KoBari

VSCode Sync Upstream

KoBari — Sat, 16 May 2026 12:45:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/synccode/

import Collapse from "../../components/mdx/Collapse.astro";
import Info from "../../components/mdx/Info.astro";
import Success from "../../components/mdx/Success.astro";
import Warning from "../../components/mdx/Warning.astro";
import TimeLine from "../../components/mdx/TimeLine.astro";
import LinkCard from "../../components/mdx/LinkCard.astro";

适用于： - 用 VSCode 管理代码 - fork 了 `某个项目` 并自己改内容 - 上游更新后，想**保留自己改动**并**同步最新代码** ---

前期准备

VSCode （软件）

Git Graph （VSCode插件）

仓库 Clone 到本地

参考视频

您的浏览器不支持 video 标签。

1. 给仓库加上“上游”

# fork仓库默认是有上游的，使用命令查看远程信息
git remote -v

可看到origin、upstream 若没有upstream则执行如下代码

git remote add upstream https://github.com/YYsuni/2025-blog-public.git

2. 拉取远程仓库代码，确保本地与远程仓库一致，防止冲突

git pull origin main

3. 抓取上游最新代码到本地

git fetch upstream

4. 打开Git Graph插件

Merge into current branch

记得勾选 No Commit

5. 解决冲突（仅限冲突时）

打开 VSCode 分支管理查看存在冲突的文件。
找到类似下面的标记：

采用当前更改|采用传入的更改|保留双方更改|比较变更

...你原来的内容...

把标记删掉，保留你想要的内容，保存文件。
解决冲突后，暂存文件，commit (点击继续）

---

6. 推送代码到 GitHub

右键 main

Push Branch(推送到远程)

main | origin 即推送成功

至此，便完成了与上游代码的同步!

网易爆米花挂载夸克网盘

KoBari — Tue, 12 May 2026 02:47:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/bmh_openlist/

import Collapse from "../../components/mdx/Collapse.astro";

一、软件准备

Openlist app

选择对应的客户端进行下载，可能需要魔法访问
网易爆米花

二、图文教程

![c1](https://img.131714.xyz/file/blog/Article/bmh_openlist/c1.webp) ## 添加存储 ![c1](https://img.131714.xyz/file/blog/Article/bmh_openlist/c2.webp)

WebDAV策略选择本地代理 Cookie的详细获取方式，查看官方文档

更改用户密码

![c1](https://img.131714.xyz/file/blog/Article/bmh_openlist/c9.webp)

按图中配置来填写

GitHub连接失败解决方法

KoBari — Sat, 09 May 2026 13:32:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/github_connect/

GitHub 连接失败：Failed to connect to github.com port 443 解决方案

在使用 Git 进行 push 或 pull 操作时，如果遇到 fatal: unable to access... Failed to connect to github.com port 443 报错，通常是因为开启了 VPN（梯子）导致系统代理端口与 Git 代理配置不一致，或者在关闭 VPN 后 Git 仍残留了无效的代理设置。

