。

在这个瞬息万变的时代#xff0c;我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。

而

青云交的博客能与你们在此邂逅我满心欢喜深感无比荣幸。

在这个瞬息万变的时代我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。

而

我的博客正是这样一个温暖美好的所在。

在这里你们不仅能够收获既富有趣味又极为实用的内容知识还可以毫无拘束地畅所欲言尽情分享自己独特的见解。

我真诚地期待着你们的到来愿我们能在这片小小的天地里共同成长共同进步。

大数据新视界专栏系列聚焦大数据展技术应用推动进步拓展新视野。

Java

大厂面试专栏系列提供大厂面试的相关技巧和经验助力求职。

Python

Python

等关键领域之门。

丰富案例似璀璨繁星引领你踏上编程巅峰的壮丽征程。

Java

虚拟机JVM专栏系列深入剖析

学习路线专栏系列为不同阶段的学习者规划清晰的学习路径。

JVM万亿性能密码在数字世界的浩瀚星海中JVM

如神秘宝藏其万亿性能密码即将开启奇幻之旅。

AI人工智能专栏系列紧跟科技潮流介绍人工智能的应用和发展趋势。

数据库核心宝典构建强大数据体系专栏系列专栏涵盖关系与非关系数据库及相关技术助力构建强大数据体系。

大前端风云榜引领技术浪潮专栏系列大前端专栏如风云榜捕捉

Vue.js、React

等重要技术动态引领你在技术浪潮中前行。

工具秘籍专栏系列工具助力开发如有神。

展望未来我将持续深入钻研前沿技术及时推出如人工智能和大数据等相关专题内容。

同时我会努力打造更加活跃的社区氛围举办技术挑战活动和代码分享会激发大家的学习热情与创造力。

我也会加强与读者的互动依据大家的反馈不断优化博客的内容和功能。

此外我还会积极拓展合作渠道与优秀的博主和技术机构携手合作为大家带来更为丰富的学习资源和机会。

我热切期待能与你们一同在这个小小的网络世界里探索、学习、成长。

你们的每一次点赞、关注、评论、打赏和订阅专栏都是对我最大的支持。

让我们一起在知识的海洋中尽情遨游共同打造一个充满活力与智慧的博客社区。

✨✨✨

衷心地感谢每一位为我点赞、给予关注、留下真诚留言以及慷慨打赏的朋友还有那些满怀热忱订阅我专栏的坚定支持者。

你们的每一次互动都犹如强劲的动力推动着我不断向前迈进。

倘若大家对更多精彩内容充满期待欢迎加入【青云交社区】或加微信【QingYunJiao】【备注分享交流】。

让我们携手并肩一同踏上知识的广袤天地去尽情探索。

此刻请立即访问我的主页吧那里有更多的惊喜在等待着你。

相信通过我们齐心协力的共同努力这里必将化身为一座知识的璀璨宝库吸引更多热爱学习、渴望进步的伙伴们纷纷加入共同开启这一趟意义非凡的探索之旅驶向知识的浩瀚海洋。

让我们众志成城在未来必定能够汇聚更多志同道合之人携手共创知识领域的辉煌篇章

大数据新视界

实时数据处理框架案例与实践》中所展示的那样它为我们提供了高效的实时数据处理解决方案。

同时Apache

Kylin

多维分析引擎实战构建数据立方体》所介绍的为我们构建数据立方体助力数据分析。

而今天我们将聚焦于数据清洗工具

OpenRefine它在大数据处理中扮演着重要的角色能够帮助我们清理和转换数据为后续的分析和应用奠定坚实的基础。

在大数据时代数据的质量至关重要。

脏数据、不规范的数据可能会导致分析结果的不准确甚至误导决策。

OpenRefine

作为一款强大的数据清洗工具能够有效地解决这些问题让我们的数据更加干净、准确。

随着大数据技术的不断发展数据的规模和复杂性也在不断增加。

在这个过程中数据清洗成为了大数据处理的关键环节之一。

OpenRefine

一、OpenRefine

是一款开源的数据清洗和转换工具。

它可以帮助用户快速地清理和转换各种类型的数据包括文本数据、数字数据、日期数据等。

OpenRefine

提供了丰富的功能如数据筛选、排序、合并、拆分、正则表达式匹配等可以满足用户在数据清洗过程中的各种需求。

例如在一个电商数据分析项目中我们可能需要清理用户的评论数据去除其中的噪声和无用信息。

OpenRefine

