Vanna使用ollama分析本地MySQL数据库 加入redis保存训练记录

相关代码

在这里插入图片描述

from vanna.base.base import VannaBase
from vanna.chromadb import ChromaDB_VectorStore
from vanna.ollama import Ollama
import logging
import os
import requests
import json
import pandas as pd
import chromadb
import redis
import pickle
from IPython.display import displaylogging.basicConfig(level=logging.INFO)class MyVanna(ChromaDB_VectorStore, Ollama):def __init__(self, config=None):# 初始化配置self.config = {'model': 'llama2:latest','ollama_host': 'http://127.0.0.1:11434','verbose': True,'temperature': 0.1,'collection_name': 'my_vanna_collection','redis_host': '127.0.0.1','redis_port': 6379,'redis_db': 5,'redis_password': '123456','redis_key_prefix': 'vanna_training:'}if config:self.config.update(config)# 初始化 ChromaDBself.chroma_client = chromadb.PersistentClient(path=self.config['chroma_db_path'])try:self._collection = self.chroma_client.get_collection(self.config['collection_name'])logging.info(f"获取已存在的集合: {self.config['collection_name']}")except:self._collection = self.chroma_client.create_collection(self.config['collection_name'])logging.info(f"创建新的集合: {self.config['collection_name']}")# 初始化 Redis 连接try:self.redis_client = redis.Redis(host=self.config['redis_host'],port=self.config['redis_port'],db=self.config['redis_db'],password=self.config['redis_password'],decode_responses=False,socket_timeout=5,retry_on_timeout=True)# 测试连接self.redis_client.ping()logging.info("Redis 连接成功")except Exception as e:logging.error(f"Redis 连接错误: {str(e)}")raise# 初始化父类ChromaDB_VectorStore.__init__(self, config=self.config)Ollama.__init__(self, config=self.config)self._ddl = Nonedef submit_prompt(self, prompt, **kwargs):"""重写 submit_prompt 方法"""try:url = f"{self.config['ollama_host']}/api/generate"# 如果传入的是消息列表，则组合成单个提示词if isinstance(prompt, list):full_prompt = "\n".join([msg.get('content', '') for msg in prompt if isinstance(msg, dict)])else:full_prompt = promptdata = {"model": self.config['model'],"prompt": full_prompt,"stream": False}headers = {"Content-Type": "application/json"}logging.info(f"发送请求到 Ollama: {url}")logging.debug(f"请求数据: {json.dumps(data, ensure_ascii=False)}")response = requests.post(url, json=data, headers=headers)response.raise_for_status()response_data = response.json()logging.debug(f"Ollama 响应: {json.dumps(response_data, ensure_ascii=False)}")if 'response' in response_data:return response_data['response'].strip()else:logging.error(f"Ollama 响应格式错误: {response_data}")raise ValueError("无效的 Ollama 响应格式")except Exception as e:logging.error(f"提交 prompt 错误: {str(e)}")raisedef train(self, ddl=None, question=None, sql=None, documentation=None):"""重写 train 方法，使用 Redis"""try:if ddl:self._ddl = ddl# 保存 DDL 到 Redisself.redis_client.set(f"{self.config['redis_key_prefix']}ddl", ddl)logging.info("DDL 已保存到 Redis")if question and sql:# 准备训练数据data = {'question': question,'sql': sql,'documentation': documentation or ''}# 生成唯一 IDimport hashlibdoc_id = hashlib.md5(json.dumps(data, ensure_ascii=False).encode()).hexdigest()# 保存到 Rediskey = f"{self.config['redis_key_prefix']}data:{doc_id}"self.redis_client.set(key, pickle.dumps(data))# 将 ID 添加到训练数据集合中self.redis_client.sadd(f"{self.config['redis_key_prefix']}data_ids", doc_id)logging.info(f"训练数据已保存到 Redis: {data}")return Trueexcept Exception as e:logging.error(f"训练错误: {str(e)}")raisedef get_sql_prompt(self, question, ddl=None, similar_questions=None, similar_sql=None, initial_prompt=None, question_sql_list=None, ddl_list=None, doc_list=None,**kwargs):"""重写 get_sql_prompt 方法"""# 使用存储的 DDLif not ddl and self._ddl:ddl = self._ddl# 构建提示词prompt = "你是一个 SQL 专家。请根据以下信息生成 SQL 查询。