场景一：在使用代理（梯子）时报错

原因：Git 无法自动识别系统的代理通道，需要手动指定端口。

查看系统代理端口：

进入：设置 -> 网络和 Internet -> 代理。
查看“手动设置代理”中的端口号（常见端口如：7890、1080、4780 等）。

同步 Git 代理配置：打开终端（cmd 或 PowerShell），执行以下命令（将 7890 替换为你实际查看到的端口号）：

# 设置 HTTP 代理
git config --global http.proxy 127.0.0.1:7890

# 设置 HTTPS 代理
git config --global https.proxy 127.0.0.1:7890

生效验证：

建议先执行 ipconfig /flushdns 刷新 DNS 缓存。
再次尝试 push 或 pull 即可恢复正常。

场景二：在未开启代理时报错

原因：之前配置过 Git 代理，但在关闭 VPN 后，Git 仍在尝试通过已失效的端口连接网络。

解决办法：直接清除 Git 的全局代理设置，让其回归直连模式。

取消代理配置：在终端执行以下命令：

git config --global --unset http.proxy
git config --global --unset https.proxy

再次尝试：此时 Git 将使用系统默认网络连接，问题通常迎刃而解。

💡 进阶技巧：如何快速检查当前代理状态？

如果你不确定 Git 当前是否配置了代理，可以使用以下命令查看：

git config --global --get http.proxy
git config --global --get https.proxy

如果返回为空，说明当前未设置代理；如果返回了 IP 和端口，请确保该端口与你当前的 VPN 软件一致。

Saas 优选

KoBari — Mon, 04 May 2026 10:03:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/saas/

一、DNS 配置

回源地址（A 记录） 将 SaaS 回源指向源站 IP： saas -> 7.7.7.7
优选 CNAME 配置 CDN 优选入口： cdn -> cf.090227.xyz
待优选地址 定义需要进行链路优化的子域： 123 -> 优选地址
优选域名 CNAME 将业务域名接入优选链路： 321 -> cdn.domain

**⚠️回源地址和带优选地址的DNS记录要打开小黄云**

二、SaaS 配置

配置回退源（Fallback Origin） 填写： saas.domain
添加主机名（Custom Hostname） 自定义主机名： 321.domain
TLS 版本 选择 TLS 1.2（兼顾安全性与兼容性）
验证方式 选择 HTTP 验证
源服务器（Origin Server） 选择 自定义（Custom），并填写： 123.domain

三、效果对比

优选前：

优选后：

Git 安装与推送到 GitHub

KoBari — Sat, 18 Apr 2026 00:14:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/git/

一、什么是 Git？

Git 是一个分布式版本控制工具，用于管理代码历史记录，并方便与他人协作开发。

二、安装 Git

1. Windows 安装

打开官网：Git
下载 Windows 安装包
双击安装，一路点击 Next 即可
安装完成后，打开终端输入：

git --version

三、创建并推送新仓库到 GitHub

git init 
git add README.md
git commit -m "第一次提交"
git branch -M main
git remote add origin https://github.com/zxy131714/demo.git
git push -u origin main

📌 说明：

git init：初始化仓库
git add：添加文件
git commit：提交到本地仓库
git branch -M main：设置主分支为 main
git remote add origin：绑定远程仓库
git push：推送到 GitHubgit push ：推送到 GitHub

四、推送已有本地仓库到 GitHub

如果你已经有本地项目，只需执行：

git remote add origin https://github.com/用户名/仓库名.git
git branch -M main
git push -u origin main

《电锯人：蕾塞篇》观后感

KoBari — Wed, 08 Apr 2026 17:26:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/chainsaw_man/

“…TO BE HONEST…
I’VE NEVER BEEN TO SCHOOL EITHER…”

这一句，蕾塞的 告白，带着深深的遗憾和无奈。她的 命运 从一开始就被注定，作为恶魔的使者，她无法选择自己的路。与电次的短暂关系，原本是她的一丝挣扎与希望，但最终她依然选择 赴约 ，而不是安全 撤离。这并非单纯的爱情，而是对命运的无声妥协。

在咖啡馆附近的小巷里，她被玛奇玛找到，最终被天使恶魔斩杀。她的死亡，象征着她无力逃脱命运的束缚。那句 “老实说，我也没去过学校”，不仅是她对自己无知的 自嘲，更是她无法选择自己人生的 痛苦写照。

To The Infinite Castle

KoBari — Mon, 05 Jan 2026 18:53:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/infinite_castle/

坠入无限城

我妻善逸

无限城第一章落幕

Apple 非国区ID注册教程

KoBari — Thu, 18 Sep 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/appleid/

import Collapse from "../../components/mdx/Collapse.astro"; import Info from "../../components/mdx/Info.astro"; import Warning from "../../components/mdx/Warning.astro"; import TimeLine from "../../components/mdx/TimeLine.astro";