可以帮助我们快速地筛选出有用的评论信息并进行进一步的分析和处理。

1.2

提供了丰富的功能可以满足用户在数据清洗和转换过程中的各种需求。

它支持多种数据格式的导入和导出如

CSV、Excel、JSON

数据筛选功能可以根据各种条件快速定位到特定的数据子集。

排序功能能够让数据按照特定的字段进行有序排列便于查看和分析。

合并功能可以将多个数据源的数据进行整合提高数据的完整性。

拆分功能则可以将复杂的数据字段拆分成多个独立的部分方便进一步处理。

正则表达式匹配功能更是强大可以精确地提取或替换特定格式的数据内容。

易于使用OpenRefine

的界面简洁直观操作方便快捷。

用户可以通过图形化界面进行数据清洗和转换操作无需编写复杂的代码。

同时OpenRefine

对于新手用户来说只需简单的几步操作就可以完成基本的数据清洗任务。

而对于有经验的用户OpenRefine

高效性OpenRefine

采用了分布式计算技术可以快速地处理大规模的数据。

它可以在单机上运行也可以在分布式环境中运行提高了数据处理的效率。

也能在较短的时间内完成数据清洗和转换任务。

在分布式环境下OpenRefine

开源免费OpenRefine

是一款开源软件用户可以免费使用。

它的源代码开放可以让用户根据自己的需求进行定制和扩展。

OpenRefine

拥有一个活跃的社区用户可以在社区中交流经验、分享技巧共同推动工具的发展。

用户可以根据自己的具体需求对

OpenRefine

的官方网站https://openrefine.org/download.html下载安装包。

如图

选择下载版本3.8.2

OpenRefine后面就可以创建一个新的项目。

在创建项目时用户可以选择导入数据的方式如从文件导入、从数据库导入等。

2.2

提供了丰富的功能可以帮助用户进行数据清洗。

以下是一些常用的功能介绍

数据筛选用户可以通过设置筛选条件筛选出符合条件的数据。

例如用户可以筛选出某一列中特定值的数据或者筛选出某一列中大于或小于某个值的数据。

100

的商品数据。

也可以通过文本匹配进行筛选如筛选出包含特定关键词的评论数据。

数据排序用户可以对数据进行排序以便更好地查看和分析数据。

OpenRefine

可以按照数字字段进行升序或降序排列如按照销售额对商品数据进行排序。

也可以根据文本字段进行自定义排序如按照字母顺序对产品名称进行排序。

数据合并用户可以将多个数据源中的数据合并到一个数据源中。

OpenRefine

按列合并可以将不同数据源中具有相同字段的数据进行整合丰富数据内容。

按行合并则可以将多个数据源中的数据逐行拼接在一起扩大数据规模。

数据拆分用户可以将一列数据拆分成多列数据。

例如用户可以将一个包含姓名和年龄的字符串拆分成姓名和年龄两列数据。

可以根据特定的分隔符进行拆分如将“张三,25”拆分成“张三”和“25”两列。

也可以使用正则表达式进行复杂的拆分操作如从地址字符串中提取出省份、城市和街道信息。

正则表达式匹配用户可以使用正则表达式对数据进行匹配和替换。

例如用户可以使用正则表达式匹配出某一列中特定格式的数据并进行替换或删除操作。

可以用正则表达式匹配邮箱地址格式的数据并进行验证或提取。

也可以用正则表达式替换文本中的特定字符或字符串实现数据的规范化。

三、OpenRefine

在一个电商数据分析项目中我们需要清理用户的评论数据去除其中的噪声和无用信息。

我们可以使用

OpenRefine

数据筛选我们可以设置筛选条件筛选出有用的评论信息。

例如我们可以筛选出评论长度大于一定值的数据或者筛选出包含特定关键词的数据。

筛选出评论长度大于

个字符的评论可能更有分析价值。

筛选出包含“好评”“满意”等关键词的评论了解用户的正面反馈。

OpenRefine

的功能对评论数据进行清理。

例如我们可以去除评论中的标点符号、空格等无用信息或者将评论中的大写字母转换为小写字母。

去除标点符号和空格可以使文本更加简洁便于后续的分析。

将大写字母转换为小写字母可以统一文本格式避免因大小写不一致而影响分析结果。

数据分析我们可以对清理后的评论数据进行分析提取出有用的信息。

