上一篇【第55篇】Elasticsearch索引设置最佳实践——分片策略与性能调优下一篇[【第57篇】Elasticsearch查询性能优化——慢查询分析与优化策略(https://blog.csdn.net/xyghehehehe/article/details/161495137)摘要写入吞吐量是Elasticsearch生产环境中最关键的性能指标之一尤其在日志采集、指标存储和事件流处理等高写入场景中。本文将系统性地讲解Elasticsearch写入性能优化的全套方案从Bulk API批量写入的最佳实践到多线程并行写入策略从硬件选型建议到索引级别优化配置。我们还将介绍esrally基准测试工具的使用方法帮助你通过数据驱动的方式找到最优的写入配置组合。通过本文的实践指导你可以将写入吞吐量从每秒数千文档提升到每秒数十万甚至上百万文档。写入性能优化系统性思路写入流程全景要优化写入性能首先需要理解一个文档从发起到持久化的完整链路客户端写入 → 网络传输 → 协调节点路由 → 主分片执行 ↓ Index Buffer内存缓冲 ↓ Translog事务日志追加 ↓ Refresh每1秒创建新段 ↓ Replica同步副本分片复制 ↓ Flush段持久化到磁盘每一个环节都可能成为性能瓶颈。写入优化的核心思路是减少不必要的I/O操作最大化利用并行度合理牺牲非关键场景的数据实时性。优化策略总览优化维度具体措施预期提升适用场景客户端层Bulk批量写入5-10倍所有写入场景索引层关闭副本50%-100%批量导入索引层禁用refresh2-5倍批量导入索引层async translog20%-50%非关键数据并发层多线程写入线性提升多核环境存储层SSD替代HDD5-50倍所有场景存储层Index Sorting压缩提升30%查询密集型集群层增加分片数线性提升大数据量Bulk API 批量写入Bulk API 基本用法Bulk API允许在单次请求中执行多个索引/更新/删除操作极大地减少了网络往返开销。POST_bulk{index:{_index:my_index,_id:1}}{title:文档标题1,content:文档内容1,timestamp:2026-05-22T10:00:00Z}{index:{_index:my_index,_id:2}}{title:文档标题2,content:文档内容2,timestamp:2026-05-22T10:01:00Z}{index:{_index:my_index,_id:3}}{title:文档标题3,content:文档内容3,timestamp:2026-05-22T10:02:00Z}{delete:{_index:my_index,_id:99}}{update:{_index:my_index,_id:2}}{doc:{status:published}}最优 Batch Size 测试方法Bulk请求的理想大小没有固定值需要根据文档大小和网络环境进行实测。推荐从5MB开始测试// Bulk响应中包含items数组关注errors字段和took字段{took:150,errors:false,items:[{index:{status:201,_id:1}},{index:{status:201,_id:2}}]}测试步骤从5MB batch size开始以5MB为步长递增每个batch size运行5分钟记录平均吞吐量和rejection次数通过_nodes/stats监控线程池reject情况# 查看bulk线程池拒绝次数curl-XGETlocalhost:9200/_nodes/stats/thread_pool?filter_pathnodes.*.thread_pool.bulk找到吞吐量平台期继续增大batch size不再提升吞吐量的拐点在拐点值的基础上降低10%-20%作为生产值Batch Size 参考值文档大小推荐 Batch Size文档数/批说明 1KB5-15MB5000-15000小文档增加数量1-10KB5-15MB500-5000中等文档10-100KB10-20MB100-1000较大文档 100KB15-30MB50-300大文档控制批次注意事项Batch size不要超过100MB否则可能导致JVM内存压力过大触发长时间GC暂停。理想情况下单个Bulk请求的处理时间应控制在10-100毫秒之间。Bulk 线程池调优Elasticsearch的写入请求由bulk线程池处理默认配置为// 查看当前线程池配置GET_nodes/settings?filter_pathnodes.