- 综合排序
- 最热优先
- 最新优先
- 来自专栏后端技术
系统设计与分析 作业4
a hotel reserve hotel 50 5 you can reserve a hotel by selecting a hotel and room. manage basket 30 4 分析客户要完成退货业务，在淘宝网上需要实现哪些系统用例 3. 用例文本编写 在大作业基础上，分析三种用例文本的优点和缺点 摘要优缺点：摘要文本是简洁的一段式摘要，通常用于主成功场景。优点是易于编写。 非正式文本优缺点：非正式文本是用几个段落覆盖不同的场景，用几个段落覆盖不同场景，同样用于早期的需求分析过程，优点是比起摘要式用例文本要详细一些，覆盖的问题广泛一些，缺点是不够正式。
50720发布于 2019-05-25 - 来自专栏CSDNToQQCode
Spack作业分析
目录 文件 题目1（15分） 题目2（15分） 题目3（15分） 题目4（15分） 题目5（20分） 题目6（20分） ---- 文件 给予4个文件【spack01.txt】【spack01.txt 】【film_log1.csv】【move.csv】进行数据分析。 var sum=chinese.toInt+math.toInt+english.toInt+hSum.toInt//总成绩==语文+数学+英语+理综 //平均成绩==总成绩/4 userName+"\t"+sum+"\t"+(sum/4)//拼接返回：姓名 总成绩 平均分的格式 }).saveAsTextFile("D://demo/demo2") {SparkConf, SparkContext} object Demo4 { def main(args: Array[String]): Unit = { val filepath =
1.3K10编辑于 2022-11-30 - 来自专栏腾讯云流计算 Oceanus
Storm作业转化为Flink作业流程分析
一、 Storm的topology作业可以转化为Flink Job放到Flink上运行，需要修改Storm作业的代码。 首先获取Flink流式作业的执行环境，以及Storm作业中定义的Spout，Bolt组件集合；这些都是在FlinkTopology的构造方法中完成，代码如下： this.spouts = getPrivateField 根据以上操作就将Storm作业的spout组件转为成了Flink作业的DataStreamSource了，然后将转化出来的dataStream放入到availableInputs中；其中availableInputs HashMap<String, HashMap<String, DataStream<Tuple>>> 第一个参数表示对应的组件Id，第二个参数表示组件对应处理的数据流的Id，第三个参数表示要处理的数据流； 4. ，则Storm作业中组件将全部转化为Flink的Transmation，放入到执行环境的transmations中，提交作业运行的时候，transmations转化StreamGraph，再转为JobGraph
2.5K20发布于 2018-09-08 - 来自专栏git
spark作业-源码分析
random.nextInt(10), s"user$idx")) val col2 = Array((0, "BJ"), (1, "SH"), (2, "GZ"), (3, "SZ"), (4, val rdd3: RDD[(Int, (String, String))] = rdd1.join(rdd2) println (rdd3.dependencies) val rdd4: rdd1.partitionBy(new HashPartitioner(3)).join(rdd2.partitionBy(newHashPartitioner(3))) println(rdd4. rdd3的join rdd4的join 2）代码解析： a.首先是默认的join方法，这里使用了一个默认分区器 /** * Return an RDD containing all pairs 由上述分析可以知道，如果需要join的两个表，本身已经有分区器，且分区的数目相同，此时，相同的key在同一个分区内。就是窄依赖。
44320编辑于 2021-12-28 - 来自专栏python3
python作业大纲分析
2018-11-22 目前自学python这么久，零零散散的写了几次作业，下面是几个在完成过程中遇到困难较多的作业。 1、额度 15000或自定义 2、实现购物商城，买东西加入 购物车，调用信用卡接口结账 其实是两套单独程序 3、可以提现，手续费5% 提现不能超过总余额一半 4、 课程包含，周期，价格，通过学校创建课程 4. 通过学校创建班级， 班级关联课程、讲师 5. 创建学员时，选择学校，关联班级 5. 创建讲师角色时要关联学校， 6. 每个用户有自己的家目录 ，且只能访问自己的家目录 4. 对用户进行磁盘配额，每个用户的可用空间不同 5. 允许用户在ftp server上随意切换目录cd 6. 3、可批量执行命令，发送文件，结果返回 4、主机用户名和密码可以不同 完成情况：已基本完成
79620发布于 2020-01-20 - 来自专栏后端技术
系统设计与分析 作业9
该用例完成用户订购酒店的整体过程。 用户可搜索酒店，得到搜索表单。再根据搜索表单选择满意的酒店和房间类型。 最后验证预定，完成整个过程。
43240发布于 2019-05-25 - 来自专栏后端技术
系统设计分析 作业6
1、 领域建模 a. 阅读 Asg_RH 文档，按用例构建领域模型。 按 Task2 要求，请使用工具 UMLet，截图格式务必是 png 并控制尺寸 说明：请不要受 PCMEF 层次结构影响。你需要识别实体（E）和 中介实体（M，也称状态实体） 在单页面应用（如 vue）中，E 一般与数据库构建有关， M 一般与 store 模式 有关 在 java web 应用中，E 一般与数据库构建有关， M 一般与 session 有关 b. 数据库建模(E-R 模型) 按 Task 3 要求，给出系统的 E
48430发布于 2019-05-25 - 来自专栏后端技术
系统设计与分析 作业3
最后，分析调查结果，写成文档，发布到项目的github上 github 调研报告 2.
