, // 过滤条件
          "weight": 2  // 符合条件文档评分 ×2
        },
        {
          "field_value_factor": {  // 字段值影响评分
            "field": "views",
            "modifier": "log1p",
            "factor": 0.1
          }
        }
      ],
      "boost_mode": "multiply"  // 评分计算方式（默认sum）
    }
  }
}

Rescore Query（二次评分）

作用：对初始查询结果进行二次评分，优化性能。

GET /logs/_search
{
  "query": { "match": { "message": "error" } },
  "rescore": {
    "window_size": 50,  // 对前50个结果二次评分
    "query": {
      "rescore_query": {
        "function_score": {
          "query": { "match_all": {} },
          "script_score": {
            "script": "_score * doc['severity'].value"  // 根据严重程度调整评分
          }
        }
      }
    }
  }
}

总结:

方法适用场景性能影响灵活性
Index Boost多索引搜索时优先级控制低低
Boosting Query简单条件降权（如排除低质量内容）中中
Function Score复杂评分逻辑（如热度、点击率加权）高高
Rescore Query分页后优化Top N结果（如精细化排序）可控中

多字段查询优化

最佳字段搜索

  • 最佳字段（Best Fields）：在多个字段中返回评分最高的

  • 多数字段（Most Fields）：匹配多个字段，返回各个字段评分之和

  • 混合字段（Cross Fields）：跨字段匹配，待查询内容在多个字段中都显示

最佳字段（Best Fields）

核心逻辑

  • 评分机制：从所有匹配字段中取 最高评分 作为文档最终评分。

  • 适用场景：关键词集中在单一字段（如商品标题优先于描述）。

  • 默认类型：multi_match 的默认策略即为 best_fields。

//语法示例
GET /products/_search
{
  "query": {
    "multi_match": {
      "query": "无线蓝牙耳机",
      "fields": ["title^3", "description"],  // title权重提升3倍
      "type": "best_fields",
      "tie_breaker": 0.3  // 其他字段评分的30%加入总分。平衡因子
    }
  }
}

多数字段（Most Fields）

核心逻辑

  • 评分机制：将 所有匹配字段的评分累加 作为文档最终评分。

  • 适用场景：关键词分散在多个字段（如标题和描述均含部分关键词）。

GET /articles/_search
{
  "query": {
    "multi_match": {
      "query": "机器学习框架",
      "fields": ["title", "content", "tags"],
      "type": "most_fields",  // 合并所有字段评分
      "minimum_should_match": "50%"  // 至少匹配50%词项
    }
  }
}

混合字段（Cross Fields）

核心逻辑

  • 评分机制：将多个字段视为 一个整体字段，要求所有词项在 任意字段组合 中匹配。

  • 适用场景：跨字段严格匹配（如地址：省+市+街道需完整匹配）。

GET /users/_search
{
  "query": {
    "multi_match": {
      "query": "张三 杭州 西湖区",
      "fields": ["province", "city", "district"],
      "type": "cross_fields",  // 所有词项需在任意字段中覆盖
      "operator": "AND"        // 必须匹配所有词项
    }
  }
}

维度Best FieldsMost FieldsCross Fields
评分重点单字段最佳匹配多字段累计贡献跨字段联合覆盖
适用场景核心字段优先级高（如标题）多字段互补（如标题+描述）严格跨字段匹配（如姓名+地址）
性能开销低中高（需跨字段验证）
典型参数tie_breakerminimum_should_matchoperator（需设为AND）

聚合

简介：聚合（Aggregation） 是数据处理中的一种核心操作，指将多行数据合并为单个统计值的过程。它常用于对数据集进行汇总分析。

  • 桶（Bucket）聚合：用来对文档做分组

    • TermAggregation：按照文档字段值进行分组

    • Date Histogram：按照日期阶梯进行分组。如一周为一组，一月为一组

  • 度量（Metric）聚合：用于计算一些值，比如：最大值、最小值、平均值等

    • Avg：求平均值

    • Max：求最大值

    • Min：求最小值

    • Stats：同时求max、min、avg、sum等

  • 管道（Pipeline）聚合：其它聚合的结果为基础做聚合，类比于嵌套聚合

    • Derivative（导数聚合）：计算相邻分桶的差值。

    • Moving Average（移动平均）：计算滑动窗口内的平均值。

    • Bucket Script（自定义脚本）：用脚本处理多个聚合结果。

桶（Bucket）聚合

//按照文档字段进行分组检索
{
  "aggs": {
    "group_by_field": {
      "terms": { "field": "字段名" }
    }
  }
}