\n\n"prompt += "### 数据库结构:\n"if ddl:prompt += f"{ddl}\n\n"# 添加文档说明if doc_list:prompt += "### 相关文档:\n"for doc in doc_list:prompt += f"{doc}\n"prompt += "\n"prompt += "### 问题:\n"prompt += f"{question}\n\n"if similar_questions and similar_sql:prompt += "### 相似问题和对应的 SQL:\n"for q, s in zip(similar_questions, similar_sql):prompt += f"\n问题: {q}\nSQL: {s}\n"prompt += "\n### 请生成对应的 SQL 查询 汉字转为简体:\n"return promptdef generate_sql(self, question, **kwargs):try:if self._ddl:kwargs['ddl'] = self._ddlreturn super().generate_sql(question, **kwargs)except Exception as e:logging.error(f"SQL 生成错误: {str(e)}")raisedef get_related_ddl(self, question=None, **kwargs):"""重写 get_related_ddl 方法，从 Redis 获取 DDL"""try:if self._ddl:return self._ddl# 从 Redis 获取 DDLddl = self.redis_client.get(f"{self.config['redis_key_prefix']}ddl")if ddl:self._ddl = ddl.decode()return self._ddlreturn Noneexcept Exception as e:logging.error(f"获取 DDL 错误: {str(e)}")return Nonedef generate_plotly_code(self, question, sql_result=None, **kwargs):"""重写 generate_plotly_code 方法"""try:# 构建提示词prompt = self.get_plotly_prompt(question, sql_result=sql_result, **kwargs)# 添加系统提示词system_prompt = "你是一个数据可视化专家。请根据用户的需求生成 Plotly 图表代码。只返回 Python 代码，不需要其他解释。如果繁体转为简体。"full_prompt = f"{system_prompt}\n\n{prompt}"# 直接调用 submit_promptreturn self.submit_prompt(full_prompt, is_plotly=True)except Exception as e:logging.error(f"生成图表代码错误: {str(e)}")raisedef get_plotly_prompt(self, question, sql=None, sql_result=None, **kwargs):"""重写 get_plotly_prompt 方法"""prompt = f"""请根据以下信息生成 Plotly 图表代码：问题：{question}SQL查询：{sql if sql else ''}查询结果：{sql_result if sql_result else ''}要求：
1. 使用 Plotly Express 生成图表
2. 只返回 Python 代码
3. 不要包含任何解释或说明
4. 确保代码的正确性
5. 如果繁体转为简体
"""return promptdef get_training_data(self):"""重写 get_training_data 方法，使用 Redis"""try:# 获取所有训练数据 IDdata_ids = self.redis_client.smembers(f"{self.config['redis_key_prefix']}data_ids")if not data_ids:logging.info("Redis 中没有找到训练数据")return pd.DataFrame(columns=['question', 'sql', 'documentation'])# 获取所有训练数据documents = []for doc_id in data_ids:try:key = f"{self.config['redis_key_prefix']}data:{doc_id.decode()}"data = self.redis_client.get(key)if data:doc_data = pickle.loads(data)documents.append(doc_data)logging.info(f"从 Redis 加载数据: {doc_data}")except Exception as e:logging.error(f"处理 Redis 数据时出错: {e}")continue# 创建 DataFrameif documents:df = pd.DataFrame(documents)logging.info(f"已加载 {len(df)} 条训练数据")return dfelse:logging.info("没有找到有效的训练数据")return pd.DataFrame(columns=['question', 'sql', 'documentation'])except Exception as e:logging.error(f"获取训练数据错误: {str(e)}")return pd.DataFrame(columns=['question', 'sql', 'documentation'])def train_model(vn):try:# 训练 DDLprint("开始训练 DDL...")ddl = """CREATE TABLE `customer` (`name` int NOT NULL COMMENT '姓名',`gender` int DEFAULT NULL COMMENT '性别(男性=1/女性=2)',`id_card` varchar(100) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '身份证',`mobile` varchar(100) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '手机',`nation` varchar(10) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '民族',`residential_city` varchar(100) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '居住城市',`age` int DEFAULT NULL COMMENT '岁数 年纪',`salary` int NOT NULL COMMENT '薪水',PRIMARY KEY (`name`)) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='customer'"""vn.train(ddl=ddl)print("DDL 训练完成")# 训练示例查询examples = [{'question': "宁波有多少客户?",'sql': "SELECT COUNT(*) as count FROM customer WHERE residential_city like '%宁波%'"},{'question': "有多少女性客户?",'sql': "SELECT COUNT(*) as count FROM customer WHERE gender = 2"},{'question': "客户平均年龄是多少?",'sql': "SELECT AVG(age) as average_age FROM customer"},{'question': "客户平均薪水是多少?",'sql': "SELECT AVG(salary) as average_salary FROM customer"}]for example in examples:print(f"\n训练示例: {example['question']}")vn.train(question=example['question'], sql=example['sql'])print("\n所有训练完成")result = vn.ask("宁波有多少客户?")print(f"\n查询问题: 宁波有多少客户?\n查询结果: {result}")except Exception as e:logging.error(f"训练错误: {str(e)}")raiseif __name__ == "__main__":try:# 初始化 Vannavn = MyVanna()# 连接数据库vn.connect_to_mysql(host='localhost',dbname='test',user='root',password='123456',port=3306)# 训练模型train_model(vn)# 启动 Flask 应用from vanna.flask import VannaFlaskAppapp = VannaFlaskApp(vn)app.run(host='0.0.0.0', port=7123)except Exception as e:logging.error(f"程序运行错误: {str(e)}")