例如我们可以分析评论中的情感倾向或者提取出评论中的产品特征。

OpenRefine

filtered_data[comment].str.replace([^\w\s],

).str.lower()#

filtered_data[comment].str.replace([^\w\s],

).str.lower()去除评论中的标点符号和空格并将大写字母转换为小写字母。

sentiment_analysis

positive

在一个金融数据分析项目中我们需要清理股票交易数据去除其中的异常值和错误数据。

我们可以使用

OpenRefine

数据筛选我们可以设置筛选条件筛选出正常的交易数据。

例如我们可以筛选出交易价格在合理范围内的数据或者筛选出交易时间在特定时间段内的数据。

筛选出交易价格在市场合理波动范围内的数据去除异常高价或低价的数据。

筛选出交易时间在特定交易日内的数据便于进行特定时间段的分析。

OpenRefine

的功能对交易数据进行清理。

例如我们可以去除交易数据中的异常值或者将交易数据中的日期格式转换为统一的格式。

可以使用统计方法识别并去除交易数据中的异常值提高数据的准确性。

将不同格式的日期数据统一转换为标准格式方便后续的分析和比较。

数据分析我们可以对清理后的交易数据进行分析提取出有用的信息。

例如我们可以分析股票的价格走势或者计算股票的收益率。

OpenRefine

filtered_data[date].apply(lambda

pd.to_datetime(x,

(cleaned_data[price].pct_change()).mean()注释

import

filtered_data[date].apply(lambda

pd.to_datetime(x,

format%Y-%m-%d))将交易数据中的日期格式转换为统一的格式。

price_trend

cleaned_data[price].plot()绘制股票的价格走势。

return_rate

(cleaned_data[price].pct_change()).mean()计算股票的收益率。

3.3

在一个社交媒体数据分析项目中我们需要清理用户的帖子数据提取出有价值的信息。

我们可以使用

OpenRefine

例如筛选出与某个热门话题相关的帖子或者筛选出某个影响力较大的用户的帖子。

使用正则表达式或特定的文本处理方法去除广告和垃圾信息。

通过比较文本内容去除重复的帖子。

利用自然语言处理技术分析帖子的情感倾向判断用户对特定话题的态度。

统计不同话题的帖子数量了解话题热度。

分析用户的点赞、评论和转发数量了解用户互动情况。

Python

pd.read_csv(social_media_data.csv)#

数据筛选

filtered_data[text].apply(lambda

x.replace(广告内容,

TextBlob(x).sentiment.polarity)

topic_heat

filtered_data[topic].value_counts()

user_interaction

pd.read_csv(social_media_data.csv)从

CSV

filtered_data[text].apply(lambda

x.replace(广告内容,

TextBlob(x).sentiment.polarity)计算帖子的情感倾向得分。

topic_heat

filtered_data[topic].value_counts()统计特定话题的热度。

user_interaction

comments,

在医疗数据分析项目中我们常常需要处理大量的患者病历数据。

OpenRefine

CSV、Excel

等。

数据筛选筛选出特定疾病的患者数据或者根据治疗阶段进行筛选。

例如筛选出患有糖尿病的患者记录或者筛选出处于康复期的患者数据。

以下是一个简单的示例代码假设我们有一个包含患者年龄和疾病类型的数据集

import

filtered_data[filtered_data[age]

