前言

工欲善其事必先利其器，介绍几个常用插件，提高开发效率。

• MyBatis-Generator（MBG）
• MyBatis-PageHelper
• Free-MyBatis-Plugin

1. MyBatis-Generator

MyBatis Generator官网
http://mybatis.org/generator/index.html

建议：应用为主，直接看第4部分-实战

1. 简介

Mybatis-Generator是Mybatis提供的一个便捷型插件，自动可以为项目生产对应的实体类，Mapper，dao层。

2. XML配置解析

在MBG中，最主要也最重要的就是XML配置文件，因此先解析下XML配置文件。

转载自纯洁的微笑

前言

Java 虚拟机是中、高级开发人员必须修炼的知识，有着较高的学习门槛，很多人都不情愿去接触它。可能是觉得学习成本较高又或者是感觉没什么实用性，所以干脆懒得“搭理”它了。其实这种想法是错误的。举个最简单的例子，JVM 基本上是每家招聘公司都会问到的问题，它们会这么无聊问这些不切实际的问题吗？很显然不是。由 JVM 引发的故障问题，无论在我们开发过程中还是生产环境下都是非常常见的。比如 OutOfMemoryError(OOM) 内存溢出问题，你应该遇到过 Tomcat 容器中加载项目过多导致的 OOM 问题，导致 Web 项目无法启动。这就是JVM引发的故障问题。那到底JVM哪里发生内存溢出了呢？为什么会内存溢出呢？如何监控？最重要的就是如何解决问题呢？能解决问题的技术才是最实用最好的技术。然而你对JVM的内存结构都不清楚，就妄想解决JVM引发的故障问题，是不切实际的。了解JVM内存也是为了服务器出现性能问题的时候可以快速的了解那块的内存区域出现问题，以便于快速的解决生产故障。

先来一张官方图：

转载自纯洁的微笑

前言

在介绍类的加载机制之前，先来看一看类的加载机制在整个Java运行期间所处的位置。

由上图可知，Java文件由编译器编译成.class文件，接下来由类加载器将这些.class文件加载进JVM中。类加载器的作用就是类的加载。

Author: haoransun
Wechat: SHR—97

Map-Reduce的过程与MongoDB如出一辙（如下图）

1 Map-Reduce简介

     MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。该运算充分利用Hadoop存储节点（DateNode）所在物理主机的CPU、内存、网络以及少许磁盘完成分布式计算。通过在DateNode所在的主机上启动NodeManager进程，该进程负责启动计算任务。
     MapReduce计算框架将分布式计算分为两个阶段：
     Map阶段：在任务计算初期，计算框架会提前计算好任务切片（对数据做区域划分），然后根据切片数目启动MapTask，对切片所映射的数据做局部的分析/计算，将计算的临时结果存储到对应物理主机的磁盘（MapTask的溢写）。
     Reduce阶段：在Map阶段的所有操作完成计算任务后，计算框架会选择若干机器（手动指定）执行ReduceTask，完成对Map阶段计算数据的汇总（shuffle洗牌）。

Author: haoransun
Wechat: SHR—97

参考文章

学习来源：极客时间-算法之美，本人购买课程后依据图文讲解汇总成个人见解。

前言

上一节我们学习了树、二叉树以及二叉树的遍历，今天我们再来学习一种特殊的的二叉树，二叉查找树。二叉查找树最大的特点就是，支持动态数据集合的快速插入、删除、查找操作。

我们之前说过，散列表也是支持这些操作的，并且散列表的这些操作比二叉查找树更高效，时间复杂度是 O(1)。既然有了这么高效的散列表，使用二叉树的地方是不是都可以替换成散列表呢？有没有哪些地方是散列表做不了，必须要用二叉树来做的呢？

