标签: java

目前主流的Java分布式框架有哪些，学起来难不难？Java的框架主要有：SpringMVC、Spring、Mybatis、Dubbo、Maven、RabbitMQ、Log4j、Ehcache、Redis、Shiro等等今天就给大家讲讲关于Java主流分布式的一些解决方法，内容包括：JVM锁和MySql锁解决库存超卖问题、基于Redisson框架实现分布式锁及实战&源码深入剖析、基于ZooKeeper实现分布式锁、分布式存储系统Etcd实现分布式锁、实现分布式锁通用SDK与集成、七种分布式事务解决方案、分布式事务Seata框架深入剖析、分库分表利器一-Sharding-JDBC实战等等内容。我将分别从源码、手撸框架、实战演练等多个方面进行多维度深入讲解，让大家轻松掌握分布式各种解决方案。首先我要问大家一个问题：大型项目分布式系统核心问题你能解决多少？1、分布式锁1.你知道Etcd如何实现分布式锁的吗？2.你知道Redis实现的分布式锁存在什么问题吗？3.不同分布式锁实现方案的优缺点你清楚了吗？4.如果让你手撸实现Redis分布式锁，你可以做到吗？2、分布式事务1.你知道为什么CAP不能同时满足吗？2.你了解不同分布式事务解决方案对应什么样的应用场景么？3.你知道为什么大多数业务场景都选择了最终一致性实现方案么？4.你了解Seata框架为什么当下如此受欢迎么？3、分布式ID1.这么多种分布式ID生成方式，应该选择哪种呢？2.雪花算法底层实现原理是什么？4、分库分表1.当数据量大了之后，我们应该如何选择分库分表的解决方案？2.做分库分表，是应该垂直切分还是水平切分？带着这些问题，我们一起来展开代码实战：新增和修改我们封装一个通用方法updateItem()，该方法传入两个参数：storeName、data，storeName表示对象仓库名称，data是一个对象，包含主键和索引，在调用indexedDB所提供的put()方法，在新增操作的时候不需要传入索引的键值对，修改操作的时候在该方法中另外多传递一个主键的键值对，这样才能根据id去修改对应的某一条数据。updateItem(storeName:string,data:any){  console.log(this.db)  conststore=this.db.transaction([storeName],'readwrite').objectStore(storeName)  constrequest=store.put({   ...data,   updateTIme:newDate().getTime()  })  request.onsuccess=(event:any)=>{   console.log('数据写入成功')   console.log(event)  }  request.onerror=(event:any)=>{   console.log('数据写入失败')   console.log(event)  }}关键点是根据传入key即为主键id的值来查询某一条数据，需要使用到indexedDB提供的get()方法来实现查询操作。getItem(storeName:string,key:number|string){  conststore=this.db.transaction([storeName],'readwrite').objectStore(storeName)  constrequest=store.get(key)  request.onsuccess=(event:any)=>{   console.log('查询某一条数据成功')   console.log(event.target.result)  }  request.onerror=(event:any)=>{   console.log('查询某一条数据失败')   console.log(event)  }}为了更好的获取indexedD事务中的返回结果，我们使用promise来包装一下上一小节indexedDB.ts中定义的几个方法：openStore、updateItem、deleteItem、getList、getItem。下面代码片段为getList() //查询所有数据 getList(storeName:string){  conststore=this.db.transaction(storeName).objectStore(storeName)  constrequest=store.getAll()  returnnewPromise((resolve,reject)=>{   request.onsuccess=(event:any)=>{    console.log('查询所有数据成功')    console.log(event.target.result)    resolve(event.target.result)   }   request.onerror=(event:any)=>{    console.log('查询所有数据失败')    console.log(event)    reject(event)   }  }) }在第一步中，首先使用Typescript的interface为store中的所有state声明类型，然后将interface放置在InjectionKeyd的泛型类型中，代码片段如下：//src/store/index.tsimport{createStore,Store}from'vuex'import{InjectionKey}from'vue'//为storestate声明类型exportinterfaceAllStateTypes{ count:number, locale:any, userStatus:Number}//定义injectionkeyexportconstkey:InjectionKey<Store<AllStateTypes>>=Symbol('storeKey')exportconststore=createStore<AllStateTypes>({ //...})通过环境变量区分server.js中的一些代码片段，因为有些代码需要运行在开发环境，而有些代码需要运行在生产环境。本小节在server.js中一共对3个地方进行了环境区分，代码片段如下：//server.jsif(!isProd){ //1.读取index.html template=fs.readFileSync(  path.resolve(__dirname,'index.html'),  'utf-8' ) //2.应用ViteHTML转换。这将会注入ViteHMR客户端， //  同时也会从Vite插件应用HTML转换。 //  例如：@vitejs/plugin-react-refresh中的globalpreambles template=awaitvite.transformIndexHtml(url,template) //3.加载服务器入口。vite.ssrLoadModule将自动转换 //  你的ESM源码使之可以在Node.js中运行！无需打包 //  并提供类似HMR的根据情况随时失效。 render=(awaitvite.ssrLoadModule('/src/entry-server.ts')).render}else{ //1.读取index.html template=fs.readFileSync(  path.resolve(__dirname,'dist/client/index.html'),  'utf-8' ) //3.加载服务器入口 render=require('./dist/server/entry-server.ts').render}fetchElephant()接口中有两个await，分别依次执行连接数据库和查询数据的操作，我们接下来在home.vue中引入这个Mock接口，然后调用，代码片段如下所示：//home.vue//Mock接口functiongetElephant(){ fetchElephant().then(res=>{  console.log('Mock接口',res) })}getElephant()通过emit触发父组件上的事件，将language传递给父组件，并赋值给父组件中的全局组件<ElConfigProvider/>上的locale属性，同样也赋值给useI18n()实例上的locale属性，这样就可以实现在子组件headearCommon.vue中进行国际化切换操作并作用到父组件App.vue中