0]注释

diabetes]筛选出患有糖尿病的患者数据。

cleaned_data

filtered_data[filtered_data[age]

四、OpenRefine

提供了丰富的数据转换功能可以将数据从一种格式转换为另一种格式。

例如用户可以将日期数据从一种格式转换为另一种格式或者将数字数据从一种单位转换为另一种单位。

OpenRefine

errorscoerce).dt.strftime(%Y/%m/%d)data[date]

converted_dates

e:print(f日期转换错误{e}。

处理方式保留原始日期值。

)#

数字单位转换

e:print(f数字转换错误{e}。

处理方式保留原始数字值。

)注释

import

errorscoerce).dt.strftime(%Y/%m/%d)将日期格式转换为特定格式。

data[date]

还提供了数据扩展功能可以通过添加外部数据源来扩展数据。

例如用户可以添加一个包含地理位置信息的数据源然后将其与现有的数据进行合并以获取更多的信息。

OpenRefine

pd.read_csv(geo_data.csv)extended_data

pd.merge(data,

e:print(f文件未找到错误{e}。

处理方式不进行数据扩展。

)注释

import

等。

用户可以从本地文件系统、数据库或者网络数据源中导入数据。

在导入数据时OpenRefine

会对数据进行解析和预处理将其转换为内部的数据结构以便后续的操作。

5.2

提供的各种功能对数据进行操作。

这些功能包括数据筛选、排序、合并、拆分、正则表达式匹配、数据转换等。

用户可以通过图形化界面或者命令行界面来执行这些操作无需编写复杂的代码。

5.3

会实时显示数据的预览以便用户查看操作的效果。

用户可以随时对数据进行验证和检查确保数据的准确性和完整性。

如果发现问题用户可以及时调整操作或者回滚到之前的状态。

5.4

等。

用户也可以将数据导出到数据库或者其他数据源中以便进行进一步的分析和处理。

总之OpenRefine

通过提供丰富的功能和灵活的操作方式帮助用户快速、高效地清理和转换数据提高数据的质量和可用性。

六、OpenRefine

可能会出现性能问题。

解决方法可以是使用分布式计算技术将数据分割成多个小块分别在不同的节点上进行处理然后将结果合并起来。

Hadoop

可能无法直接处理。

解决方法可以是使用其他工具进行预处理将数据转换为

OpenRefine

结构或自定义的二进制格式可以先使用专门的解析工具进行初步处理提取出关键信息后再导入

OpenRefine

filtered_data[column2].str.replace([^\w\s],

).str.lower()#

cleaned_data.drop_duplicates()#

日期转换

errorscoerce).dt.strftime(%Y/%m/%d)unique_data[column3]

converted_dates

e:print(f日期转换错误{e}。

处理方式保留原始日期值。

)#

数字转换

e:print(f数字转换错误{e}。

处理方式保留原始数字值。

)#

字符串分割与合并

string_column.str.split(_)new_column

split_strings.str[0]

split_strings.str[1]unique_data[new_column]

new_column

e:print(f字符串处理错误{e}。

处理方式保留原始字符串值。

)#

数据扩展

pd.read_csv(geo_data.csv)extended_data

geo_data,

e:print(f文件未找到错误{e}。

处理方式不进行数据扩展。

)#

输出结果

extended_data.to_csv(cleaned_data.csv,

indexFalse)注释

filtered_data[column2].str.replace([^\w\s],

).str.lower()去除某一列中的标点符号和空格并将大写字母转换为小写字母。

unique_data

cleaned_data.drop_duplicates()去除重复行。

date_column

unique_data[column3]提取日期列。

converted_dates

format%Y-%m-%d,

errorscoerce).dt.strftime(%Y/%m/%d)将日期格式转换为特定格式。

unique_data[column3]

converted_dates更新日期列。

numeric_column

unique_data[column4]提取数字列。

converted_numbers

numeric_column

converted_numbers更新数字列。

string_column

unique_data[column5]提取字符串列。

split_strings

string_column.str.split(_)按特定字符分割字符串列。

new_column

split_strings.str[0]

split_strings.str[1]合并分割后的字符串。

unique_data[new_column]

