JJXxXLL

MySQL 1234567<update id="updateAddLockCount" parameterType="java.lang.String"> <![CDATA[ update group_buy_order set lock_count = lock_count + 1, update_time= now() where team_id = #{teamId} and lock_count < target_count ]]></update>

为了拆分库表，为了省事在xml文件中直接注释： 12345678910 <select id="queryValidGroupBuyActivityId" resultMap="GroupBuyActivityMap"> SELECT activity_id, activity_name,-- source, channel, goods_id, discount_id, group_type, take_limit_count, target, valid_time, status, start_time, end_time, tag_id, tag_scope FROM group_buy_activity-- WHERE source = #{source} AND channel = #{channel} WHERE activity_id = #{acti ...

👍 很好，这一步你已经精准定位到“真正的根因”了。而且这个问题非常典型、非常高级，不是新手能一下子意识到的。 我给你把这件事一次性讲透👇 一、结论先行（你这次为什么会 NPE） ❌ 不是 SQL 查不到数据 ❌ 不是多线程问题 ✅ 是 MyBatis 映射方式用错了：resultType vs resultMap 你原来的 SQL 能查到行，但是 MyBatis 没有把字段正确映射到 Java 对象里，导致： 123groupBuyActivityRes != null但groupBuyActivityRes.getDiscountId() == null 于是后面必炸 💥 二、你现在这两段 SQL 的“本质区别”❌ 原来（有问题的）12<select id="queryValidGroupBuyActivity" resultType="cc.jxlll.infrastructure.dao.po.GroupBuyActivity"> ✅ 现在（正确的）12<select id="query ...

设计模式 先看左侧， 1234策略路由抽象类 AbstractStrategyRouterT 入参类型D 上下文参数R 返参类型 1234567891011121314public abstract class AbstractStrategyRouter<T,D,R> implements StrategyHandler<T,D,R>,StrategyMapper<T, D, R> { StrategyHandler<T,D,R> defaultStrategyHandler = StrategyHandler.DEFAULT; public R router(T requestParameter, D dynamicContext) throws Exception { StrategyHandler<T,D,R> strategyHandler = get(requestParameter, dynamicContext); if(null != strate ...

新增TagNode节点，进行过滤：过滤逻辑： 没配置tag_id，就是不筛选人群，所以用户全都可见可参与；配置了tag_id，就是要筛选人群 如果用户在人群标签中直接放行，可见可参与；不在此人群标签中要看tag_scope的配置 如果tag_scope为空就是不做限制，所以也全都可见可参与；如果tag_scope有值，则代表做限制 包含 “1” → 不可见（visible=false） 包含 “2” → 不可参与（enable=false） 动态配置开关操作何不停车就给汽车换个轮子？ 这是互联网应用程序中经常干的事情，在程序运行过程中，直接动态变更某些属性配置。这些动态变更的配置包括降级和切量的开关，也包括一些功能程序的白名单用户测试。 那么对于配置中心，有 SpringCloud Config + Event Bus，也有 Nacos，还有各个大厂中会基于各类组件做的自研实现。那么本节我们先来做一个基于 Redis 发布/订阅处理动态配置的自研的实现，之后对于 SpringCloud 的动态配置变更已经有案例，小伙伴也可以学习。 1.引入两个概念:降级和切片 ...

a

你这个描述非常关键，而且我可以明确告诉你一句话： 你之前的 Git 使用流程在“逻辑上是错误的”，但 Git 又“纵容”了你，所以才会出现现在这种看似诡异、其实完全可解释的结果。 我按 发生了什么 → 为什么会这样 → 正确理解 → 如何补救 给你一次讲透。 一、先给你一句“定性结论”（非常重要） Git 从来不会“推送未提交的代码”。你之前那些“只 push 不 commit 的分支”，实际上远程什么都没保存。 二、我们把你之前的真实流程“还原一遍”（这是关键）你说你的流程是： 从 master 新建分支 A 在分支 A 写代码 ❌ 只 push，没有 commit 再从 master 新建分支 B 发现 B 里居然有刚刚写的代码 重复这个流程很多次 最后一次：在某个分支 commit + push 再从 master 新建分支，发现之前写的内容全没了 👉 这一切，其实完全符合 Git 的工作原理 三、关键真相 1：你之前写的代码，从来没进过 Git 历史Git 的铁律（请牢牢记住）1❗ 没有 commit = Git 当作这段代码从未存在 你之前做的其实是： 写 ...