Java并发编程从入门到进阶多场景实战，众所周知，并发编程是优秀工程师的标准之一，但知识庞杂，复杂性高，常常让人望而却步。但如果没有掌握背后的核心原理，你开发的代码可能会成为难以调试和优化的头疼问题。在此，我将通过上百个案例场景驱动教学+动画直观演示，帮助大家深入、直观地理解并发编程核心概念和底层原理。助力大家在实际工作和面试中都能尽早脱颖而出。首先，我们先来了解关于并发的基本概念。并发情况主要会引出三个基本概念，分别是原子性、可见性、有序性三个基本概念Java中线程的状态分为6种：1.初始(NEW)：新创建了一个线程对象，但还没有调用start()方法。2.运行(RUNNABLE)：Java线程中将就绪（ready）和运行中（running）两种状态笼统的称为“运行”。线程对象创建后，其他线程(比如main线程）调用了该对象的start()方法。该状态的线程位于可运行线程池中，等待被线程调度选中，获取CPU的使用权，此时处于就绪状态（ready）。就绪状态的线程在获得CPU时间片后变为运行中状态（running）。3.阻塞(BLOCKED)：表示线程阻塞于锁。4.等待(WAITING)：进入该状态的线程需要等待其他线程做出一些特定动作（通知或中断）。5.超时等待(TIMED_WAITING)：该状态不同于WAITING，它可以在指定的时间后自行返回。6.终止(TERMINATED)：表示该线程已经执行完毕。其实我们可以通过job.setPartitionerClass来设置分区类，不过目前我们是没有设置的，那框架中是不是有默认值啊，是有的，我们可以通过job.getPartitionerClass方法看到默认情况下会使用HashPartitioner这个分区类那我们来看一下HashPartitioner的实现是什么样子的/**Partitionkeysbytheir{@linkObject#hashCode()}.*/@InterfaceAudience.Public@InterfaceStability.StablepublicclassHashPartitioner<K,V>extendsPartitioner<K,V>{ /**Use{@linkObject#hashCode()}topartition.*/ publicintgetPartition(Kkey,Vvalue,             intnumReduceTasks){  return(key.hashCode()&Integer.MAX_VALUE)%numReduceTasks; }}下面我们来具体跑一个这份数据，首先复制一份WordCountJob的代码，新的类名为WordCountJobSkewpackagecom.imooc.mr;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.Reducer;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.slf4j.Logger;importorg.slf4j.LoggerFactory;importjava.io.IOException;/** *数据倾斜-增加Reduce任务个数 * *Createdbyxuwei */publicclassWordCountJobSkew{  /**   *Map阶段   */  publicstaticclassMyMapperextendsMapper<LongWritable,Text,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyMapper.class);    /**     *需要实现map函数     *这个map函数就是可以接收<k1,v1>，产生<k2，v2>     *@paramk1     *@paramv1     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidmap(LongWritablek1,Textv1,Contextcontext)        throwsIOException,InterruptedException{      //输出k1,v1的值      //System.out.println("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //logger.info("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //k1代表的是每一行数据的行首偏移量，v1代表的是每一行内容      //对获取到的每一行数据进行切割，把单词切割出来      String[]words=v1.toString().split("");      //把单词封装成<k2,v2>的形式      Textk2=newText(words[0]);      LongWritablev2=newLongWritable(1L);      //把<k2,v2>写出去      context.write(k2,v2);    }  }  /**   *Reduce阶段   */  publicstaticclassMyReducerextendsReducer<Text,LongWritable,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyReducer.class);    /**     *针对<k2,{v2...}>的数据进行累加求和，并且最终把数据转化为k3,v3写出去     *@paramk2     *@paramv2s     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidreduce(Textk2,Iterable<LongWritable>v2s,Contextcontext)        throwsIOException,InterruptedException{      //创建一个sum变量，保存v2s的和      longsum=0L;      //对v2s中的数据进行累加求和      for(LongWritablev2:v2s){        //输出k2,v2的值        //System.out.println("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        //logger.info("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        sum+=v2.get();//模拟Reduce的复杂计算消耗的时间        if(sum%200==0){          Thread.sleep(1);        }      }      //组装k3,v3      Textk3=k2;      LongWritablev3=newLongWritable(sum);      //输出k3,v3的值      //System.out.println("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //logger.info("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //把结果写出去      context.write(k3,v3);    }  }  /**   *组装Job=Map+Reduce   */  publicstaticvoidmain(String[]args){    try{      if(args.length!=3){        //如果传递的参数不够，程序直接退出        System.exit(100);      }      //指定Job需要的配置参数      Configurationconf=newConfiguration();      //创建一个Job      Jobjob=Job.getInstance(conf);      //注意了：这一行必须设置，否则在集群中执行的时候是找不到WordCountJob这个类的      job.setJarByClass(WordCountJobSkew.class);      //指定输入路径（可以是文件，也可以是目录）      FileInputFormat.setInputPaths(job,newPath(args[0]));      //指定输出路径(只能指定一个不存在的目录)      FileOutputFormat.setOutputPath(job,newPath(args[1]));      //指定map相关的代码      job.setMapperClass(MyMapper.class);      //指定k2的类型      job.setMapOutputKeyClass(Text.class);      //指定v2的类型      job.setMapOutputValueClass(LongWritable.class);      //指定reduce相关的代码      job.setReducerClass(MyReducer.class);      //指定k3的类型      job.setOutputKeyClass(Text.class);      //指定v3的类型      job.setOutputValueClass(LongWritable.class);      //设置reduce任务个数      job.setNumReduceTasks(Integer.parseInt(args[2]));      //提交job      job.waitForCompletion(true);    }catch(Exceptione){      e.printStackTrace();    }  }}针对这个操作我们需要去修改代码，在这里我们再重新复制一个类，基于WordCountJobSkew复制，新的类名是WordCountJobSkewRandKeypackagecom.imooc.mr;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.Reducer;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.slf4j.Logger;importorg.slf4j.LoggerFactory;importjava.io.IOException;importjava.util.Random;/** *数据倾斜-把倾斜的数据打散 * *Createdbyxuwei */publicclassWordCountJobSkewRandKey{  /**   *Map阶段   */  publicstaticclassMyMapperextendsMapper<LongWritable,Text,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyMapper.class);    Randomrandom=newRandom();    /**     *需要实现map函数     *这个map函数就是可以接收<k1,v1>，产生<k2，v2>     *@paramk1     *@paramv1     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidmap(LongWritablek1,Textv1,Contextcontext)        throwsIOException,InterruptedException{      //输出k1,v1的值      //System.out.println("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //logger.info("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //k1代表的是每一行数据的行首偏移量，v1代表的是每一行内容      //对获取到的每一行数据进行切割，把单词切割出来      String[]words=v1.toString().split("");      //把单词封装成<k2,v2>的形式      Stringkey=words[0];      if("5".equals(key)){        //把倾斜的key打散，分成10份        key="5"+"_"+random.nextInt(10);      }      Textk2=newText(key);      LongWritablev2=newLongWritable(1L);      //把<k2,v2>写出去      context.write(k2,v2);    }  }  /**   *Reduce阶段   */  publicstaticclassMyReducerextendsReducer<Text,LongWritable,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyReducer.class);    /**     *针对<k2,{v2...}>的数据进行累加求和，并且最终把数据转化为k3,v3写出去     *@paramk2     *@paramv2s     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidreduce(Textk2,Iterable<LongWritable>v2s,Contextcontext)        throwsIOException,InterruptedException{      //创建一个sum变量，保存v2s的和      longsum=0L;      //对v2s中的数据进行累加求和      for(LongWritablev2:v2s){        //输出k2,v2的值        //System.out.println("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        //logger.info("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        sum+=v2.get();        //模拟Reduce的复杂计算消耗的时间        if(sum%200==0){          Thread.sleep(1);        }      }      //组装k3,v3      Textk3=k2;      LongWritablev3=newLongWritable(sum);      //输出k3,v3的值      //System.out.println("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //logger.info("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //把结果写出去      context.write(k3,v3);    }  }  /**   *组装Job=Map+Reduce   */  publicstaticvoidmain(String[]args){    try{      if(args.length!=3){        //如果传递的参数不够，程序直接退出        System.exit(100);      }      //指定Job需要的配置参数      Configurationconf=newConfiguration();      //创建一个Job      Jobjob=Job.getInstance(conf);      //注意了：这一行必须设置，否则在集群中执行的时候是找不到WordCountJob这个类的      job.setJarByClass(WordCountJobSkewRandKey.class);      //指定输入路径（可以是文件，也可以是目录）      FileInputFormat.setInputPaths(job,newPath(args[0]));      //指定输出路径(只能指定一个不存在的目录)      FileOutputFormat.setOutputPath(job,newPath(args[1]));      //指定map相关的代码      job.setMapperClass(MyMapper.class);      //指定k2的类型      job.setMapOutputKeyClass(Text.class);      //指定v2的类型      job.setMapOutputValueClass(LongWritable.class);      //指定reduce相关的代码      job.setReducerClass(MyReducer.class);      //指定k3的类型      job.setOutputKeyClass(Text.class);      //指定v3的类型      job.setOutputValueClass(LongWritable.class);      //设置reduce任务个数      job.setNumReduceTasks(Integer.parseInt(args[2]));      //提交job      job.waitForCompletion(true);    }catch(Exceptione){      e.printStackTrace();    }  }}调用parallelize()时，有一个重要的参数可以指定，就是将集合切分成多少个partition。Spark会为每一个partition运行一个task来进行处理。Spark默认会根据集群的配置来设置partition的数量。我们也可以在调用parallelize()方法时，传入第二个参数，来设置RDD的partition数量，例如：parallelize(arr,5)scala代码如下：packagecom.imooc.scalaimportorg.apache.spark.{SparkConf,SparkContext}/** *需求：使用集合创建RDD *Createdbyxuwei */objectCreateRddByArrayScala{ defmain(args:Array[String]):Unit={  //创建SparkContext  valconf=newSparkConf()  conf.setAppName("CreateRddByArrayScala")//设置任务名称  .setMaster("local")//local表示在本地执行  valsc=newSparkContext(conf)  //创建集合  valarr=Array(1,2,3,4,5)  //基于集合创建RDD  valrdd=sc.parallelize(arr)  valsum=rdd.reduce(_+_)  println(sum)  //停止SparkContext  sc.stop() }}

