1.微信小程序毕业设计-刷题系统项目开发实战(附源码+论文)
2.企业在线考试系统源码
3.大数据笔试真题集锦---第五章:Hive面试题
4.LiveData 面试题库、试题试题解答、录入录入源码分析

微信小程序毕业设计-刷题系统项目开发实战(附源码+论文)

       本文主要介绍了一个基于微信小程序的刷题系统项目开发实战。项目旨在为计算机相关专业的试题试题学生和小程序学习者提供一个实用的学习和实践平台。项目源码、录入录入数据库、源码源码照片变漫画源码LW（Learning Workflow）和演示录像等资源齐全，试题试题可以直接用于毕业设计。录入录入

       项目开发环境包括微信小程序开发工具和Java作为后端。源码源码前端界面设计简洁，试题试题后端逻辑处理高效。录入录入项目采用MySQL数据库，源码源码兼容性强，试题试题支持跨平台使用。录入录入

       系统设计分为软件功能模块设计和数据库设计。源码源码功能模块设计旨在满足用户在试题信息管理、在线考试、查看成绩等方面的需求。数据库设计则构建了管理员、试卷信息、成绩信息等实体关系，确保数据的完整性和一致性。

       系统项目实现中，后台管理功能实现包括登录、飞鸟二开 源码考试管理、试卷信息管理和用户信息管理。用户首页功能提供知识点信息查看、收藏和评论等功能。在线考试功能允许用户进行模拟测试。

       项目中涉及的关键代码部分，有助于理解系统的核心逻辑和实现细节。此外，提供项目源码或论文获取方式，方便用户进一步深入了解和应用。

企业在线考试系统源码

       企业在线考试系统的源码设计是提升培训效果的关键。本文主要探讨了基于Java技术和中间件构建高效、防作弊的在线考试平台的过程。首先，丰富的试题库通过Java实现批量导入和管理；试卷组卷功能支持固定和随机选项，同样由Java代码驱动。考试任务的设置，如考试次数限制，由Java实体类和Repository接口来设定，如ExamTask实体。

       为了保证公平，系统内置防作弊措施，通过Java实现复杂的Spark源码剖析 csdn数据验证和监控。考试结束后，自动成绩评估和报告生成功能为管理者提供详尽信息。系统能够与HRM和LMS等其他系统无缝集成，实现数据同步，且支持二次开发以满足个性化需求。

       Java中间件在这个过程中扮演重要角色，如Spring Boot简化了开发，Apache Kafka处理实时数据，RabbitMQ负责异步任务。例如，Spring Boot的内置服务器简化应用部署，Kafka确保日志处理高效，RabbitMQ则用于处理消息传递。通过这些技术，企业可以构建出稳定且可扩展的在线考试平台，如内训宝企业在线培训平台，助力企业提高培训效率和公平性。

       这篇文章希望能为企业构建在线考试系统提供实用指导。如有任何疑问或需求，欢迎随时咨询。

大数据笔试真题集锦---第五章:Hive面试题

       我会不间断地更新维护，希望对正在寻找大数据工作的朋友们有所帮助。

       第五章目录

       第五章 Hive

       5.1 Hive 运行原理（源码级）

       1.1 reduce端join

       在reduce端，django开发源码对两个表的数据分别标记tag，发送数据。根据分区分组规则获取相同key的数据，再根据tag进行join操作，完成实际连接。

       1.2 map端join

       将小表复制到每个map task的内存中，仅扫描大表，对大表中key在小表中存在时进行join操作。使用DistributedCache.addCacheFile设置小表，通过标准IO获取数据。

       1.3 semi join

       先将参与join的表1的key复制到表3中，复制多份到各map task，过滤不在新表3的表2数据，最后进行reduce。

       5.2 Hive 建表

5.3.1 传统方式建表

       定义数据类型，如：TINYINT, STRING, TIMESTAMP, DECIMAL。

       使用ARRAY, MAP, STRUCT结构。

5.3.2 CTAS查询建表

       创建表时指定表名、存储格式、数据来源查询语句。

       缺点：默认数据类型范围限制。

5.3.3 Like建表

       通过复制已有表的结构来创建新表。

5.4 存储格式和压缩格式

       选择ORC+bzip/gzip作为源存储，three智慧城市源码ORC+Snappy作为中间存储。

       分区表单文件不大采用gzip压缩，桶表使用bzip或lzo支持分片压缩。

       设置压缩参数，如"orc.compress"="gzip"。

5.5 内部表和外部表

       外部表使用external关键字和指定HDFS目录创建。

       内部表在创建时生成对应目录的文件夹，外部表以指定文件夹为数据源。

       内部表删除时删除整个文件夹，外部表仅删除元数据。

5.6 分区表和分桶表

       分区表按分区字段拆分存储，避免全表查询，提高效率。

       动态分区通过设置参数开启，根据字段值决定分区。

       分桶表依据分桶字段hash值分组拆分数据。

5.7 行转列和列转行

       行转列使用split、explode、laterview，列转行使用concat_ws、collect_list/set。

5.8 Hive时间函数

       from_unixtime、unix_timestamp、to_date、month、weekofyear、quarter、trunc、current_date、date_add、date_sub、datediff。