//按照日期进行分组检索
{
  "aggs": {
    "group_by_date": {
      "date_histogram": {
        "field": "日期字段",
        "calendar_interval": "1d"  // 间隔：1天、1M、1y 等
      }
    }
  }
}

度量（Metric）聚合

{
  "aggs": {
    "metric_name": { "avg": { "field": "数值字段" } }
  }
}

管道（Pipeline）聚合

// 先按日期分桶，再计算每月销售额的月环比增长率
GET /sales/_search
{
  "size": 0,
  "aggs": {
    "sales_per_month": {
      "date_histogram": { "field": "date", "calendar_interval": "1M" },
      "aggs": {
        "total_sales": { "sum": { "field": "amount" } },
        "monthly_growth": {
          "derivative": { "buckets_path": "total_sales" } // 导数聚合
        }
      }
    }
  }
}

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/2386998.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

Redis（四） - 使用Python操作Redis详解

Redis（四） - 使用Python操作Redis详解

文章目录 前言一、下载Python插件二、创建项目三、安装 redis 库四、新建python软件包五、键操作六、字符串操作七、列表操作八、集合操作九、哈希表操作十、有序集合操作十一、完整代码1. 完整代码2. 项目下载 前言 本文是基于 Python 操作 Redis 数据库的实战指南&#xff0…
阅读更多...
服务器并发实现的五种方法

服务器并发实现的五种方法

文章目录 前言一、单线程 / 进程二、多进程并发三、多线程并发四、IO多路转接&#xff08;复用&#xff09;select五、IO多路转接&#xff08;复用&#xff09;poll六、IO多路转接&#xff08;复用&#xff09;epoll 前言 关于网络编程相关知识可看我之前写过的文章&#xff1…
阅读更多...
新能源汽车移动充电服务：如何通过智能调度提升充电桩可用率？

新能源汽车移动充电服务：如何通过智能调度提升充电桩可用率？

随着新能源汽车的普及&#xff0c;充电需求激增&#xff0c;但固定充电桩的布局难以满足用户灵活补能的需求&#xff0c;尤其在高峰时段或偏远地区&#xff0c;"充电难"问题日益凸显。移动充电服务作为新兴解决方案&#xff0c;通过动态调度充电资源&#xff0c;有望…
阅读更多...
SpringCloud Alibaba微服务-- Sentinel的使用(笔记)

SpringCloud Alibaba微服务-- Sentinel的使用(笔记)

雪崩问题&#xff1a; 小问题引发大问题&#xff0c;小服务出现故障&#xff0c;处理不当&#xff0c;可能导致整个微服务宕机。 假如商品服务出故障&#xff0c;购物车调用该服务&#xff0c;则可能出现处理时间过长&#xff0c;如果一秒几十个请求&#xff0c;那么处理时间过…
阅读更多...
PARSCALE：大语言模型的第三种扩展范式

PARSCALE：大语言模型的第三种扩展范式

----->更多内容&#xff0c;请移步“鲁班秘笈”&#xff01;&#xff01;<----- 随着人工智能技术的飞速发展&#xff0c;大语言模型&#xff08;LLM&#xff09;已成为推动机器智能向通用人工智能&#xff08;AGI&#xff09;迈进的核心驱动力。然而&#xff0c;传统的…
阅读更多...
在Windows上，将 Ubuntu WSL 安装并迁移到 D 盘完整教程（含 Appx 安装与迁移导入）