公众号扫码登录 用户在网页点“微信登录”，网页先去你服务端要一个“登录二维码”。你服务端为了能调用微信接口，先拿（或从缓存取）公众号的 access_token，然后调用微信的“创建带参数二维码”接口 /cgi-bin/qrcode/create，把一个你生成的参数（通常叫 scene，你可以理解为一次性的 ticket/登录编号）塞进请求里。微信返回一个 ticket（以及过期时间），网页拿到这个 ticket 后，不是让你服务端自己画二维码，而是直接用微信的展示地址 https://mp.weixin.qq.com/cgi-bin/showqrcode?ticket=xxx 当作图片链接显示在 <img> 上，浏览器就能看到二维码了（注意这个接口返回的是图片二进制，不是 JSON）。 接着用户用微信扫码。扫码后微信会把这个二维码里携带的参数（EventKey，就是你当初的 scene/ticket）连同用户身份（FromUserName，也就是 openid）以 XML 回调到你配置的公众号服务器地址。你服务端收到回调后，做一件最关键的事：把 ticket ↔ ope ...

错误点： LocalDate vs LocalDateTime 类型 包含信息 适配场景 前端传参格式 转换复杂度 LocalDate 年 / 月 / 日 仅日期维度的查询（如入职日期） 2010-01-01 极低（无冗余） LocalDateTime 年 / 月 / 日 / 时 / 分 / 秒 需精确到时间的场景（如订单创建时间） 2010-01-01 12:00:00 高（需补时分秒） 致命错误：@DateTimeFormat 的 pattern 格式（核心） ❌ 错误写法： pattern = “yyyy-mm-dd” mm是分钟（minute），MM才是月份（month）！此错误会导致：前端传2010-01-01→ 被解析为2010-00-01（分钟 00，月份错误），触发时间转换异常。 ✅ 正确写法： pattern = “yyyy-MM-dd” 匹配前端的2010-01-01 纯日期格式，正确解析月份。 请求参数过多定义一个实体类，来封装这几个请求参数 动态SQLSQL语句不应该是写死的，而应该根据用户输入的条件的变化而变化。 那 ...

Chapter 1 - Introduction to Big Data Mining1. What’s Big Data?大数据是指那些规模巨大、增长迅速、类型多样，而传统数据处理工具难以有效处理的数据集合。 Big Data refers to datasets that are too large, fast, or diverse for traditional data-processing software to manage efficiently. 2. The 4Vs of Big Data（四个特性） Volume（体量）：数据规模巨大（如 Walmart 每小时 2.5PB）； Velocity（速度）：数据产生速度快（如传感器、社交平台）； Variety（多样性）：数据形式丰富（文本、图像、音频、视频等）； Veracity（真实性）：数据存在不确定性、缺失、噪声问题。 3. What’s Data Mining?数据挖掘是从大量数据中自动发现有价值的模式和知识的过程。 Data mining is the process of automa ...

文献地址：SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning 代码地址：SLADE 1 引言（Introduction）在现实场景中进行图异常检测面临以下挑战： 挑战 C1：检测延迟（Time Delay in Detection）尽管大多数异常检测方法假设输入图是静态的，但现实中的图是随着交互事件不断演化的。因此，及时识别异常事件变得尤为重要。如果检测存在延迟，就有可能在此期间让恶意节点对正常节点造成损害。 然而，如果每次交互事件发生时都重新运行一次静态图异常检测算法，那么巨大的计算成本会造成严重的延迟。为此，我们应当将交互事件建模为边流（edge stream），并使用增量计算（incremental computation）方式，在常数时间内评估每条新边是否异常。 过去一些研究（如文献[4,12]）已经提出了用于边流异常检测的增量算法。然而，这些方法大多只针对某一类异常（例如突发行为），缺乏可学习的模块，难以识别复杂的行为偏移模式。 挑战 C ...

现在需要根据所给经纬度的范围，绘制对应的实际地图 有三种方法