CREATE TABLE `customer` (`name` int NOT NULL COMMENT '姓名',`gender` int DEFAULT NULL COMMENT '性别(男性=1/女性=2)',`id_card` varchar(100) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '身份证',`mobile` varchar(100) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '手机',`nation` varchar(10) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '民族',`residential_city` varchar(100) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '居住城市',`age` int DEFAULT NULL COMMENT '岁数 年纪',`salary` int NOT NULL COMMENT '薪水',`id` int NOT NULL AUTO_INCREMENT COMMENT 'id',PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=21 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='customer';
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('1','1','330201199001011234','13800001111','汉族','宁波','27','5520','1');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('2','2','330201199102022345','13800002222','汉族','宁波','70','7042','2');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('3','1','330201199203033456','13800003333','回族','宁波','94','4119','3');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('4','2','330201199304044567','13800004444','汉族','宁波','60','4886','4');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('5','1','330201199405055678','13800005555','壮族','宁波','5','5762','5');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('6','1','110101199506066789','13800006666','汉族','北京','58','5515','6');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('7','2','310101199607077890','13800007777','汉族','上海','69','2927','7');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('8','1','440101199708088901','13800008888','满族','广州','90','5979','8');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('9','2','500101199809099012','13800009999','汉族','重庆','91','7256','9');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('10','1','610101199910101123','13800010000','回族','西安','28','4067','10');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('11','2','320101199001111234','13800011111','汉族','南京','13','1979','11');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('12','1','330101199002121345','13800012222','畲族','杭州','8','994','12');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('13','2','420101199003131456','13800013333','汉族','武汉','29','1073','13');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('14','1','510101199004141567','13800014444','彝族','成都','84','1441','14');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('15','2','350101199005151678','13800015555','汉族','福州','33','7725','15');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('16','1','370101199006161789','13800016666','汉族','济南','89','3821','16');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('17','2','430101199007171890','13800017777','苗族','长沙','86','3082','17');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('18','1','220101199008181901','13800018888','汉族','长春','48','4170','18');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('19','2','450101199009192012','13800019999','壮族','南宁','30','1498','19');
INSERT INTO `customer` (`name`,`gender`,`id_card`,`mobile`,`nation`,`residential_city`,`age`,`salary`,`id`)  VALUES ('20','1','130101199010202123','13800020000','汉族','石家庄','54','941','20');