本教程适用于需要注册 Apple 非国区（如美区、日区等）ID的用户，建议自用，勿用于灰产。

前期准备

一个邮箱（QQ、谷歌、微软等常见邮箱均可）
官方网址：注册地址
一个自用的手机号

请勿使用虚假信息注册，避免账号被封。

操作流程

图文教程

注册完成后，你可以在 App Store 下载国区无法获取的应用（如部分代理软件等）。

🚀 Umami 官方CSV数据导入自建Umami后端MySQL/PostgreSQL数据库

KoBari — Thu, 14 Aug 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/umami-migration/

import Info from "../../components/mdx/Info.astro";
import Warning from "../../components/mdx/Warning.astro";
import Success from "../../components/mdx/Success.astro";
import Collapse from "../../components/mdx/Collapse.astro"; import FriendCard from "@/components/mdx/FriendCard.astro"; import LinkCard from "../../components/mdx/LinkCard.astro";

🚀 Umami 官方CSV数据导入自建Umami后端MySQL/PostgreSQL数据库

需要将Umami云服务的CSV数据导入到自建MySQL或PostgreSQL数据库的完整解决方案。 ## 介绍

说起Umami，相信很多朋友都在用它来做网站分析。界面简洁，功能也挺全面的，确实是个不错的选择。不过呢，如果你用的是Umami Cloud的免费版本，时间长了可能就会发现一些限制了——比如数据保留时间不够长，或者想分析更多域名但额度不够用。

这时候，很多人就会考虑：要不自己搭一个Umami？但问题来了，之前在云端积累的那些数据怎么办？总不能就这么丢了吧？

别担心，这篇教程就是来解决这个问题的。我会手把手教你怎么把Umami Cloud上的数据完整地迁移到自己搭建的Umami上，让你的数据分析不中断，还能享受自托管的各种好处。

如果您还没有自己的服务器或Umami实例，可以先查看我的博客文章《Umami + Neon + Vercel：免费搭建隐私友好的自己的Umami后端网站分析系统》，了解如何免费搭建自己的Umami服务。

核心思路

官方数据导出
读取CSV → 清洗数据 → 分表插入
MySQL使用INSERT IGNORE，PostgreSQL使用ON CONFLICT DO NOTHING
批量处理提升性能

⚠️ **安全提醒**：请替换配置中的数据库连接信息为您自己的，不要在代码中硬编码敏感信息。

关键配置

MySQL版本

import pymysql
MYSQL_CONFIG = {
    'host': 'your-mysql-host.com',
    'port': 3306,
    'database': 'umami',
    'user': 'your_username',
    'password': 'your_password'
}

PostgreSQL版本（Neon数据库）

import psycopg2
POSTGRES_CONFIG = {
    'host': 'your-project-pooler.region.aws.neon.tech',
    'port': 5432,
    'database': 'your_database',
    'user': 'your_username',
    'password': 'your_password',
    'sslmode': 'require'
}
# 或者直接使用连接字符串
POSTGRES_URL = 'postgresql://username:password@host:port/database?sslmode=require&channel_binding=require'

连接字符串解析：

组件	示例值	说明
协议类型	`postgresql://`	PostgreSQL数据库协议标识
用户名	`username`	数据库用户名
密码	`password`	数据库密码
分隔符	`@`	认证信息与服务器地址的分隔符
主机地址	`host.pooler.region.aws.neon.tech`	数据库服务器地址（Neon格式）
端口	`5432`	数据库连接端口
数据库名	`database`	目标数据库名称
SSL模式	`sslmode=require`	SSL连接必须加密
通道绑定	`channel_binding=require`	通道绑定安全验证

数据库差异对比

特性	MySQL	PostgreSQL
去重语法	`INSERT IGNORE`	`ON CONFLICT DO NOTHING`
字段引用	`field`	"field"
连接库	pymysql	psycopg2
UUID类型	VARCHAR(36)	UUID
时间戳	DATETIME	TIMESTAMP