在Windows上，将 Ubuntu WSL 安装并迁移到 D 盘完整教程（含 Appx 安装与迁移导入）

&#x1f4bb; 将 Ubuntu WSL 安装并迁移到 D 盘完整教程&#xff08;含 Appx 安装与迁移导入&#xff09; 本文记录如何在 Windows 系统中手动启用 WSL、下载 Ubuntu 安装包、安装并迁移 Ubuntu 到 D 盘&#xff0c;避免默认写入 C 盘&#xff0c;提高系统性能与可维护性。 ✅…
阅读更多...
企微获取会话内容，RSA 解密函数

企微获取会话内容，RSA 解密函数

企微获取会话内容&#xff0c;RSA 解密函数 企微获取会话内容下载SDKSDK配置解密过程解密代码参考SDK文件上传到服务器最后 企微获取会话内容 官方文档&#xff1a; https://developer.work.weixin.qq.com/document/path/91774 下载SDK 根据自己的环境下载对应的SDK。 SDK配置…
阅读更多...
MyBatis入门：快速搭建数据库操作框架 + 增删改查(CRUD)

MyBatis入门：快速搭建数据库操作框架 + 增删改查(CRUD)

一、创建Mybatis的项目 Mybatis 是⼀个持久层框架, 具体的数据存储和数据操作还是在MySQL中操作的, 所以需要添加MySQL驱动 1.添加依赖 或者 手动添加依赖 <!--Mybatis 依赖包--><dependency><groupId>org.mybatis.spring.boot</groupId><artifactI…
阅读更多...
离线安装Microsoft 照片【笔记】

离线安装Microsoft 照片【笔记】

实验环境为&#xff1a;Windows 10 企业版 LTSC。 1.下载好相关离线依赖包和安装包。 2.管理员身份运行powershell&#xff0c;输入以下命令行&#xff1a; Add-AppPackage .\Microsoft.UI.Xaml.2.4_2.42007.9001.0_x64__8wekyb3d8bbwe.Appx Add-AppPackage .\Microsoft.NET…
阅读更多...
【后端高阶面经：Elasticsearch篇】39、Elasticsearch 查询性能优化：分页、冷热分离与 JVM 调优

【后端高阶面经：Elasticsearch篇】39、Elasticsearch 查询性能优化：分页、冷热分离与 JVM 调优

一、索引设计优化：构建高效查询的基石 （一）分片与副本的黄金配置 1. 分片数量计算模型 # 分片数计算公式（单分片建议30-50GB） def calculate_shards(total_data_gb, single_shard_gb=30):return max
阅读更多...
基于 ZU49DR FPGA 的无线电射频数据采样转换开发平台核心板

基于 ZU49DR FPGA 的无线电射频数据采样转换开发平台核心板

无线电射频数据采样转换开发板及配套开发平台的核心板&#xff0c;该SOM核心板是一个最小系统&#xff0c;包括AMD公司的 Zynq UltraScale RFSOC 第3代系列XCZU49DR-2FFVF1760I FPGA、时钟、电源、内存以及 Flash。与其配套的底板是标准的全高全长Gen4.0 x8的PCIE卡&#xff0c…
阅读更多...
软考 系统架构设计师系列知识点之杂项集萃（69）

软考 系统架构设计师系列知识点之杂项集萃（69）

接前一篇文章&#xff1a;软考 系统架构设计师系列知识点之杂项集萃&#xff08;68&#xff09; 第114题 若对关系R(A&#xff0c;B&#xff0c;C&#xff0c;D)和S(C&#xff0c;D&#xff0c;E)进行关系代数运算&#xff0c;则表达式 与&#xff08;&#xff09;等价。 A.…
阅读更多...
leetcode 83和84 Remove Duplicates from Sorted List 和leetcode 1836

leetcode 83和84 Remove Duplicates from Sorted List 和leetcode 1836

目录 83. Remove Duplicates from Sorted List 82. Remove Duplicates from Sorted List II 1836. Remove Duplicates From an Unsorted Linked List 删除链表中的结点合集 83. Remove Duplicates from Sorted List 代码&#xff1a; /*** Definition for singly-linked l…
阅读更多...
【LeetCode 热题 100】买卖股票的最佳时机 / 跳跃游戏 / 划分字母区间

