day60_java_基础巩固

简介: 自己所掌握的基础知识加以巩固和记录!希望大家点赞收藏并能给予鼓励和支持!有任何建议或者帮助也可以来哦!!!虽然有些干货知识很通俗,但也是自己的必经之路i,加油!!!

MongoDb:

MongoDB 是什么?

mongodb 是属于文档型的非关系型数据库,是开源、高性能、高可用、可扩展的

数据逻辑层次关系:文档=>集合=>数据库

在关系型数据库中每一行的数据对应 mongodb 里是一个文档。mongodb 的文档

是以 BSON(binary json)格式存储的,其格式就是 json 格式。

MongoDB 有 3 个数据库

一个 MongoDB 中可以建立多个数据库,这些数据库是相互独立的,有自己的集合和权

限。不同的数据库使用不同的文件存储(不存储在一个文件中)。

MongoDB 默认有 3 个数据库:

admin: 从权限的角度来看,这是"root"数据库。将一个用户添加到这个数据库,这个

用户会自动继承所有数据库的权限。一些特定的服务器端命令也只能在这个数据库中运行,

比如列出所有的数据库或者关闭服务器。

local: 这个数据库永远不会被复制,里面的数据都是本地的(不会复制到其他 MongoDB

服务器上),可以用来存储限于本地单台服务器的任意集合

config: 当 Mongo 用于分片设置时,config 数据库在内部使用,用于保存分片的相关信

息。

Mongo 中的数据类型

1. null

2. false 和 true

3. 数值

4. UTF-8 字符串

5. 日期 new Date()

6. 正则表达式

7. 数组

8. 嵌套文档

9. 对象 ID ObjectId()

10. 二进制数据

11. 代码

MongoDB 适用业务场景

网站数据:MongoDB 非常适合实时的插入,更新与查询,并具备网站实时数据存储所

需的复制及高度伸缩性

缓存:由于性能很高,MongoDB 也适合作为信息基础设施的缓存层。在系统重启之后,

由 MongoDB 搭建的持久化缓存层可以避免下层的数据源过载

大尺寸,低价值的数据:使用传统的关系型数据库存储一些数据时可能会比较昂贵,在此

之前,很多时候程序员往往会选择传统的文件进行存储

高伸缩性的场景:MongoDB 非常适合由数十或数百台服务器组成的数据库。MongoDB

的路线图中已经包含对 MapReduce 引擎的内置支持

用于对象及 JSON 数据的存储:MongoDB 的 BSON 数据格式非常适合文档化格式的

存储及查询

相关文章
|
移动开发 负载均衡 安全
Web Security 之 HTTP request smuggling(上)
Web Security 之 HTTP request smuggling
904 0
|
存储
etcd 受损节点重新加入集群
etcd 受损节点重新加入集群
928 0
|
9月前
|
弹性计算 关系型数据库 数据库
阿里云服务器活动价格解析:最新1年、2年、3年可选实例规格及具体价格参考
阿里云服务器活动价格表新鲜出炉,目前,用户购买轻量应用服务器和通用算力型u2a以及计算型c9a、通用型g9a等实例的云服务器通过当下的活动购买可选择一年时长,而经济型e实例云服务器除了选择1年之外,还支持选择2年或者3年。本文将详细解析这些云服务器实例的1年、2年和3年活动价格,以便大家根据自己的需求和预算情况选择合适的云服务器实例规格、配置和时长。
|
API 云栖大会
通义千问升级旗舰模型Qwen-Max,性能接近GPT-4o
通义旗舰模型Qwen-Max全方位升级,性能接近GPT-4o
12900 12
|
数据处理 开发工具 开发者
requirement.txt 管理python包依赖
在 Python 项目中,`requirements.txt` 用于记录依赖库及其版本,便于环境复现。本文介绍了多种生成该文件的方法:基础方法使用 `pip freeze`,进阶方法使用 `pipreqs`,专业方法使用 `poetry` 或 `pipenv`,以及手动维护方式。每种方法适用不同场景,涵盖从简单导出到复杂依赖管理,并提供常见问题的解决方案,帮助开发者高效生成精准的依赖列表,确保项目环境一致性。
3402 4
|
机器学习/深度学习 人工智能 算法
分位数回归+共形预测:Conformalized Quantile Regression实现更可靠的预测区间
预测不确定性量化在数据驱动决策中至关重要,分位数回归(QR)虽能生成自适应预测区间,但缺乏严格覆盖保证;共形预测(CP)则提供覆盖保证但缺乏强自适应性。Conformalized Quantile Regression (CQR)融合两者优势,通过校准分位数回归模型,生成既适应数据特性又具备统计保证的预测区间。本文深入探讨CQR理论、实现与应用,展示其在医疗、金融等领域提升预测可靠性的潜力,为高风险决策提供更精确和可信的支持。
946 0
分位数回归+共形预测:Conformalized Quantile Regression实现更可靠的预测区间
|
缓存 网络协议 Unix
程序员超实用的文件系统性能评测工具盘点
程序员超实用的文件系统性能评测工具盘点
|
敏捷开发 运维 Devops
如何构建高效的价值交付系统?详解项目管理中的核心要素
3分钟了解价值交付系统的组成和使用方法。
630 0
如何构建高效的价值交付系统?详解项目管理中的核心要素
|
人工智能 运维 监控
AIOps智能监控在阿里巴巴故障管理工作中的成功实践
在自动化运维还不普及的时候,运维人员更多的运用手动的方式完成运维工作,这种方式耗时长,效率低。由此,如何合理发挥人工智能技术辅助运维人员进行故障管理工作逐步成为了业界关注的焦点。阿里巴巴的GOC团队通过研究并使用AIOps系统到运维业务场景中的方式,积累了大量的智能运营的方法论和技术体系。
10597 162
|
机器学习/深度学习 人工智能 自然语言处理
基于Mamba架构的,状态空间音频分类模型AUM
【8月更文挑战第7天】随着AI技术的发展,音频分类在诸多领域变得至关重要。传统方法如CNN面临计算成本高的问题。新兴的Mamba架构,基于状态空间模型(SSM),展示出优秀性能。受此启发,研究者开发了Audio Mamba (AUM)模型,首个完全基于SSM且不依赖自注意力机制的音频分类模型。AUM利用SSM的高效性捕捉音频时频特征,大幅降低计算复杂度,尤其适合大规模数据。实验显示,AUM在多个任务上的表现与先进自注意力模型相当甚至更好。尽管如此,AUM在复杂任务及泛化能力方面仍存在讨论空间。[论文](https://arxiv.org/abs/2406.03344)
699 1