一、什么是分布式系统？要理解分布式系统，主要需要明白一下2个方面：1、分布式系统一定是由多个节点组成的系统。其中，节点指的是计算机服务器，而且这些节点一般不是孤立的，而是互通的。2、这些连通的节点上部署了我们的节点，并且相互的操作会有协同。分布式系统对于用户而言，他们面对的就是一个服务器，提供用户需要的服务而已。而实际上这些服务是通过背后的众多服务器组成的一个分布式系统。因此分布式系统看起来像是一个超级计算机一样。Java筑基（基础）：Tomcat+Mysql+设计模式+并发编程+JVM+Netty开源框架（SSM框架）：Spring+SpringMVC+Mybatis微服务架构：Dubbo、SpringBoot、SprinGCloud、Docker分布式：分布式限流+分布式缓存+分布式通讯（限流：Nignx+Zookeeper/缓存：Redis+MongoDB+Memcached/通讯：RabbitMQ+RocketMQ+Kafka）性能优化：Mysql优化+Java性能调优+JVM调优+Tomcat调二、分布式对象技术有三大流派目前国际上，分布式对象技术有三大流派——COBRA、COM/DCOM和Java。CORBA技术是最早出现的，1991年OMG颁布了COBRA1.0标准，在当时来说做得非常漂亮；再有就是Microsoft的COM系列，从最初的COM发展成现在的DCOM，形成了Microsoft一套分布式对象的计算平台；而Sun公司的Java平台，在其最早推出的时候，只提供了远程的方法调用，在当时并不能被称为分布式对象计算，只是属于网络计算里的一种，接着推出的JavaBean，也还不足以和上述两大流派抗衡，而其目前的版本叫J2EE，推出了EJB，除了语言外还有组件的标准以及组件之间协同工作通讯的框架。于是，也就形成了目前的三大流派。Motan是新浪微博开源的一个Java框架。它诞生的比较晚，起于2013年，2016年5月开源。Motan在微博平台中已经广泛应用，每天为数百个服务完成近千亿次的调用。rpcx是Go语言生态圈的Dubbo，比Dubbo更轻量，实现了Dubbo的许多特性，借助于Go语言优秀的并发特性和简洁语法，可以使用较少的代码实现分布式的RPC服务。gRPC是Google开发的高性能、通用的开源RPC框架，其由Google主要面向移动应用开发并基于HTTP/2协议标准而设计，基于ProtoBuf(ProtocolBuffers)序列化协议开发，且支持众多开发语言。本身它不是分布式的，所以要实现上面的框架的功能需要进一步的开发。thrift是Apache的一个跨语言的高性能的服务框架，也得到了广泛的应用。首先明确一点：分布式并不是某个技术的概称，而是一个互联网服务系统架构思想。我们一般称之为分布式架构。那么分布式到底是什么一个概念：分布式诞生的初衷是为了在多业务场景下，保证五个特点：高性能，高并发，高可用，可伸缩，可维护。它的具体实现——分布式系统，则是由一组服务节点，共同协调工作组成。它们之间通过网络进行通信。可以说它的诞生为单体架构解决了很大一部分问题，满足了互联网对大数据存储，高并发，快响应的要求，采用了”分而治之“的思想。三、Java工程师必须学习分布式架构技术吗？不论是从公司发展的需要、还是从个人能力提升考虑，分布式架构技术对于每位Java工程师来说，可以说是一项必备技能了！每一位想要在职业发展之路上更进一步的Java从业者，都需要牢牢掌握分布式架构思想。在开发中大型Java软件项目时，很多Java架构师都会遇到数据库读写瓶颈，如果你在系统架构时并没有将缓存策略考虑进去，或者并没有选择更优的缓存策略，那么到时候重构起来将会是一个噩梦。本文主要是分享了5个常用的Java分布式缓存框架，这些缓存框架支持多台服务器的缓存读写功能，可以让你的缓存系统更容易扩展。四、分布式架构的技术要点：RPC的设计架构与思想，RPC架构完整调用流程，自定义RPC相应因素详情等；Netty三大组件，ByteBuffer之工作原理、应用模式、分配与释放机制、源码剖析等；RPC工程设计与整体结构，完成RPC服务注册与发现功能；ZK核心组件剖析，ZK工作流程剖析，网络通信组件、会话接收器、并发处理器等；Dubbo源码结构、整体设计及层次结构与作用，SPI机制，Dubbo服务注册发现剖析，Dubbo服务高可用，Dubbo服务治理之调用过程、服务降级与限流剖析，网络通信协议详解。五、分布式锁的解决方式1.首先明确一点，有人可能会问是否可以考虑采用ReentrantLock来实现，但是实际上去实现的时候是有问题的，ReentrantLock的lock和unlock要求必须是在同一线程进行，而分布式应用中，lock和unlock是两次不相关的请求，因此肯定不是同一线程，因此导致无法使用ReentrantLock。2.基于数据库表做乐观锁，用于分布式锁。3.使用memcached的add()方法，用于分布式锁。4.使用memcached的cas()方法，用于分布式锁。(不常用) 5.使用redis的setnx()、expire()方法，用于分布式锁。6.使用redis的setnx()、get()、getset()方法，用于分布式锁。7.使用redis的watch、multi、exec命令，用于分布式锁。(不常用) 8.使用zookeeper，用于分布式锁。(不常用) 六、大型项目分布式系统核心问题你能解决多少？分布式锁1.你知道Etcd如何实现分布式锁的吗？2.你知道Redis实现的分布式锁存在什么问题吗？3.不同分布式锁实现方案的优缺点你清楚了吗？4.如果让你手撸实现Redis分布式锁，你可以做到吗？分布式事务1.你知道为什么CAP不能同时满足吗？2.你了解不同分布式事务解决方案对应什么样的应用场景么？3.你知道为什么大多数业务场景都选择了最终一致性实现方案么？4.你了解Seata框架为什么当下如此受欢迎么？分布式ID1.这么多种分布式ID生成方式，应该选择哪种呢？2.雪花算法底层实现原理是什么？分库分表1.当数据量大了之后，我们应该如何选择分库分表的解决方案？2.做分库分表，是应该垂直切分还是水平切分？分布式会话