📥 完整代码生成

由于代码较长，完整版本已通过上方网页自行生成，包含以下功能：

✅ 支持MySQL和PostgreSQL双数据库
✅ 自动数据清洗和验证
✅ 批量插入和去重处理
✅ 完善的错误处理机制
✅ 实时进度显示和统计

主要模块：

数据库连接管理
CSV数据读取和清洗
批量数据插入
结果验证和统计 🚀 使用说明

安装依赖包

pip install pandas numpy pymysql psycopg2-binary

修改配置

根据您的实际数据库信息修改配置参数：

数据库连接信息
CSV文件路径
目标website_id

选择数据库类型

脚本会提示您选择MySQL或PostgreSQL，然后自动处理数据导入。

⚠️ 使用前须知 安全提醒：

请替换配置中的数据库连接信息为您自己的
不要在代码中硬编码敏感信息
建议使用环境变量存储数据库密码
运行前请备份您的数据库

注意事项：

确保目标数据库有足够的存储空间
建议在测试环境先验证导入流程
大数据量导入可能需要较长时间

🤝 特别感谢

在数据导入后端的实现过程中，得到了以下朋友的大力帮助：

📚 参考资料

本文参考了以下资源：

Umami数据导出与迁移实践 - 提供了数据迁移的思路和方法
完整的Python导入脚本由AI辅助生成，经过实际测试验证

感谢开源社区的分享精神，让技术知识得以传播和改进。如果这篇文章对您有帮助，也欢迎分享给更多需要的朋友。

🚀 Umami + Neon + Vercel：免费搭建隐私友好的自己的Umami后端网站分析系统

KoBari — Fri, 08 Aug 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/umamicourse/

import Info from "../../components/mdx/Info.astro"; import Warning from "../../components/mdx/Warning.astro"; import Success from "../../components/mdx/Success.astro"; import Collapse from "../../components/mdx/Collapse.astro"; import LinkCard from "../../components/mdx/LinkCard.astro"; import Kbd from "../../components/mdx/Kbd.astro";

📝 一、前提条件

前提准备：

✅ 一个 GitHub 账号（用于 fork & 部署）
✅ 一个 Vercel 账号（免费可用）
✅ 一个 Neon 账号（免费 PostgreSQL 数据库）
✅ 基础 Node.js / Git 操作知识（非强制）

🗄️ 二、什么是 Neon？

Neon 是一个现代化的 PostgreSQL 数据库服务，提供无服务器架构、自动扩缩容和分支功能，非常适合现代 Web 应用。

🧩 三、什么是 Umami？

Umami是一个轻量级、隐私优先的网站分析工具：

🔍 实时访问分析
🌐 支持多个网站
📊 自定义事件追踪
💰 免费部署
🍪 不依赖 cookie

🛠️ 四、在 Neon 上部署 PostgreSQL 数据库

打开 https://neon.tech/ 并注册登录
创建新项目，选择合适的区域
获取数据库连接信息

Neon 提供免费的 PostgreSQL 数据库，非常适合小型项目使用！

🚀 五、在 Vercel 上部署 Umami

1. Fork 仓库

前往 umami 仓库，点击 Fork。

2. 在 Vercel 导入仓库

登录 Vercel，点击 New Project → Import Git Repository
选择你 Fork 的 umami 仓库
设置环境变量（Environment Variables）：

HASH_SALT=任意字符串（用于密码加盐，建议随机生成） 
DATABASE_TYPE=postgresql 
DATABASE_URL=postgresql://<user>:<password>@<host>:<port>/umami

⚠ 将 <user> <password> <host> <port> 替换为 Neon 提供的连接信息

点击 Deploy 部署。

✅ 六、访问 Umami 后台

打开部署成功后的地址，例如：
```
https://umami-yourproject.vercel.app
```
默认管理员账号：
```
用户名：admin
密码：umami
```
登录后务必修改默认密码。