1. 系统概述

这是一个基于 Ollama 和 Redis 的智能 SQL 问答系统，可以将自然语言问题转换为 SQL 查询语句。系统具有以下主要特点：

  • 基于 LLM (Large Language Model) 的自然语言转 SQL
  • 支持训练数据的持久化存储
  • 提供 REST API 接口
  • 支持数据可视化生成

2. 核心组件

2.1 MyVanna 类

主要继承关系：

class MyVanna(ChromaDB_VectorStore, Ollama)

核心配置参数：

self.config = {'model': 'llama2:latest',          # LLM 模型'ollama_host': 'http://127.0.0.1:11434',  # Ollama 服务地址'temperature': 0.1,                # 生成温度'redis_host': '127.0.0.1',        # Redis 配置'redis_port': 6379,'redis_db': 5,'redis_password': '123456','redis_key_prefix': 'vanna_training:'
}

3. 主要功能模块

3.1 提示词生成 (Prompt Engineering)

def get_sql_prompt(self, question, ddl=None, similar_questions=None, similar_sql=None, ...):

提示词结构：

  1. 角色定义
  2. 数据库结构说明
  3. 相关文档
  4. 用户问题
  5. 相似问题参考
  6. 输出要求

3.2 训练功能

def train(self, ddl=None, question=None, sql=None, documentation=None):

训练数据包含：

  • DDL（数据库结构）
  • 问题-SQL 对
  • 相关文档

存储方式：

  • 使用 Redis 持久化
  • 使用 hash 作为唯一标识
  • 支持批量训练

3.3 SQL 生成

def generate_sql(self, question, **kwargs):

工作流程：

  1. 获取相关 DDL
  2. 构建提示词
  3. 调用 LLM 生成 SQL
  4. 错误处理和日志记录

3.4 数据可视化

def generate_plotly_code(self, question, sql_result=None, **kwargs):

特点：

  • 使用 Plotly 生成可视化代码
  • 支持 SQL 结果的直接可视化
  • 自动处理中文编码

4. 示例训练数据

examples = [{'question': "宁波有多少客户?",'sql': "SELECT COUNT(*) as count FROM customer WHERE residential_city like '%宁波%'"},{'question': "有多少女性客户?",'sql': "SELECT COUNT(*) as count FROM customer WHERE gender = 2"}# ...
]

5. 部署和使用

5.1 环境要求

  • Python 3.x
  • Redis 服务
  • MySQL 数据库
  • Ollama 服务

5.2 启动服务

if __name__ == "__main__":vn = MyVanna()vn.connect_to_mysql(...)train_model(vn)app = VannaFlaskApp(vn)app.run(host='0.0.0.0', port=7123)

6. 改进建议

  1. 错误处理优化

    • 添加更详细的错误类型
    • 实现错误重试机制

  2. 性能优化

    • 添加缓存机制
    • 实现批量处理

  3. 安全性增强

    • 添加 SQL 注入防护
    • 实现访问控制

  4. 功能扩展

    • 支持更多数据库类型
    • 添加更多可视化选项
    • 实现对话历史记录

7. 总结

该系统通过结合 LLM 和传统数据库技术，实现了一个灵活的自然语言到 SQL 的转换系统。其模块化设计和可扩展性使其适合在实际业务场景中使用和扩展。

主要优势：

  • 模块化设计
  • 可扩展架构
  • 完整的训练流程
  • 持久化存储支持

潜在改进空间：

  • 性能优化
  • 安全性增强
  • 功能扩展
  • 错误处理完善

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.xdnf.cn/news/18292.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

基于Java Springboot校园疫情防控系统

基于Java Springboot校园疫情防控系统

一、作品包含 源码数据库设计文档万字PPT全套环境和工具资源部署教程 二、项目技术 前端技术：Html、Css、Js、Vue、Element-ui 数据库：MySQL 后端技术：Java、Spring Boot、MyBatis 三、运行环境 开发工具：IDEA/eclipse 数据…
阅读更多...
《探索 Spring 核心容器：Bean 的奇妙世界》

《探索 Spring 核心容器：Bean 的奇妙世界》

一、Spring 核心容器与 Bean 的关系 Spring 核心容器是 Spring 框架的重要组成部分，负责管理和组织应用程序中的对象，而 Bean 则是构成应用程序主干并由 Spring IoC 容器管理的对象，二者紧密相连。 Spring 的核心容器由多个模块组成&#xf…
阅读更多...
基于卷积神经网络的航空发动机剩余寿命预测Matlab实现