*.thread_pool.bulk// 调整bulk线程池通常保持默认即可PUT_cluster/settings{persistent:{thread_pool.bulk.size:4,thread_pool.bulk.queue_size:200}}参数默认值说明调优建议sizeCPU核数/2最少1并行处理线程数SSD环境可适当增加queue_size200等待队列大小增大可缓冲突发流量离线导入方案关闭副本 禁用刷新这是写入性能优化的终极方案适用于初始数据导入、索引重建等场景// 步骤1创建索引关闭副本和刷新PUTmy_bulk_index{settings:{number_of_shards:5,number_of_replicas:0,refresh_interval:-1,translog:{durability:async,sync_interval:30s,flush_threshold_size:1gb}}}// 步骤2使用Bulk API批量导入数据// 执行大规模Bulk写入// 步骤3手动刷新一次使数据可搜索POSTmy_bulk_index/_refresh// 步骤4恢复副本PUTmy_bulk_index/_settings{number_of_replicas:1}// 步骤5恢复刷新间隔PUTmy_bulk_index/_settings{refresh_interval:1s}// 步骤6恢复translog为同步模式PUTmy_bulk_index/_settings{translog:{durability:request}}导入过程监控# 监控索引速率文档数/秒和大小/秒curl-XGETlocalhost:9200/_nodes/stats/indices?filter_pathnodes.*.indices.indexing# 监控索引进度curl-XGETlocalhost:9200/my_bulk_index/_stats?filter_pathindices.*.primaries.docs.count# 监控pending taskscurl-XGETlocalhost:9200/_cluster/health?pretty离线导入效果对比配置组合相对吞吐量数据安全性恢复时间默认配置基准1x高无需恢复replicas01.5-2x低恢复副本时间replicas0 refresh-13-5x低恢复副本时间全部优化5-10x极低恢复副本时间多线程并行写入并发写入策略多线程并行写入是提升写入吞吐量的有效手段。关键在于找到合理的并发度避免过载导致请求被拒绝。# Python示例使用多线程Bulk写入importthreadingfromelasticsearchimportElasticsearch,helpers esElasticsearch([http://localhost:9200])defbulk_writer(thread_id,docs):每个线程负责写入一部分文档actions[{_index:my_index,_source:doc}fordocindocs]success,errorshelpers.bulk(es,actions,chunk_size500)print(fThread{thread_id}:{success}docs indexed)# 将数据分成N份每个线程处理一份data_chunks[data[i::num_threads]foriinrange(num_threads)]threads[]fori,chunkinenumerate(data_chunks):tthreading.Thread(targetbulk_writer,args(i,chunk))threads.append(t)t.start()fortinthreads:t.join()并发度调优建议并发数适用场景注意事项线程池size × 2基准起点保证请求能被及时处理线程池size × 3高吞吐场景关注reject rate线程池size × 5极端性能可能导致高延迟调优要点并发度不应超过(bulk线程池size bulk线程池queue_size)否则请求会被直接拒绝。通过_cat/thread_pool/bulk?v实时监控队列长度和拒绝次数。硬件选择与存储优化SSD vs HDD 写入性能对比指标SATA SSDNVMe SSDHDD随机写IOPS50,000-100,000200,000-1,000,000100-200顺序写吞吐300-550 MB/s1,500-7,000 MB/s100-200 MB/s写入延迟0.05-0.1ms0.01-0.03ms5-10msES写入吞吐参考50,000-100,000 docs/s100,000-500,000 docs/s1,000-5,000 docs/s存储硬件推荐推荐优先级从高到低 1. NVMe SSD首选→ 最高性能适合写入密集型工作负载 2. SATA SSD → 性价比最优适合大多数生产环境 3. HDD RAID 10 → 仅适用于以读为主的场景或预算受限环境RAID配置建议RAID级别写入性能可靠性空间利用率ES推荐RAID 0最高最低100%不推荐无冗余RAID 1较高高50%小规模部署RAID 5中等中等(N-1)/N不推荐写惩罚大RAID 6较低较高(N-2)/N不推荐RAID 10高高50%推荐最佳实践Elasticsearch自带数据冗余副本分片因此不需要依赖RAID提供冗余。