📦 七、在网站中嵌入统计代码

在你的网站 <head> 或 </body> 前插入以下代码：

<script defer
  src="https://umami-yourproject.vercel.app/script.js"
  data-website-id="你的网站ID"
></script>

data-website-id：在 Umami 后台“添加网站”时会生成一个 UUID
支持多个站点，每个站点生成独立的 ID

📊 八、功能预览

Umami 提供丰富的分析功能：

📈 实时访问统计
📄 页面访问量、跳出率、平均停留时间
🌍 访客来源、设备、浏览器、操作系统
🎯 自定义事件追踪（如点击按钮、提交表单）

📚 九、参考资料

Umami 文档：https://umami.is/docs
GitHub 仓库：https://github.com/umami-software/umami
Neon 官网：https://neon.tech/
Vercel 官网：https://vercel.com/

WordPress动态网站托管在InfinityFree平台

KoBari — Mon, 04 Aug 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/infinityfree/

import Info from "../../components/mdx/Info.astro";
import Warning from "../../components/mdx/Warning.astro";
import Success from "../../components/mdx/Success.astro";
import Collapse from "../../components/mdx/Collapse.astro";
import LinkCard from "../../components/mdx/LinkCard.astro";

1、前期准备

在开始部署之前，您需要准备以下资源：

EdgeOne CDN账号（可选，用于网站加速。如使用InfinityFree提供的免费域名，国内访问速度较慢）
InfinityFree账号（免费主机服务商）
域名（可选，也可使用InfinityFree平台提供的免费域名）

使用免费域名虽然成本为零，但在国内访问速度和稳定性方面可能存在限制。建议有条件的用户购买独立域名以获得更好的用户体验。

2、平台介绍

InfinityFree平台介绍

InfinityFree 是一个知名的免费虚拟主机服务商，提供以下特性：

约 5 GB 磁盘空间和大额度流量（受每日访问次数和资源使用限制）
支持 PHP 8.x 和 MySQL 数据库
免费 SSL 证书（支持 Let's Encrypt）
自带 VistaPanel 控制面板（类似 cPanel）
支持绑定自定义域名和创建子域名

EdgeOne介绍

EdgeOne是腾讯云的边缘计算平台，主要优势：

针对中国大陆网络环境优化
智能路由和加速
DDoS防护和安全防护
支持动态和静态内容加速

3、EdgeOne账号注册

访问 EdgeOne官网
点击"立即注册"按钮
填写手机号码并获取验证码
设置登录密码
完成实名认证（企业或个人）
激活账号并登录控制台

EdgeOne目前不提供免费额度，但最近有活动可以获取免费套餐。访问 [**_活动网址_**](https://edgeone.ai/get-free-plan?from=marketing_banner) 进行测速分享可以获得两个免费套餐。

4、InfinityFree账号注册

访问 InfinityFree官网
点击"Create Account"
填写邮箱地址和密码
验证邮箱（检查垃圾邮件文件夹）
登录客户端面板
创建新的主机账户

注册成功后，您将获得一个免费的子域名，格式通常为：yourusername.infinityfreeapp.com

5、InfinityFree详细安装WordPress教程

步骤1：创建主机账户

步骤2：选择计划

步骤3：选择域名

步骤4：打开管理界面

步骤5：访问控制面板

步骤6：安装WordPress

步骤7：配置WordPress

验证安装结果

安装完成后，使用平台提供的域名访问您的网站：

要访问后台管理界面，在域名后添加 /wp-admin，使用管理员账户登录：

如果您已经在其他地方部署过WordPress，可以将主题文件和数据库文件迁移过来。

6、配置EdgeOne CDN加速

EdgeOne不提供免费使用，但最近有活动可以获取免费套餐。访问 [**_活动网址_**](https://edgeone.ai/get-free-plan?from=marketing_banner) 进行测速分享可以获得两个免费套餐。