【LeetCode 热题 100】买卖股票的最佳时机 / 跳跃游戏 / 划分字母区间

⭐️个人主页&#xff1a;小羊 ⭐️所属专栏&#xff1a;LeetCode 热题 100 很荣幸您能阅读我的文章&#xff0c;诚请评论指点&#xff0c;欢迎欢迎 ~ 目录 买卖股票的最佳时机跳跃游戏跳跃游戏 II划分字母区间 买卖股票的最佳时机 买卖股票的最佳时机 class Solution { pu…
阅读更多...
万亿参数背后的算力密码：大模型训练的分布式架构与自动化运维全解析

万亿参数背后的算力密码：大模型训练的分布式架构与自动化运维全解析

目录 一、技术融合的时代背景 二、深度学习在 AI 大模型中的核心作用 2.1 预训练与微调机制 2.2 多模态深度学习的突破 三、分布式计算&#xff1a;大模型训练的基础设施 3.1 分布式训练核心原理 3.2 数据并行实战&#xff08;PyTorch DDP&#xff09; 3.3 模型并行与混…
阅读更多...
Linux10正式版发布，拥抱AI了！

Linux10正式版发布，拥抱AI了！

&#x1f4e2;&#x1f4e2;&#x1f4e2;&#x1f4e3;&#x1f4e3;&#x1f4e3; 作者&#xff1a;IT邦德 中国DBA联盟(ACDU)成员&#xff0c;10余年DBA工作经验 Oracle、PostgreSQL ACE CSDN博客专家及B站知名UP主&#xff0c;全网粉丝10万 擅长主流Oracle、MySQL、PG、高斯…
阅读更多...
在离线 OpenEuler-22.03 服务器上升级 OpenSSH 的完整指南

在离线 OpenEuler-22.03 服务器上升级 OpenSSH 的完整指南

当然可以&#xff01;以下是一篇结构清晰、语言通俗易懂的技术博客草稿&#xff0c;供你参考和使用&#xff1a; 在离线 OpenEuler-22.03 服务器上升级 OpenSSH 的完整指南 背景介绍 最近在对一台内网的 OpenEuler-22.03 服务器进行安全扫描时&#xff0c;发现其 SSH 版本存在…
阅读更多...
全能邮箱全能邮箱：实现邮件管理的自动化！

全能邮箱全能邮箱：实现邮件管理的自动化！

全能邮箱全能邮箱&#xff1a;实现邮件管理的自动化&#xff01; 全能邮箱全能邮箱的配置教程&#xff1f;如何注册烽火域名邮箱&#xff1f; 全能邮箱全能邮箱作为一种创新的邮件管理解决方案&#xff0c;正逐渐改变我们处理邮件的方式。蜂邮EDM将围绕全能邮箱全能邮箱&…
阅读更多...
mysql-tpcc-mysql压测工具使用

mysql-tpcc-mysql压测工具使用

在Linux系统上安装和配置tpcc-mysql进行MySQL的TPC-C基准测试&#xff0c;通常涉及以下几个步骤。请注意&#xff0c;由于tpcc-mysql不是一个官方工具&#xff0c;它可能需要从第三方仓库获取&#xff0c;如Percona提供的版本。 前置条件 确保MySQL或MariaDB已安装&#xff1…
阅读更多...
Qt找不到windows API报错：error: LNK2019: 无法解析的外部符号 __imp_OpenClipboard

Qt找不到windows API报错：error: LNK2019: 无法解析的外部符号 __imp_OpenClipboard

笔者在开发中出现的bug完整报错如下&#xff1a; spcm_ostools_win.obj:-1: error: LNK2019: 无法解析的外部符号 __imp_OpenClipboard&#xff0c;函数 "void __cdecl spcmdrv::vCopyToClipboard(char const *,unsigned __int64)" (?vCopyToClipboardspcmdrvYAXPE…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023