基于卷积神经网络的航空发动机剩余寿命预测Matlab实现

本文利用NASA提供的涡扇发动机退化数据集，进行数据预处理，构建训练样本和测试样本，然后搭建卷积神经网络（Convolutional Neural Network,CNN），学习训练数据，最后利用测试数据，分析神…
阅读更多...
day02（单片机高级）单片机控制ESP8266连接阿里云

day02（单片机高级）单片机控制ESP8266连接阿里云

目录 单片机控制ESP8266连接阿里云物联平台 MQTT协议简介 订阅和发布 cJSON简介 云平台搭建 注册和登录 实例的开通和创建 产品和设备的创建 创建产品 添加设备 功能定义 发布上线 MQTTFX工具使用 发布和订阅 订阅 发布 MQTT固件烧录 AT指令验证 调试验证订阅 单片机控制ESP826…
阅读更多...
社交电商的优势及其与 AI 智能名片小程序、S2B2C 商城系统的融合发展

社交电商的优势及其与 AI 智能名片小程序、S2B2C 商城系统的融合发展

摘要：本文深入分析了社交电商相较于传统电商的优势，包括门槛低、易操作、更生活化和可团队化运作等特点。同时，探讨了 AI 智能名片小程序和 S2B2C 商城系统在社交电商发展中的作用，以及它们与社交电商融合所带来的新机遇和发展前景…
阅读更多...
uni-app快速入门（八）--常用内置组件（上）

uni-app快速入门（八）--常用内置组件（上）

uni-app提供了一套基础组件&#xff0c;类似HTML里的标签元素&#xff0c;不推荐在uni-app中使用使用div等HTML标签。在uni-app中&#xff0c;对应<div>的标签是view&#xff0c;对应<span>的是text&#xff0c;对应<a>的是navigator&#xff0c;常用uni-app…
阅读更多...
Jmeter的后置处理器（二）

Jmeter的后置处理器（二）

5--JSR223 PostProcessor 功能特点 自定义后处理逻辑&#xff1a;使用脚本语言编写自定义的后处理逻辑。支持多种脚本语言&#xff1a;支持 Groovy、JavaScript、BeanShell 等脚本语言。动态参数传递&#xff1a;将提取的数据存储为变量&#xff0c;供后续请求使用。灵活性高…
阅读更多...
基于SpringBoot3+mybatis搭建的历史上的今天API接口服务 及 Mybatis 应该有个更好的方法来隐藏 Pojo 类中的字段

基于SpringBoot3+mybatis搭建的历史上的今天API接口服务 及 Mybatis 应该有个更好的方法来隐藏 Pojo 类中的字段

一、Mybatis有没有比较好的方法隐藏 Pojo 类中的字段 使用 Mybatis 时&#xff0c;为了实现通用的CURD&#xff0c;在定义实体类pojo时&#xff0c;会尽量将能用得上的数据库字段都定义到 pojo中&#xff0c;但是在查询的时候却有不一样的需求。mybatis的文档地址链接&#xff…
阅读更多...
SLAM-evo 评估

SLAM-evo 评估

文章目录 1.evo介绍1.1.evo安装1.1.2.evo的安装(evo共有两种安装方式)1.1.2.1.采用pip安装&#xff0c;直接安装最新的稳定发行版&#xff08;在翻墙的情况下可以使用&#xff09;将路径添加到系统 PATH 中1.1.2.2.源码安装 &#xff0c;下载源码进行安装&#xff08;必须翻墙&…
阅读更多...
【机器学习chp3】判别式分类器：线性判别函数、线性分类器、广义线性分类器、分段线性分类器

【机器学习chp3】判别式分类器：线性判别函数、线性分类器、广义线性分类器、分段线性分类器

前言&#xff1a; 本文遗留问题&#xff1a;&#xff08;1&#xff09;对最小平方误差分类器的理解不清晰.&#xff08;2&#xff09;分段线性判别函数的局部训练法理解不清晰。 推荐文章1&#xff0c;其中有关于感知机的分析 【王木头从感知机到神经网络】-CSDN博客 推荐文…
阅读更多...
04 搭建linux驱动开发环境

04 搭建linux驱动开发环境

虽然 petalinux 功能很全面&#xff0c;但是其编译速度较慢&#xff0c;不适用于驱动调试阶段&#xff08;因为驱动调试阶段会频繁修改驱动模块、内核、设备树等&#xff09;&#xff0c;因此本章将采用分步编译的方式来编译启动开发板所需要的各种镜像文件&#xff0c;虽然步骤…
阅读更多...
Linux性能优化之火焰图的起源