6.1 添加站点

需要使用自己购买的一级域名，否则无法添加站点。目前免费域名无法添加，EdgeOne需要验证域名归属权。

登录EdgeOne控制台
点击"添加站点"
输入您的域名
选择获得的免费套餐
完成站点添加

6.2 域名配置流程

步骤1：添加域名

步骤2：DNS配置

步骤3：HTTPS配置

6.3 WordPress站点地址配置

在WordPress后台管理界面，将站点地址和WordPress地址改为您的自定义域名：

6.4 加速效果对比

配置EdgeOne CDN前后的访问速度对比：

配置前（直接访问）：

配置后（CDN加速）：

配置完成后，您的WordPress网站将通过EdgeOne CDN进行全球加速，显著提升访问速度和用户体验！

总结

通过本教程，您已经成功完成：

✅ 注册EdgeOne和InfinityFree账号
✅ 在免费主机上部署WordPress
✅ 配置CDN加速服务
✅ 优化网站性能和安全性

建议定期备份网站数据，监控网站性能，并根据实际需求调整CDN配置以获得最佳效果。

🛠️ 少年游未尽，我在折腾中成长

KoBari — Sun, 27 Jul 2025 08:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/growth-log/

🚀 从 0 到 1：我的折腾记录

这一段时间，**从完全不会建站，到现在能搭博客、部署评论、玩 Cloudflare 和图床、用 Git 管理项目、自己写页面**…

虽然大多数东西都是现学现用、边查边做，但也正是这种折腾，带来了最大的成就感。

也许我的站点看起来不够"高级"，但它的每一个页面、每一个功能，都是我亲手一点点折腾出来的。

⏳ 技术成长时间线

🧊 1. 从 SMB 共享开启的观影时代

最早的一次技术折腾，就是想在 iPad 上看电脑里的影视剧。
以前都是先下载、再传输、再播放，贼麻烦。
后来发现了 Infuse 这个 App，居然支持 SMB 共享挂载，直接串流播放电脑里的视频，太牛了！

配置 SMB 的过程也让我第一次接触到了局域网共享，设置路径、权限、文件夹访问…手把手学会，体验一下子上了好几个台阶。

🧰 2. Alist + Cloudflare Tunnel：让本地文件飞起来

Infuse 后，我开始思考——能不能在外面也访问我本地的文件？

查资料的时候遇到一个神器项目：Alist，能把本地文件挂载成一个网页浏览器，简直绝了！

但问题来了：我没有服务器、也没有公网 IP，怎么让别人访问我本地的服务？

查着查着，发现了 Cloudflare Tunnel，直接内网穿透！完美解决。

我还顺便买了人生中第一个阿里云域名，算是真正迈出了"站长第一步"。

⚠️ **重要更新**：原来的 Alist 项目已经转手，出于安全考虑，我后面改用了 Alist 的 Fork 项目 **OpenList**。 --- 感兴趣的可以查看我的博客部署教程：[OpenList 本地部署指南](https://hub.131714.xyz/blog/openlist/)