对于SSD推荐使用JBODJust a Bunch of Disks模式让Elasticsearch直接管理各磁盘。对于HDD环境RAID 10是最低要求。Index Sorting 预排序优化Index Sorting 原理Index Sorting允许在索引时按照指定字段对文档进行预排序。这使得相同值或相近值的文档在物理上相邻存储带来两个优势提高压缩率相似数据聚集后字典编码压缩效果更好加速范围查询时间范围查询可以利用排序跳过不相关段// 创建索引时设置预排序只能在建索引时设置不可修改PUTmy_sorted_index{settings:{index:{sort:{fields:[{timestamp:desc},{priority:asc}]}}},mappings:{properties:{timestamp:{type:date},priority:{type:integer}}}}Index Sorting 使用场景场景排序字段效果时序日志timestamp (desc)最新数据聚集范围查询加速压缩提升20%-40%用户数据user_id用户数据聚集按用户查询加速分类数据category同类数据聚集按类别过滤加速注意Index Sorting会增加索引时的CPU开销约10%-30%但能显著降低存储空间和提升查询性能。是否使用取决于读写比例——写多读少的场景慎用读多写少的场景推荐使用。写入性能基准测试工具 esrallyesrally 安装与基本使用esrally是Elastic官方提供的基准测试工具可以模拟真实的读写场景并生成详细的性能报告。# 安装esrallypipinstallesrally# 运行默认的写入基准测试esrally race--tracknyc_taxis --test-modebenchmark# 使用自定义数据集esrally create-track--trackmy_track --target-data-sizes10GB--indicesmy_index esrally race--trackmy_track--pipelinebenchmark-only# 只测试写入吞吐量esrally race--tracknyc_taxis--challengeappend-no-conflicts# 测试索引和查询混合负载esrally race--tracknyc_taxis--challengeappend-no-conflicts-index-onlyesrally 关键指标解读# esrally报告中的关键指标# Throughput: 每秒处理的操作数# Service Time: 单次操作的服务时间p50/p90/p99# Latency: 端到端延迟# Error Rate: 错误率# Merge Time: 段合并耗时# Refresh Time: 刷新耗时# GC Time: 垃圾回收耗时不同配置的基准测试结果参考以下是基于esrally测试的典型结果以nyc_taxis数据集为例配置吞吐量 (ops/s)P99延迟 (ms)压缩率默认配置15,00050基准 replicas028,00030基准 refresh-165,00015基准 async translog85,00012基准 NVMe SSD150,0008基准 Index Sorting120,0006提升35%各优化手段效果汇总优化效果对比表优化手段实施难度吞吐量提升风险推荐优先级Bulk批量写入低5-10倍无最高合理的batch size低1.5-3倍无最高临时关闭副本低1.5-2倍中高调整refresh_interval低2-5倍低高async translog低1.2-1.5倍中中SSD存储中5-50倍无高多线程并行中线性提升低高Index Sorting中压缩提升低中调大分片数低线性提升低中调大JVM堆低1.2-2倍低中总结与最佳实践写入优化最佳实践清单始终使用Bulk API单条写入是性能最大的杀手测试找到最优batch size从5MB开始逐步调整监控rejection rate离线导入采用全套优化关闭副本 禁用刷新 async translog导入完成后恢复多线程并行写入并发度约为bulk线程池size的2-3倍使用SSD存储这是硬件层面最有效的优化手段合理规划分片数量让每个分片的写入压力均匀分布使用esrally进行基准测试用数据验证优化效果生产环境写入优化配置模板// 