67730发布于 2019-05-25 - 来自专栏后端技术
系统设计与分析 作业5
作业总览 1、 领域建模 a. 阅读 Asg_RH 文档，按用例构建领域模型。
51320发布于 2019-05-25 - 来自专栏后端技术
系统设计分析 作业7
文档要包含一个业务的完整过程 建模要求包括（用例图、XX业务或用例的活动图、XX领域模型、XX对象的状态图、XX场景的系统顺序图与操作协议） 选择：知乎app 1.用例图 2.活动图 3.领域模型 4.
39140发布于 2019-05-25 - 来自专栏后端技术
系统设计与分析 作业8
1. 描述软件架构与框架之间的区别与联系 区别 软件架构是一个抽象的概念，高于实际代码，是诞于设计阶段的系统蓝图，描述部件的功能、部件与部件之间的协作，从而大致地描述出系统完整的运作流程。它并不是实际系统代码的一部分。 而框架是一个具体的概念，是实际代码的一部分。框架是针对系统设计的一个“半成品”软件，使用特定的语言和技术描述了架构中各部件功能的具体实现。 联系 软件架构是框架的“蓝图”，是理论指导，对于框架的实现具有指导作用。框架则体现了架构的设计核心。 2. 以你的项目为案例 绘制三层架构模型图，细致到
48620发布于 2019-05-25 - 来自专栏HansBug's Lab
【作业】HansBug的前三次OO作业分析与小结
OO课程目前已经进行了三次的作业，容我在本文中做一点微小的工作。 第一次作业 第一次作业由于难度不大，所以笔者程序实际上写的也比较随意一些。 （点击就送指导书~） 类图 程序的大致结构如下： 代码分析 可以看出，整体的功能还是相对零散的，耦合状况也基本还可以。 代码分析 可以看到，这一次的耦合状况较上一次有好转（没有出现红色字）。然而依然存在部分方法复杂度略高的情况（比如入口点函数，依然是红字状态）。看来，功能还需要进一步拆散。 第三次作业 第三次作业是第二次作业的升级版，采用了相对智能的电梯调度措施，然后需求细节一样较为繁琐。 然而实际上，第三次作业仍然有着一些的缺陷： 和第二次作业一样功能不够分散 由于需求分析花了非常多的时间，导致这次作业起步时间很晚，很多架构实际上并不是很好的设计（笔者写程序的时候自己就已经在这么觉得，然而时间紧迫还是选择了优先完成任务
82960发布于 2018-04-11 - 来自专栏芋道源码1024
分布式作业 Elastic-Job-Lite 源码分析 —— 作业配置
Lite作业配置( LiteJobConfiguration )：必填。 作业事件总线( JobEventBus )：对作业事件异步监听。选填。 每次作业执行时间和间隔时间均较长的情况，建议监控作业运行时状态，可保证数据不会重复选取。 monitorPort：作业监控端口。默认为 -1，不开启作业监控端口。选填。 作业自定义参数，可通过传递该参数为作业调度的业务方法传参，用于实现带参数的作业 例：每次获取的数据量、作业实例从数据库读取的主键等 failover：是否开启作业执行失效转移。 开启表示如果作业在一次作业执行中途宕机，允许将该次未完成的作业在另一作业节点上补偿执行。默认为 false。选填。在《Elastic-Job-Lite 源码解析 —— 作业失效转移 》详细分享。 或者 当前作业配置允许替换注册中心作业配置( overwrite = true )时，持久化作业配置。
1.5K50发布于 2018-09-30 - 来自专栏音视频技术学习笔记
机器学习作业4-反向传播
)就是下标为j的神经元的偏导，正好可以用来当梯度用，这里感觉应该是近似，这里看懂了就明白吴恩达视频里的盲区了。注意，按照链式法则求偏导，(
61910发布于 2021-03-09 - 来自专栏小樱的经验随笔
C++课程设计类作业４
1 #include <bits/stdc++.h> 2 using namespace std; 3 class xiexin 4 { 5 public: 6 xiexin()