CSV

onid)将两个数据源进行合并以获取更多的信息。

extended_data.to_csv(cleaned_data.csv,

CSV

为大数据处理中的数据清洗提供了强大而灵活的解决方案。

通过本文的介绍相信你对

OpenRefine

这样的工具不断提升数据质量挖掘数据的价值为决策提供更准确的依据。

无论是在电商、金融、社交媒体还是医疗等领域OpenRefine

都能发挥重要作用助力我们在大数据的海洋中乘风破浪开启数据驱动的新时代。

OpenRefine

有更深入的了解和认识在大数据处理中更好地利用这个强大的工具。

让我们一起在数据的海洋中畅游挖掘出更多有价值的信息。

OpenRefine

的数据筛选和清理功能你们有哪些经验和建议在选择数据清洗工具时你们会考虑哪些因素OpenRefine

OpenRefine

的未来发展你们有哪些期待和展望在实际操作中你们是如何处理大规模数据和复杂数据格式的问题的分享一下你们在使用

OpenRefine

进行数据清洗和转换时的成功案例和经验教训。

欢迎大家在评论区或CSDN社区积极参与讨论分享自己的经验和见解让我们一起探讨共同进步

————

--大数据大厂之大数据存储技术大比拼选择最适合你的方案(最新大数据新视界

--大数据大厂之

--大数据大厂之JavaScript在大数据前端展示中的精彩应用(最新大数据新视界

--大数据大厂之AI

--大数据大厂之算法在大数据中的核心作用提升效率与智能决策(最新大数据新视界

--大数据大厂之DevOps与大数据加速数据驱动的业务发展(最新大数据新视界

--大数据大厂之SaaS模式下的大数据应用创新与变革(最新大数据新视界

--大数据大厂之Kubernetes与大数据容器化部署的最佳实践(最新大数据新视界

--大数据大厂之探索ES大数据时代的高效搜索引擎实战攻略(最新大数据新视界

--大数据大厂之Redis在缓存与分布式系统中的神奇应用(最新大数据新视界

--大数据大厂之数据驱动决策如何利用大数据提升企业竞争力(最新大数据新视界

--大数据大厂之MongoDB与大数据灵活文档数据库的应用场景(最新大数据新视界

--大数据大厂之数据科学项目实战从问题定义到结果呈现的完整流程(最新大数据新视界

--大数据大厂之

--大数据大厂之数据安全策略保护大数据资产的最佳实践(最新大数据新视界

--大数据大厂之Kafka消息队列实战实现高吞吐量数据传输(最新大数据新视界

--大数据大厂之数据挖掘入门用

--大数据大厂之HBase深度探寻大规模数据存储与查询的卓越方案(最新IBM

中国研发部裁员风暴IT

--大数据大厂之数据治理之道构建高效大数据治理体系的关键步骤(最新大数据新视界

--大数据大厂之Flink强势崛起大数据新视界的璀璨明珠(最新大数据新视界

Python

--大数据大厂之Hive与大数据融合构建强大数据仓库实战指南(最新大数据新视界–大数据大厂之Java

与大数据携手打造高效实时日志分析系统的奥秘(最新大数据新视界–面向数据分析师的大数据大厂之MySQL基础秘籍轻松创建数据库与表踏入大数据殿堂(最新全栈性能优化秘籍–Linux

系统性能调优全攻略多维度优化技巧大揭秘(最新大数据新视界–大数据大厂之MySQL数据库课程设计揭秘

MySQL

代码实战让你的数据库性能飙升(最新大数据新视界–大数据大厂之MySQL数据库课程设计MySQL集群架构负载均衡故障排除与解决方案(最新解锁编程高效密码四大工具助你一飞冲天(最新大数据新视界–大数据大厂之MySQL数据库课程设计MySQL数据库高可用性架构探索2-1(最新大数据新视界–大数据大厂之MySQL数据库课程设计MySQL集群架构负载均衡方法选择全攻略2-2(最新大数据新视界–大数据大厂之MySQL数据库课程设计MySQL