适用于日志类高频写入场景的索引模板PUT_index_template/high_throughput_template{index_patterns:[logs-*],template:{settings:{number_of_shards:index_partition * 1,number_of_replicas:1,refresh_interval:5s,translog:{durability:async,sync_interval:5s,flush_threshold_size:1gb},merge:{scheduler:{max_thread_count:1}}},mappings:{properties:{timestamp:{type:date}}}}}上一篇【第55篇】Elasticsearch索引设置最佳实践——分片策略与性能调优下一篇[【第57篇】Elasticsearch查询性能优化——慢查询分析与优化策略(https://blog.csdn.net/xyghehehehe/article/details/161495137)
【Elasticsearch从入门到精通】第56篇：Elasticsearch写入性能优化——批量写入与异步索引技巧
发布时间：2026/5/29 1:11:44
上一篇【第55篇】Elasticsearch索引设置最佳实践——分片策略与性能调优下一篇[【第57篇】Elasticsearch查询性能优化——慢查询分析与优化策略(https://blog.csdn.net/xyghehehehe/article/details/161495137)摘要写入吞吐量是Elasticsearch生产环境中最关键的性能指标之一尤其在日志采集、指标存储和事件流处理等高写入场景中。本文将系统性地讲解Elasticsearch写入性能优化的全套方案从Bulk API批量写入的最佳实践到多线程并行写入策略从硬件选型建议到索引级别优化配置。我们还将介绍esrally基准测试工具的使用方法帮助你通过数据驱动的方式找到最优的写入配置组合。通过本文的实践指导你可以将写入吞吐量从每秒数千文档提升到每秒数十万甚至上百万文档。写入性能优化系统性思路写入流程全景要优化写入性能首先需要理解一个文档从发起到持久化的完整链路客户端写入 → 网络传输 → 协调节点路由 → 主分片执行 ↓ Index Buffer内存缓冲 ↓ Translog事务日志追加 ↓ Refresh每1秒创建新段 ↓ Replica同步副本分片复制 ↓ Flush段持久化到磁盘每一个环节都可能成为性能瓶颈。写入优化的核心思路是减少不必要的I/O操作最大化利用并行度合理牺牲非关键场景的数据实时性。优化策略总览优化维度具体措施预期提升适用场景客户端层Bulk批量写入5-10倍所有写入场景索引层关闭副本50%-100%批量导入索引层禁用refresh2-5倍批量导入索引层async translog20%-50%非关键数据并发层多线程写入线性提升多核环境存储层SSD替代HDD5-50倍所有场景存储层Index Sorting压缩提升30%查询密集型集群层增加分片数线性提升大数据量Bulk API 批量写入Bulk API 基本用法Bulk API允许在单次请求中执行多个索引/更新/删除操作极大地减少了网络往返开销。POST_bulk{index:{_index:my_index,_id:1}}{title:文档标题1,content:文档内容1,timestamp:2026-05-22T10:00:00Z}{index:{_index:my_index,_id:2}}{title:文档标题2,content:文档内容2,timestamp:2026-05-22T10:01:00Z}{index:{_index:my_index,_id:3}}{title:文档标题3,content:文档内容3,timestamp:2026-05-22T10:02:00Z}{delete:{_index:my_index,_id:99}}{update:{_index:my_index,_id:2}}{doc:{status:published}}最优 Batch Size 测试方法Bulk请求的理想大小没有固定值需要根据文档大小和网络环境进行实测。推荐从5MB开始测试// Bulk响应中包含items数组关注errors字段和took字段{took:150,errors:false,items:[{index:{status:201,_id:1}},{index:{status:201,_id:2}}]}测试步骤从5MB batch size开始以5MB为步长递增每个batch size运行5分钟记录平均吞吐量和rejection次数通过_nodes/stats监控线程池reject情况# 查看bulk线程池拒绝次数curl-XGETlocalhost:9200/_nodes/stats/thread_pool?filter_pathnodes.