Linux性能优化之火焰图的起源

Linux火焰图的起源与性能优化专家 Brendan Gregg 密切相关&#xff0c;他在 2011 年首次提出这一工具&#xff0c;用于解决性能分析过程中可视化和数据解读的难题。 1. 背景&#xff1a;性能优化的需求 在现代计算中&#xff0c;性能优化往往需要对程序执行中的热点和瓶颈进行…
阅读更多...
半桥驱动芯片调试中的问题

半桥驱动芯片调试中的问题

结论&#xff1a;低于12V的场景应用分立的MOS驱动电路压根不合适&#xff0c;选用集成桥臂的芯片合适。 HIN的输入电平不能是长时间的高电平&#xff0c;否则自举电容没法充放电从而没办法自举升压&#xff0c;上管无法控制&#xff1a; 电容C2的容值应该尽可能大&#xff…
阅读更多...
【C++】类和对象-深度剖析默认成员函数-上

【C++】类和对象-深度剖析默认成员函数-上

> &#x1f343; 本系列为初阶C的内容&#xff0c;如果感兴趣&#xff0c;欢迎订阅&#x1f6a9; > &#x1f38a;个人主页:[小编的个人主页])小编的个人主页 > &#x1f380; &#x1f389;欢迎大家点赞&#x1f44d;收藏⭐文章 > ✌️ &#x1f91e; &#x1…
阅读更多...
RabbitMQ黑马笔记

RabbitMQ黑马笔记

目录 1.初识MQ 1.1.同步和异步通讯 1.1.1.同步通讯 1.1.2.异步通讯 1.2.技术对比&#xff1a; 2.快速入门 2.1.安装RabbitMQ 2.2.RabbitMQ消息模型 2.3.导入Demo工程 2.4.入门案例 2.4.1.publisher实现 2.4.2.consumer实现 2.5.总结 3.SpringAMQP 3.1.Basic Queu…
阅读更多...
麒麟KylinServer的网站，并部署一套主从DNS服务器提供域名解析服务

麒麟KylinServer的网站，并部署一套主从DNS服务器提供域名解析服务

一、KylinServer网站搭建 ifconfig Copy 注意：根据实际网卡设备名称情况调整代码！不同环境下网卡名称略有不同！ 获取本机IP地址，记住IP地址用于之后的配置填写。 ifconfig enp0s2 Copy 下载nginx源码包，并解压缩 wget http://10.44.16.102:60000/allfiles/Kylin/ng…
阅读更多...
解决IntelliJ IDEA的Plugins无法访问Marketplace去下载插件

解决IntelliJ IDEA的Plugins无法访问Marketplace去下载插件

勾选Auto-detect proxy setting并填入 https://plugins.jetbrains.com 代理URL&#xff0c;可以先做检查连接&#xff1a;
阅读更多...
AWTK-WIDGET-WEB-VIEW 发布

AWTK-WIDGET-WEB-VIEW 发布

awtk-widget-web-view 是通过 webview 提供的接口&#xff0c;实现的 AWTK 自定义控件&#xff0c;使得 AWTK 可以方便的显示 web 页面。 项目网址&#xff1a; https://gitee.com/zlgopen/awtk-widget-web-view webview 提供了一个跨平台的 webview 接口&#xff0c;是一个非…
阅读更多...
Pandas教程之Pandas 简介

Pandas教程之Pandas 简介

Pandas 简介 接下来一段时间&#xff0c;我会持续发布并完成Pandas教程 Pandas 是一个功能强大的开源 Python 库。Pandas 库用于数据操作和分析。Pandas 由数据结构和函数组成&#xff0c;可对数据执行有效的操作。 本免费教程将概述 Pandas&#xff0c;涵盖 Python Pandas 的基…
阅读更多...
【linux】网络基础 ---- 数据链路层

【linux】网络基础 ---- 数据链路层

用于两个设备(同一种数据链路节点)之间进行传递 数据链路层解决的问题是&#xff1a;直接相连的主机之间&#xff0c;进行数据交付 1. 认识以太网 "以太网" 不是一种具体的网络, 而是一种技术标准&#xff1a; 既包含了数据链路层的内容, 也包含了一些物理层的内容…
阅读更多...
最新文章

Copyright @ 2022~2023