数据库

语句调优方法详解2-1(最新大数据新视界–大数据大厂之MySQL

数据库课程设计MySQL

语句调优的进阶策略与实际案例2-2(最新大数据新视界–大数据大厂之MySQL

数据库课程设计数据安全深度剖析与未来展望(最新大数据新视界–大数据大厂之MySQL

数据库课程设计开启数据宇宙的传奇之旅(最新大数据新视界–大数据大厂之大数据时代的璀璨导航星Eureka

原理与实践深度探秘(最新Java性能优化传奇之旅–Java万亿级性能优化之Java

性能优化逆袭常见错误不再是阻碍(最新Java性能优化传奇之旅–Java万亿级性能优化之Java

性能优化传奇热门技术点亮高效之路(最新Java性能优化传奇之旅–Java万亿级性能优化之电商平台高峰时段性能优化多维度策略打造卓越体验(最新Java性能优化传奇之旅–Java万亿级性能优化之电商平台高峰时段性能大作战策略与趋势洞察(最新JVM万亿性能密码–JVM性能优化之JVM

内存魔法开启万亿级应用性能新纪元(最新十万流量耀前路成长感悟谱新章(最新AI

模型全能与专精之辩

“超级大比拼”(最新国产游戏技术挑战与机遇(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析10(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析9(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析8(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析7(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析6(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析5(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析4(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析3(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析2(最新Java面试题–JVM大厂篇之JVM大厂面试题及答案解析1(最新Java

面试题

性能2(最新Java面试题–JVM大厂篇之Java工程师必备顶尖工具助你全面监控和分析CMS

GC性能1(最新Java面试题–JVM大厂篇之未来已来为什么ZGC是大规模Java应用的终极武器(最新AI

音乐风暴创造与颠覆的交响(最新编程风暴勇破挫折铸就传奇(最新Java面试题–JVM大厂篇之低停顿、高性能深入解析ZGC的优势(最新Java面试题–JVM大厂篇之解密ZGC让你的Java应用高效飞驰(最新Java面试题–JVM大厂篇之掌控Java未来深入剖析ZGC的低停顿垃圾回收机制(最新GPT-5

惊涛来袭铸就智能新传奇(最新AI

时代风暴程序员的核心竞争力大揭秘(最新Java面试题–JVM大厂篇之Java新神器ZGC颠覆你的垃圾回收认知(最新Java面试题–JVM大厂篇之揭秘如何通过优化

CMS

风暴重塑软件开发新未来(最新程序员如何平衡日常编码工作与提升式学习–编程之路平衡与成长的艺术(最新编程学习笔记秘籍开启高效学习之旅(最新Java面试题–JVM大厂篇之高并发Java应用的秘密武器深入剖析GC优化实战案例(最新Java面试题–JVM大厂篇之实战解析如何通过CMS

GC优化大规模Java应用的响应时间(最新Java面试题–JVM大厂篇1-10Java面试题–JVM大厂篇之Java虚拟机JVM面试题涨知识拿大厂Offer11-20Java面试题–JVM大厂篇之JVM面试指南掌握这10个问题大厂Offer轻松拿

Java面试题–JVM大厂篇之Java程序员必学JVM架构完全解读Java面试题–JVM大厂篇之以JVM新特性看Java的进化之路从Loom到Amber的技术篇章Java面试题–JVM大厂篇之深入探索JVM大厂面试官心中的那些秘密题库Java面试题–JVM大厂篇之高级Java开发者的自我修养深入剖析JVM垃圾回收机制及面试要点Java面试题–JVM大厂篇之从新手到专家深入探索JVM垃圾回收–开端篇Java面试题–JVM大厂篇之Java性能优化垃圾回收算法的神秘面纱揭开Java面试题–JVM大厂篇之揭秘Java世界的清洁工——JVM垃圾回收机制Java面试题–JVM大厂篇之掌握JVM性能优化选择合适的垃圾回收器Java面试题–JVM大厂篇之深入了解Java虚拟机JVM工作机制与优化策略Java面试题–JVM大厂篇之深入解析JVM运行时数据区Java开发者必读Java面试题–JVM大厂篇之从零开始掌握JVM解锁Java程序的强大潜力Java面试题–JVM大厂篇之深入了解G1