*.thread_pool.bulk找到吞吐量平台期继续增大batch size不再提升吞吐量的拐点在拐点值的基础上降低10%-20%作为生产值Batch Size 参考值文档大小推荐 Batch Size文档数/批说明 1KB5-15MB5000-15000小文档增加数量1-10KB5-15MB500-5000中等文档10-100KB10-20MB100-1000较大文档 100KB15-30MB50-300大文档控制批次注意事项Batch size不要超过100MB否则可能导致JVM内存压力过大触发长时间GC暂停。理想情况下单个Bulk请求的处理时间应控制在10-100毫秒之间。Bulk 线程池调优Elasticsearch的写入请求由bulk线程池处理默认配置为// 查看当前线程池配置GET_nodes/settings?filter_pathnodes.*.thread_pool.bulk// 调整bulk线程池通常保持默认即可PUT_cluster/settings{persistent:{thread_pool.bulk.size:4,thread_pool.bulk.queue_size:200}}参数默认值说明调优建议sizeCPU核数/2最少1并行处理线程数SSD环境可适当增加queue_size200等待队列大小增大可缓冲突发流量离线导入方案关闭副本 禁用刷新这是写入性能优化的终极方案适用于初始数据导入、索引重建等场景// 步骤1创建索引关闭副本和刷新PUTmy_bulk_index{settings:{number_of_shards:5,number_of_replicas:0,refresh_interval:-1,translog:{durability:async,sync_interval:30s,flush_threshold_size:1gb}}}// 步骤2使用Bulk API批量导入数据// 执行大规模Bulk写入// 步骤3手动刷新一次使数据可搜索POSTmy_bulk_index/_refresh// 步骤4恢复副本PUTmy_bulk_index/_settings{number_of_replicas:1}// 步骤5恢复刷新间隔PUTmy_bulk_index/_settings{refresh_interval:1s}// 步骤6恢复translog为同步模式PUTmy_bulk_index/_settings{translog:{durability:request}}导入过程监控# 监控索引速率文档数/秒和大小/秒curl-XGETlocalhost:9200/_nodes/stats/indices?filter_pathnodes.*.indices.indexing# 监控索引进度curl-XGETlocalhost:9200/my_bulk_index/_stats?filter_pathindices.*.primaries.docs.count# 监控pending taskscurl-XGETlocalhost:9200/_cluster/health?pretty离线导入效果对比配置组合相对吞吐量数据安全性恢复时间默认配置基准1x高无需恢复replicas01.5-2x低恢复副本时间replicas0 refresh-13-5x低恢复副本时间全部优化5-10x极低恢复副本时间多线程并行写入并发写入策略多线程并行写入是提升写入吞吐量的有效手段。关键在于找到合理的并发度避免过载导致请求被拒绝。# Python示例使用多线程Bulk写入importthreadingfromelasticsearchimportElasticsearch,helpers esElasticsearch([http://localhost:9200])defbulk_writer(thread_id,docs):每个线程负责写入一部分文档actions[{_index:my_index,_source:doc}fordocindocs]success,errorshelpers.bulk(es,actions,chunk_size500)print(fThread{thread_id}:{success}docs indexed)# 将数据分成N份每个线程处理一份data_chunks[data[i::num_threads]foriinrange(num_threads)]threads[]fori,chunkinenumerate(data_chunks):tthreading.Thread(targetbulk_writer,args(i,chunk))threads.append(t)t.start()fortinthreads:t.join()并发度调优建议并发数适用场景注意事项线程池size × 2基准起点保证请求能被及时处理线程池size × 3高吞吐场景关注reject rate线程池size × 5极端性能可能导致高延迟调优要点并发度不应超过(bulk线程池size bulk线程池queue_size)否则请求会被直接拒绝。