《原理》专题

词法分析器 语法分析器 语义分析及中间代码生成 代码优化 代码生成

设计理念与分布式系统 分析和理解Kubernetes的设计理念可以使我们更深入地了解Kubernetes系统，更好地利用它管理分布式部署的云原生应用，另一方面也可以让我们借鉴其在分布式系统设计方面的经验。 API设计原则 对于云计算系统，系统API实际上处于系统设计的统领地位。Kubernetes集群系统每支持一项新功能，引入一项新技术，一定会新引入对应的API对象，支持对该功能的管理操作。理解掌

原理 ListView的实现离不开Adapter。可以这么理解：ListView中给出了数据来的时候，View如何实现的具体方式，相当于MVC中的V；而Adapter提供了相当于MVC中的C，指挥了ListView的数据加载等行为。 提一个问题：假设ListView中有10W个条项，那内存中会缓存10W个吗？答案当然是否定的。那么是如何实现的呢？下面这张图可以清晰地解释其中的原理: 可以看到当一个

网络爬虫使用的技术--数据抓取： 在爬虫实现上，除了scrapy框架之外，python有许多与此相关的库可供使用。其中，在数据抓取方面包括： urllib2（urllib3）、requests、mechanize、selenium、splinter； 其中，urllib2（urllib3）、requests、mechanize用来获取URL对应的原始响应内容；而selenium、splinter通

现代分词都是基于统计的分词，而统计的样本内容来自于一些标准的语料库。假如有一个句子：“小明来到荔湾区”，我们期望语料库统计后分词的结果是："小明/来到/荔湾/区"，而不是“小明/来到/荔/湾区”。那么如何做到这一点呢？ 从统计的角度，我们期望"小明/来到/荔湾/区"这个分词后句子出现的概率要比“小明/来到/荔/湾区”大。如果用数学的语言来说说，如果有一个句子S,它有m种分词选项如下：$$A_{11

在数理统计里面，我们都知道相关系数这个概念。假设有两组一维的数据集X和Y，则相关系数$$rho$$的定义为: $$ rho(X,Y) = frac{cov(X,Y)}{sqrt{D(X)}sqrt{D(Y)}} $$ 其中$$cov(X,Y)$$是X和Y的协方差，而D(X), D(Y)分别是X和Y的方差。相关系数$$rho$$的取值为[-1,1],　$$rho$$的绝对值越接近于1，则X和Y的线性

LLE属于流形学习(Manifold Learning)的一种。因此我们首先看看什么是流形学习。流形学习是一大类基于流形的框架。数学意义上的流形比较抽象，不过我们可以认为LLE中的流形是一个不闭合的曲面。这个流形曲面有数据分布比较均匀，且比较稠密的特征，有点像流水的味道。基于流行的降维算法就是将流形从高维到低维的降维过程，在降维的过程中我们希望流形在高维的一些特征可以得到保留。 一个形象的流形降维

作为开放平台，必须要提供API文档。 SOP采用微服务架构实现，因此文档应该由各个微服务各自实现。难点是如何归纳各个微服务端提供的文档信息，并统一展示。 SOP的解决思路如下： 各微服务使用swagger定义自己的接口信息 sop-website项目在启动时向注册中心获取所有服务实例，分别调用各个服务提供的swagger文档信息，保存到本地 sop-website前端页面负责展示swagger提供

Spring Cloud Gateway通过一系列的Filter来进行数据的传输，如下图所示： SOP网关在此基础上新增了几个Filter用来处理自己的逻辑，如：前置校验、结果返回。 过滤器 类型 Order 功能 IndexFilter 自定义 -2147483648 入口过滤器，获取参数、签名校验 ParameterFormatterFilter 自定义 -2147482647 格式化参数 L

"层"的概念 一个游戏里面包含了许多个元素，包括图片、声音、对象模型、相关数据（比如"游戏得分"）、方向行为控制等等。游戏编程的实质就是把这些元素按照剧本有序的组合在一起，把这些元素“可控“化。 跟影视制作一样，游戏的每一个场景里面都有"背景"、"主角"、"配角"、"路人甲乙丙丁"、"道具"等。在影视拍摄中，导演指挥剧务布置场景，指挥演员按剧本表演动作和对话，后期制作中加入各种道具使用时产生的特效

人工神经网络 人工神经网络又叫神经网络，是借鉴了生物神经网络的工作原理形成的一种数学模型。下面是一张生物神经元的图示： 生物神经网络就是由大量神经元构成的网络结构如下图： 生物的神经网络是通过神经元、细胞、触电等结构组成的一个大型网络结构，用来帮助生物进行思考和行动等。那么人们就想到了电脑是不是也可以像人脑一样具有这种结构，这样是不是就可以思考了？ 类似于神经元的结构，人工神经网络也是基于这样的神

Seata 可以支持多个第三方配置中心，那么 Seata 是如何同时兼容那么多个配置中心的呢？下面我给大家详细介绍下 Seata 配置中心的实现原理。 配置中心属性加载 在 Seata 配置中心，有两个默认的配置文件： file.conf 是默认的配置属性，registry.conf 主要存储第三方注册中心与配置中心的信息，主要有两大块： registry { # file 、nacos 、e

说到Seata中的配置管理，大家可能会想到Seata中适配的各种配置中心，其实今天要说的不是这个，虽然也会简单分析Seata和各配置中心的适配过程，但主要还是讲解Seata配置管理的核心实现 Server启动流程 在讲配置中心之前，先简单介绍一下Server端的启动流程，因为这一块就涉及到配置管理的初始化，核心流程如下： 程序入口在Server#main方法中 获取port的几种形式：从容器中获取

如何在升级 Sidecar（MOSN）的时候而不影响业务，对于存量的长连接如何迁移，本文将为你介绍 MOSN 的解决之道。 Service Mesh 中 Sidecar 运维一直是一个比较棘手的问题，数据平面的 Sidecar 升级是常有的事情，如何在升级 Sidecar（MOSN）的时候而不影响业务，对于存量的长连接如何迁移，本文将为你介绍 MOSN 的解决之道。 背景 本文介绍 MOSN 支持