GC大型Java应用的性能优化利器Java面试题–JVM大厂篇之深入了解G1

GC高并发、响应时间敏感应用的最佳选择Java面试题–JVM大厂篇之G1

GC的分区管理方式如何减少应用线程的影响Java面试题–JVM大厂篇之深入解析G1

GC——革新Java垃圾回收机制Java面试题–JVM大厂篇之深入探讨Serial

GC在JVM中有哪些优点和局限性Java面试题–JVM大厂篇之深入解析JVM中的Serial

GC工作原理与代际区别Java面试题–JVM大厂篇之通过参数配置来优化Serial

GC的性能Java面试题–JVM大厂篇之深入分析Parallel

GC从原理到优化Java面试题–JVM大厂篇之破解Java性能瓶颈深入理解Parallel

GC并优化你的应用Java面试题–JVM大厂篇之全面掌握Parallel

GC参数配置实战指南Java面试题–JVM大厂篇之Parallel

GC与其他垃圾回收器的对比与选择Java面试题–JVM大厂篇之Java中Parallel

GC的调优技巧与最佳实践Java面试题–JVM大厂篇之JVM监控与GC日志分析优化Parallel

GC性能的重要工具Java面试题–JVM大厂篇之针对频繁的Minor

GC问题有哪些优化对象创建与使用的技巧可以分享Java面试题–JVM大厂篇之JVM

JVM

垃圾回收器大比拼谁是最佳选择Java面试题–JVM大厂篇之从原理到实践JVM

GC的神秘面纱从原理到应用一文带你全面掌握Java面试题–JVM大厂篇之JVM

GC调优宝典从默认配置到高级技巧Java性能提升的终极指南Java面试题–JVM大厂篇之CMS

GC的前世今生为什么它曾是Java的王者又为何将被G1取代Java就业-学习路线–突破性能瓶颈

Java

的飞跃Java就业-学习路线–Java技术2024年开发者必须了解的10个要点Java就业-学习路线–Java技术栈前瞻未来技术趋势与创新Java就业-学习路线–Java技术栈模块化的七大优势你了解多少Spring框架-Java学习路线课程第一课Spring核心Spring框架-Java学习路线课程Spring的扩展配置

Springboot框架-Java学习路线课程Springboot框架的搭建之maven的配置Java进阶-Java学习路线课程第一课Java集合框架-ArrayList和LinkedList的使用Java进阶-Java学习路线课程第二课Java集合框架-HashSet的使用及去重原理JavaWEB-Java学习路线课程使用MyEclipse工具新建第一个JavaWeb项目一JavaWEB-Java学习路线课程使用MyEclipse工具新建项目时配置Tomcat服务器的方式二Java学习在给学生演示用Myeclipse10.7.1工具生成War时意外报错SECURITY:

INTEGRITY

ERROR使用Jquery发送Ajax请求的几种异步刷新方式Idea

incompatible

NativeJava入门-Java学习路线课程第一课初识JAVAJava入门-Java学习路线课程第二课变量与数据类型Java入门-Java学习路线课程第三课选择结构Java入门-Java学习路线课程第四课循环结构Java入门-Java学习路线课程第五课一维数组Java入门-Java学习路线课程第六课二维数组Java入门-Java学习路线课程第七课类和对象Java入门-Java学习路线课程第八课方法和方法重载Java入门-Java学习路线扩展课程equals的使用Java入门-Java学习路线课程面试篇取商

和取余(模)