通过_cat/thread_pool/bulk?v实时监控队列长度和拒绝次数。硬件选择与存储优化SSD vs HDD 写入性能对比指标SATA SSDNVMe SSDHDD随机写IOPS50,000-100,000200,000-1,000,000100-200顺序写吞吐300-550 MB/s1,500-7,000 MB/s100-200 MB/s写入延迟0.05-0.1ms0.01-0.03ms5-10msES写入吞吐参考50,000-100,000 docs/s100,000-500,000 docs/s1,000-5,000 docs/s存储硬件推荐推荐优先级从高到低 1. NVMe SSD首选→ 最高性能适合写入密集型工作负载 2. SATA SSD → 性价比最优适合大多数生产环境 3. HDD RAID 10 → 仅适用于以读为主的场景或预算受限环境RAID配置建议RAID级别写入性能可靠性空间利用率ES推荐RAID 0最高最低100%不推荐无冗余RAID 1较高高50%小规模部署RAID 5中等中等(N-1)/N不推荐写惩罚大RAID 6较低较高(N-2)/N不推荐RAID 10高高50%推荐最佳实践Elasticsearch自带数据冗余副本分片因此不需要依赖RAID提供冗余。对于SSD推荐使用JBODJust a Bunch of Disks模式让Elasticsearch直接管理各磁盘。对于HDD环境RAID 10是最低要求。Index Sorting 预排序优化Index Sorting 原理Index Sorting允许在索引时按照指定字段对文档进行预排序。这使得相同值或相近值的文档在物理上相邻存储带来两个优势提高压缩率相似数据聚集后字典编码压缩效果更好加速范围查询时间范围查询可以利用排序跳过不相关段// 创建索引时设置预排序只能在建索引时设置不可修改PUTmy_sorted_index{settings:{index:{sort:{fields:[{timestamp:desc},{priority:asc}]}}},mappings:{properties:{timestamp:{type:date},priority:{type:integer}}}}Index Sorting 使用场景场景排序字段效果时序日志timestamp (desc)最新数据聚集范围查询加速压缩提升20%-40%用户数据user_id用户数据聚集按用户查询加速分类数据category同类数据聚集按类别过滤加速注意Index Sorting会增加索引时的CPU开销约10%-30%但能显著降低存储空间和提升查询性能。是否使用取决于读写比例——写多读少的场景慎用读多写少的场景推荐使用。写入性能基准测试工具 esrallyesrally 安装与基本使用esrally是Elastic官方提供的基准测试工具可以模拟真实的读写场景并生成详细的性能报告。# 安装esrallypipinstallesrally# 运行默认的写入基准测试esrally race--tracknyc_taxis --test-modebenchmark# 使用自定义数据集esrally create-track--trackmy_track --target-data-sizes10GB--indicesmy_index esrally race--trackmy_track--pipelinebenchmark-only# 只测试写入吞吐量esrally race--tracknyc_taxis--challengeappend-no-conflicts# 测试索引和查询混合负载esrally race--tracknyc_taxis--challengeappend-no-conflicts-index-onlyesrally 关键指标解读# esrally报告中的关键指标# Throughput: 每秒处理的操作数# Service Time: 单次操作的服务时间p50/p90/p99# Latency: 端到端延迟# Error Rate: 错误率# Merge Time: 段合并耗时# Refresh Time: 刷新耗时# GC Time: 垃圾回收耗时不同配置的基准测试结果参考以下是基于esrally测试的典型结果以nyc_taxis数据集为例配置吞吐量 (ops/s)P99延迟 (ms)压缩率默认配置15,00050基准 replicas028,00030基准 refresh-165,00015基准 