       时间戳支持转换和截断，标准格式为'yyyy-MM-dd HH:mm:ss'。

       month函数基于标准格式截断，识别时截取前7位。

5.9 Hive 排名函数

       row_number、dense_rank、rank。

5. Hive 分析函数：Ntile

       效果：排序并分桶。

       ntile(3) over(partition by A order by B)效果，可用于取前%数据统计。

5. Hive 拉链表更新

       实现方式和优化策略。

5. Hive 排序

       order by、order by limit、sort by、sort by limit的原理和应用场景。

5. Hive 调优

       减少distinct、优化map任务数量、并行度优化、小文件问题解决、存储格式和压缩格式设置。

5. Hive和Hbase区别

       Hive和Hbase的区别，Hive面向分析、高延迟、结构化，Hbase面向编程、低延迟、非结构化。

5. 其他

       用过的开窗函数、表join转换原理、sort by和order by的区别、交易表查询示例、登录用户数量查询、动态分区与静态分区的区别。

LiveData 面试题库、解答、源码分析

       LivaData 的面试题库与解答、源码分析

        作者：唐子玄

       1. LiveData 如何感知生命周期的变化？

       LiveData 在常规的观察者模式上附加了条件，若生命周期未达标，即使数据发生变化也不通知观察者。这通过 Lifecycle 实现，Lifecycle 是生命周期对应的类，提供了添加/移除生命周期观察者的方法，并定义了全部生命周期的状态及对应事件。要观察生命周期，需要实现 LifecycleEventObserver 接口，并注册给 Lifecycle。除了生命周期观察者外，还有数据观察者，数据观察者会与 LifecycleOwner 进行绑定。

       2. LiveData 是如何避免内存泄漏的？

       内存泄漏是因为长生命周期的对象持有了短生命周期对象。在观察 LiveData 数据的代码中，Observer 作为界面的匿名内部类，它会持有界面的引用，同时 Observer 被 LiveData 持有，LivData 被 ViewModel 持有，而 ViewModel 的生命周期比 Activity 长。最终的持有链导致内存泄漏。LiveData 帮助避免内存泄漏，在内部 Observer 会被包装成 LifecycleBoundObserver，这实现了生命周期感知能力，同时它还持有了数据观察者，具备了数据观察能力。

       3. LiveData 是粘性的吗？若是，它是怎么做到的？

       是的，LiveData 是粘性的。数据是持久的，意味着它不会因被消费而消失。当 LiveData 值更新时，会通知所有观察者。这一过程通过一个 Map 结构保存了所有观察者，并通过遍历 Map 并逐个调用 considerNotify() 方法实现。观察者会被包装在 LifecycleBoundObserver 中，它具备了生命周期感知能力，同时持有了数据观察者。当组件生命周期发生变化时，会尝试将最新值分发给该数据观察者。

       4. 粘性的 LiveData 会造成什么问题？怎么解决？

       粘性的 LiveData 可能导致数据重复消费或消费逻辑混乱。解决方案包括使用带消费记录的值、带有最新版本号的观察者、SingleLiveEvent 等。其中，使用 SingleLiveEvent 可以根据数据的分类（暂态数据或非暂态数据）来选择性地利用或避免粘性。

       5. 什么情况下 LiveData 会丢失数据？

       在高频数据更新的场景下使用 LiveData.postValue() 时，如果在这次调用和下次调用之间再次调用 postValue()，则会导致数据丢失，因为值先被缓存，再向主线程抛出分发值的任务。这与 LiveData 的设计和更新机制有关。

       6. 在 Fragment 中使用 LiveData 需注意些什么？

       在 Fragment 中使用 LiveData 时，应当使用 viewLifecycleOwner 而非 this。避免因生命周期不一致导致的额外订阅者问题。使用 SingleLiveEvent 可以解决数据重复消费问题。

       7. 如何变换 LiveData 数据及注意事项？

       androidx.lifecycle.Transformations 提供了变换 LiveData 数据的方法，如 map()。需要注意数据变换操作应避免阻塞主线程，可使用 CoroutineLiveData 来异步化数据变换。