分享一套java课程——Java七大热门技术框架源码解析，已完结25章，附源码。Java的性能受到多种因素的影响，在不同版本的软件中可能会有不同的表现。出乎开发人员和应用程序所有者意料的是，最新版本的Java并不一定提供最佳性能。编译器增强：Java每次发布新版本，都会改进即时（JIT）编译器。该编译器负责在运行时优化字节码，因此它的提升不仅可以更好地优化代码，而且还可以改进内存管理并提升特定类型应用程序的性能。

Java七大热门技术框架源码解析视频教程分享，2023最新，一共25章！汇聚了JavaWeb开发主流热门框架（SpringFramework，SpringData，SpringBoot，SpringCloud，Mybatis，Tomcat，RocketMQ）：框架1：SpringFrameworkspringframework是spring里面的一个基础开源框架，主要用于javaee的企业开发。框架2：SpringDataSpringData的任务是为数据访问提供一个熟悉且一致的，基于Spring的编程模型，同时仍保留基础数据存储的特殊特征框架3：SpringBootSpringBoot是由Pivotal团队提供的全新框架，其设计目的是用来简化新Spring应用的初始搭建以及开发过程。框架4：SpringCloudSpringCloud是一系列框架的有序集合。它利用SpringBoot的开发便利性巧妙地简化了分布式系统基础设施的开发，如服务发现注册、配置中心、消息总线、负载均衡、断路器、数据监控等，都可以用SpringBoot的开发风格做到一键启动和部署。框架5：MybatisMyBatis本是apache的一个开源项目iBatis，2010年这个项目由apachesoftwarefoundation迁移到了googlecode，并且改名为MyBatis。框架6：TomcatTomcat是Apache软件基金会（ApacheSoftwareFoundation）的Jakarta项目中的一个核心项目框架7：RocketMQRocketMQ是由阿里捐赠给Apache的一款低延迟、高并发、高可用、高可靠的分布式消息中间件