async translog85,00012基准 NVMe SSD150,0008基准 Index Sorting120,0006提升35%各优化手段效果汇总优化效果对比表优化手段实施难度吞吐量提升风险推荐优先级Bulk批量写入低5-10倍无最高合理的batch size低1.5-3倍无最高临时关闭副本低1.5-2倍中高调整refresh_interval低2-5倍低高async translog低1.2-1.5倍中中SSD存储中5-50倍无高多线程并行中线性提升低高Index Sorting中压缩提升低中调大分片数低线性提升低中调大JVM堆低1.2-2倍低中总结与最佳实践写入优化最佳实践清单始终使用Bulk API单条写入是性能最大的杀手测试找到最优batch size从5MB开始逐步调整监控rejection rate离线导入采用全套优化关闭副本 禁用刷新 async translog导入完成后恢复多线程并行写入并发度约为bulk线程池size的2-3倍使用SSD存储这是硬件层面最有效的优化手段合理规划分片数量让每个分片的写入压力均匀分布使用esrally进行基准测试用数据验证优化效果生产环境写入优化配置模板// 适用于日志类高频写入场景的索引模板PUT_index_template/high_throughput_template{index_patterns:[logs-*],template:{settings:{number_of_shards:index_partition * 1,number_of_replicas:1,refresh_interval:5s,translog:{durability:async,sync_interval:5s,flush_threshold_size:1gb},merge:{scheduler:{max_thread_count:1}}},mappings:{properties:{timestamp:{type:date}}}}}上一篇【第55篇】Elasticsearch索引设置最佳实践——分片策略与性能调优下一篇[【第57篇】Elasticsearch查询性能优化——慢查询分析与优化策略(https://blog.csdn.net/xyghehehehe/article/details/161495137)
相关文章
从Sort到DeepSort的平滑升级指南：用Python和YOLOv5复现级联匹配，实测ID保持率提升效果
从Sort到DeepSort的实战升级：PythonYOLOv5实现级联匹配与ID稳定性优化当你在拥挤的街头测试自己开发的多目标跟踪系统时，是否经常遇到这样的困扰：行人短暂遮挡后，系统就给他分配了全新的ID？这种ID跳变问题正是传统Sort…
告别闪退！保姆级LabelImg安装指南（附最新PyQt5依赖配置与中文界面设置）
零失败LabelImg安装实战：从环境配置到中文界面一站式解决方案每次打开LabelImg就闪退？界面全是英文看不懂？作为计算机视觉数据标注的入门工具，LabelImg的安装过程却让许多初学者抓狂。网上教程鱼龙混杂，版本兼容性问题…
ASG系统与虚拟同步机技术在电力市场中的应用
1. ASG系统在电力市场中的技术原理与实现路径电力系统频率稳定是电网安全运行的基石。随着可再生能源渗透率不断提高，传统同步发电机提供的惯性响应能力持续下降，系统频率波动问题日益突出。ASG（Asynchronous Grid，异步电网&#…
保姆级教程：在Ubuntu Server 22.04上搞定图形桌面和VNC远程连接（含RealVNC账号注册避坑）
Ubuntu Server 22.04图形桌面与VNC远程连接全攻略在Linux服务器管理中，图形界面并非必需品，但对于刚接触Linux的新手或需要运行图形化工具的场景，一个稳定的远程桌面环境能极大提升工作效率。本文将带你从零开始，在Ubuntu Server …
食品包装AI质检时代来了，标签审核效率提升千倍
食品包装标签看似不起眼，却是企业合规的生死线。据统计，食品企业平均每年因包装不合规造成的损失超过50万元。而传统的包装审核全靠人工逐项比对，每份包装稿审核耗时2到3天，严重拖慢产品上市节奏。一旦不合规产品流入市场…
基于Arduino与3D打印的BB-8球形机器人制作全攻略
1. 项目概述：从电影到现实的BB-8机器人如果你和我一样，是个《星球大战》迷，同时又对动手制作机器人充满热情，那么把电影里的BB-8搬到自家工作台上，绝对是个让人兴奋不已的项目。这个项目不仅仅是一个简单的遥控玩具&am…
从/lib到/libexec：深入理解Linux库文件组织，为你的软件打包打好基础
从/lib到/libexec：深入理解Linux库文件组织，为你的软件打包打好基础当你第一次在Linux系统中浏览根目录时，可能会被各种以"lib"开头的文件夹搞得一头雾水。这些看似相似的目录背后，隐藏着Unix文件系统设计的精妙哲学。对…