738120发布于 2018-04-09 - 来自专栏python学习2020
2019年学习Python-day4作业
+= i # a = a + i i += 1 # 计数器 +1 print(a) # 4570 # 第4天只学了 print('*', end=' ') # 结尾有空格 n += 1 print("") # 一行结束换行 i += 1 # 4、
80110发布于 2019-11-25 - 来自专栏芋道源码1024
分布式作业 Elastic-Job-Lite 源码分析 —— 作业分片
作业分片条件3. 分配作业分片项4. 获取作业分片上下文集合666. 彩---- 1. 概述 本文主要分享 Elastic-Job-Lite 作业分片。 涉及到主要类的类图如下( 打开大图 )： ? 作业是否在运行中需要 LiteJobConfiguration.monitorExecution = true，《Elastic-Job-Lite 源码分析 —— 作业执行》「4.6 执行普通触发的作业 《Elastic-Job-Lite 源码分析 —— 作业分片策略》有详细分享。 使用 zkClient 查看如下： 作业分片项分配整体流程有点长，耐着心看，毕竟是核心代码哟。如果中间有任何疑问，欢迎给我公众号：芋道源码 留言。 4. 获取作业分片上下文集合 在《Elastic-Job-Lite 源码分析 —— 作业执行的》「4.2 获取当前作业服务器的分片上下文」中，我们可以看到作业执行器( AbstractElasticJobExecutor
66420发布于 2018-12-07 - 来自专栏glm的全栈学习之路
xmuC语言程序实践week 4 大作业
4、修改与查询一样不要按编号， 要先显示此条信息，再提示是否修改。 5、删除前也应显示此条信息，提示是否确定删除。 6、显示应该按日期/中午/晚上等分开列。 b，事实上不是这样的，应该用strcmp函数判断，事后回想起来应该是a=b可能不是简单的判断各个字符相等，还有一些小细节就是格式输出要对齐啦，左对齐，编号删除完了要更细一遍要不然比如说3号删除了原来的4号就要改为 Time; //cout<<temp<<endl; ll k=(temp[0]-48)*1000+(temp[1]-48)*100+(temp[3]-48)*10+temp[4] 意思是修改订单为姓名为glm的客户在21:00下单，用餐人数为20\n"; cout<<"请注意时间输入参照xx:xx,其中:为英文输入"; //完成需求 4、 break; case 2: Query_Guest(Head);break; case 3: Modify_Guest(Head);break; case 4:
63130发布于 2020-09-28 - 来自专栏芋道源码1024
分布式作业 Elastic-Job-Lite 源码分析 —— 作业数据存储
在《Elastic-Job-Lite 源码分析 —— 作业分片》详细解析。 《Elastic-Job-Lite 源码分析 —— 作业执行》的「4.6」执行普通触发的作业已经详细解析。 《Elastic-Job-Lite 源码分析 —— 作业执行》的「4.7」执行被错过触发的作业已经详细解析。 当且仅当作业节点为主节点时，才可以执行作业分片项分配，《Elastic-Job-Lite 源码分析 —— 作业分片》详细解析。 《Elastic-Job-Lite 源码分析 —— 作业失效转移》详细解析。
56620发布于 2018-10-26 - 来自专栏闵开慧
Hadoop作业提交与执行源码分析
Hadoop作业提交与执行源码分析 1 概述 Job执行整体流程图 2 Job创建与提交过程 2.1 Configuration类 Configuration类定义了如下私有成员变量
1.9K60发布于 2018-03-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号