分享课程——Java七大热门技术框架源码解析，附源码+笔记。本课程专门为你汇聚了JavaWeb开发主流热门框架（SpringFramework，SpringData，SpringBoot，SpringCloud，Mybatis，Tomcat，RocketMQ），从框架的架构设计、核心源码解析到二次开发，造轮子，面试指导，循序渐进的让你更全面的掌握框架底层原理，提升框架应用技巧、和造轮子等高阶能力。

基于JAVA遗传算法的中药药对挖掘系统的设计（源代码+论文）

基于JAVA局域网监听软件的设计与开发（包含源代码及论文）

基于JAVA的医药管理系统设计与实现(包含论文及源代码)

基于Java在BS结构下的OA流程可视化的设计（源代码+论文)

基于Java手机游戏(堡垒)的设计与开发（包含源代码及论文）

基于JAVA局域网飞鸽传书软件设计与实现（源代码+论文）

基于JAVA的班主任管理系统设计与实现（包含源代码及论文)

基于JAVA的J2ME的手机游戏(贪吃蛇)开发设计（论文+源代码）

基于JAVA的RSA文件加密软件的设计与实现（源代码+论文)

基于JAVA的物业管理系统设计与实现（包含论文及源代码）

基于Java的ME无线网络移动端的俄罗斯方块游戏设计（论文+源代码)

基于JAVA的画图形学程序设计与实现（包含论文及源代码）

基于JAVA的本地监听与远程端口扫描设计（源代码+论文)

基于JAVA的SNMP网络设备MIB信息采集（论文+源代码)