KeSpeech：如何构建中国首个普通话与八大方言的开源语音数据集
KeSpeech：如何构建中国首个普通话与八大方言的开源语音数据集 【免费下载链接】KeSpeech The repo provides information about KeSpeech dataset. 项目地址: https://gitcode.com/gh_mirrors/ke/KeSpeech KeSpeech是一个开创性的开源语音数据集，…
Adobe-GenP 3.0：Adobe Creative Cloud激活工具的终极完整指南
Adobe-GenP 3.0：Adobe Creative Cloud激活工具的终极完整指南 【免费下载链接】Adobe-GenP Adobe CC 2019/2020/2021/2022/2023 GenP Universal Patch 3.0 项目地址: https://gitcode.com/gh_mirrors/ad/Adobe-GenP 你是否曾经因为Adobe Creative Cloud高昂的…
PostgreSQL Vacuum介绍（一种核心数据库维护操作，主要用于解决MVCC多版本并发控制机制带来的死元组dead tuples问题）回收死元组空间、存储空间耗尽、避免幻读、垃圾回收器
文章目录**为什么需要 Vacuum？****Vacuum 的核心作用****实际场景中的关键点****简单总结**在 PostgreSQL 中， Vacuum 是一种 核心的数据库维护操作，主要用于解决 MVCC（多版本并发控制）机制 带来的“死元组࿰…
从零设计可调光LED夜灯：NE555 PWM电路全流程实战指南
1. 项目概述：为什么电路设计是每个创客的必修课如果你对电子制作感兴趣，无论是想做一个会发光的徽章，还是一个能自动浇花的小装置，你都会发现，所有想法最终都要落到一块小小的电路板上。电路设计，就是连接创…
基于Arduino的动漫角色机械面制作：从传感器到伺服电机的交互实现
1. 项目概述：从动漫角色到可交互的机械面我一直对如何让静态的模型“活”起来充满兴趣，特别是那些我们熟悉的动漫角色。这次，我决定挑战自己，制作一个基于《火影忍者》中宇智波佐助的机械面。这个项目的核心目标很简单：…
施工现场安全事故预警准确率达94.6%？——解密某央企AI Agent边缘计算部署架构与3个月落地实录
更多请点击： https://codechina.net 第一章：施工现场安全事故预警准确率达94.6%？——解密某央企AI Agent边缘计算部署架构与3个月落地实录 在华北某大型地铁盾构施工现场，一套轻量化AI Agent系统于2024年Q2完成全栈部署ÿ…
附录 B：术语表
本术语表面向“从 MM 到 HMM”专栏阅读过程中的快速查阅。它不是内核 API 手册，而是把文章中反复出现的概念放到同一张地图上：先给出直观含义，再说明它在 Linux MM/HMM 语境里的作用。建议阅读方式： 初读专栏时，把它当…
Midjourney渐变美学的神经渲染原理（附RGB-HSV-LCH三空间渐变映射对照表·行业首曝）
更多请点击： https://kaifayun.com 第一章：Midjourney渐变美学的神经渲染原理（附RGB-HSV-LCH三空间渐变映射对照表行业首曝） Midjourney 的渐变美学并非传统插值实现，而是由其隐式神经渲染器（Implicit Neu…
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案 【免费下载链接】MPC-BE MPC-BE – универсальный проигрыватель аудио и видеофайлов для операционной системы Windows. 项目地址:…
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南 【免费下载链接】STL-Volume-Model-Calculator STL Volume Model Calculator Python 项目地址: https://gitcode.com/gh_mirrors/st/STL-Volume-Model-Calculator 你是否曾经为3D打印项目…
通过Taotoken CLI工具一键配置团队开发环境与模型密钥
通过Taotoken CLI工具一键配置团队开发环境与模型密钥 1. CLI工具安装与基本使用 Taotoken提供的CLI工具可通过npm全局安装或直接使用npx运行。对于需要频繁使用CLI的团队，推荐全局安装： npm install -g taotoken/taotoken对于临时使用或项目级配置&a…