带着这些问题，我们就来学习今天的内容，二叉查找树

Author: haoransun
Wechat: SHR—97

参考文章

学习来源：极客时间-算法之美，本人购买课程后依据图文讲解汇总成个人见解。

前言

前面我们讲的都是线性表结构，栈、队列等等。今天我们讲一种非线性表结构，树。树这种数据结构比线性表的数据结构要复杂得多，内容也比较多，所以会分四篇来讲解。

带着问题学习，是最有效的学习方式之一，所以在正式的内容开始之前，还是给你出一道思考题：二叉树有哪几种存储方式？什么样的二叉树适合用数组来存储？

带着这些问题，我们就来学习今天的内容，树！

Author: haoransun
Wechat: SHR—97

什么是一致性哈希

白话解析：一致性哈希算法

学习来源：极客时间-算法之美，本人购买课程后依据图文讲解汇总成个人见解。

前言

上一节，讲了哈希算法的四个应用，它们分别是：安全加密、数据校验、唯一标识、散列函数。今天，我们再来看剩余三种应用：负载均衡、数据分片、分布式存储。

你可能已经发现，这三个应用都跟分布式系统有关。没错，今天我就带你看下，哈希算法是如何解决这些分布式问题的。

Author: haoransun
Wechat: SHR—97

学习来源：极客时间-算法之美，本人购买课程后依据图文讲解汇总成个人见解。

前言

记得 2011 年 CSDN 的“脱库”事件吗？当时，CSDN 网站被黑客攻击，超过 600 万用户的注册邮箱和密码明文被泄露，很多网友对 CSDN 明文保存用户密码行为产生了不满。如果你是 CSDN 的一名工程师，你会如何存储用户密码这么重要的数据吗？仅仅 MD5 加密一下存储就够了吗？ 要想搞清楚这个问题，就要先弄明白哈希算法。

哈希算法历史悠久，业界著名的哈希算法也有很多，比如 MD5、SHA 等。在我们平时的开发中，基本上都是拿现成的直接用。所以，这篇文章不会重点剖析哈希算法的原理，也不会教你如何设计一个哈希算法，而是从实战的角度告诉你，在实际的开发中，我们该如何用哈希算法解决问题。

Author: haoransun
Wechat: SHR—97

1 BigData是什么？

   巨量资料,需要利用目前主流软件工具在合理的时间范围内对数据进行截取，转换已达到帮助企业获取有用资讯的目的。
   数据量极大：GB、TB、PB数据样板足够大。
   数据时效性：time-value 数据处理速度快，合理的时间范围。
   数据多样性：数据存在形式多样化。
   数据可疑性：数据要有价值。—清洗、降噪（沙海淘金）

2 BigData面临的问题？

   存储、分析：
   方案：
   垂直提升：升级硬件，成本高    计算机-摩尔定律（每18个月，成本不变-性能提升1倍）
   水平扩展：成本可线性控制–分布式思维   √
   Hadoop就是在通过线性服务扩展，去解决大数据所面临的存储和计算。
   Hadoop有两个模块：
      HDFS hadoop distributed file system：解决大数据存储问题。
      MapReduce:通过Map阶段和Reduce阶段实现对大数据的分布式并行计算。

Author: haoransun
Wechat: SHR—97

学习来源：极客时间-算法之美，本人购买课程后依据图文讲解汇总成个人见解。

前言

你有没有发现，有两种数据结构，散列表和链表，经常会被放在一起使用。你还记得，前面的章节中都有哪些地方讲到散列表和链表的组合使用吗？我带你一起回忆一下。

在链表那一节，我讲到如何用链表来实现 LRU 缓存淘汰算法，但是链表实现的 LRU 缓存淘汰算法的时间复杂度是 O(n)，当时我也提到了，通过散列表可以将这个时间复杂度降低到 O(1)。

在跳表那一节，我提到 Redis 的有序集合是使用跳表来实现的，跳表可以看作一种改进版的链表。当时我们也提到，Redis 有序集合不仅使用了跳表，还用到了散列表。

除此之外，如果你熟悉 Java 编程语言，你会发现 LinkedHashMap 这样一个常用的容器，也用到了散列表和链表两种数据结构。

今天，我们就来看看，在这几个问题中，散列表和链表都是如何组合起来使用的，以及为什么散列表和链表会经常放到一块使用。