也可以查看 OpenList 官方文档。我目前使用的就是 OpenList。

🌐 3. 初识 GitHub 博客：惊为天人

偶然在 B 站刷到 Vue 搭建的博客项目，被界面惊艳到。

于是跟着部署教程，第一次认真使用 GitHub：

clone 仓库
配置 token
提交 push
配置 Actions 自动部署

边学边感叹：GitHub 这东西也太香了吧！

🧱 4. WordPress 本地部署：玩转 XAMPP

又被一个叫 Argon 的 WordPress 主题种草，UI 那叫一个顺眼。

但没有服务器怎么办？查了一圈，找到了 XAMPP！

Windows 本地环境 + WordPress + 本地数据库，一通操作下来终于跑起来了。

还写了几篇文章当博客玩：

Git 使用教程
Hive 离线数仓
数据挖掘学习笔记

🖼️ 5. 折腾图床系统：PicGo 到 Telegram + R2

发博客时最头疼的是图片——不能总传本地图吧？

✅ 第一阶段：PicGo + GitHub 仓库图床

体验很好，但问题是 GitHub 仓库一堆图片又丑又乱，还经常加载慢。

📷 第二阶段：Telegram 图床 + 网页 UI 管理界面

TG 频道 + Bot + WebUI，拖拽上传即生成直链链接，还能预览、分类，堪比小型图床相册系统，视觉体验拉满！

上传逻辑是 Bot 转发图片 → Web UI 生成链接 → 自动绑定图床地址，真的像做了个小产品！

☁️ 第三阶段：Cloudflare R2 加入图床系统

为了更快访问速度，还接入了 Cloudflare R2 存储，图像资源全部走 CDN 加速。

💠 6. 二次元风格主题：Boxmoe 模板真香！

刷到一个 up 主博客样式爆炸好看，一查发现是 Boxmoe 的 lolimeow 主题。

二次元 UI 完美戳中我审美，立马动手换主题 + 调样式，直接美化！

🧍 7. 个人主页整合

既然有博客了，也顺便做了个导航页，整合我做过的项目、图床、博客、API 端口等等。
像一张属于自己的 ID 卡。

📁 8. 静态博客 + 自定义改造

被某个静态博客模板种草后 fork 下来，开始一步步魔改：

接下来就是嘎嘎一顿造哈，改成我现在这个博客的样子

理解项目结构
修改首页 / 页面布局
添加新菜单
迁移 WordPress 上的文章
自定义样式、主题配色

学到的远比想象的多！

💬 9. 评论系统的思考：Giscus vs Waline

想要博客有互动，那就得有评论。

经过对比，我倾向于选择 Giscus 方案：

基于 GitHub Discussions，无需额外服务器
读者可以直接用 GitHub 账号参与讨论
对技术博客来说更加合适

虽然还没有实际部署，但这个想法很符合我"折腾"的精神 —— 总是在寻找更好的解决方案！

📊 10. Umami 网站统计 + 自定义模块

用 Umami 加入访问数据统计后，博客体验更完整了：

每日访问量
热门文章
访问来源等

还尝试接入 token 获取实时浏览量，用异步方式加载失败，服务端渲染也不理想，暂时搁置（以后再研究）。

🔍 11. 微软 Clarity：深入了解用户行为

在有了 Umami 的基础统计后，我开始想要更深入地了解用户在网站上的具体行为。

发现了微软的 Clarity 工具，提供热力图、用户录屏、点击分析等功能，完全免费！配合 Umami 使用，数据分析更全面。 --- - **Umami**：注重隐私保护，提供基础的访问统计 - **Clarity**：提供详细的用户行为分析，包括热力图和会话录制 - **组合使用**：两者互补，既保护隐私又获得深度洞察 ![Clarity展示](https://img.131714.xyz/file/blog/Article/growth-log/p02.webp) ---

🧭 12. 搭建导航页

把常用网站整理成卡片组件样式，每次开博客就能快速进入常用页面，整洁又实用！

🎉 最后的话

也许在别人眼里，这些折腾显得 “麻烦”“没必要”，
但我始终相信：

成长、眼界的拓宽，正是从一次次主动探索中，一点点积累起来的。

💡 生活嘛，总得做些自己真正感兴趣的事吧？
只要你热爱，它就值得你投入。
拥有一个属于自己的小世界，也挺酷的。

从一开始的一窍不通,到如今能：

搭博客
配评论系统
折腾 Cloudflare 和图床
用 Git 管理项目
甚至亲手改写前端页面

哪怕是 现学现用、边查边做、解决不了就问 AI，
这个 “从零到一” 的过程，
就是最让人上头、也最有成就感的地方。

很多个夜晚，我都一搞就到天亮，
完全沉浸在专注与创造的喜悦中。
那种满足感，是其他事情难以带来的。

🌼🍶 欲买桂花同载酒，终不似，少年游。

年少的轻狂与热爱，终究会被时间温柔收起，
但只要我们还在为热爱的事投入时间，
那份“少年气”，就从未真正离开过。

❤️ 最后，

感谢那个愿意折腾、肯深夜啃文档的自己，
也希望看到这篇文章的你，
也能勇敢开启，属于你的探索之旅。✨

想折腾？那就现在开始吧。你会发现，这条路其实很有趣。

🚀 Data Struct Sort

KoBari — Fri, 25 Jul 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/sort/

🚀 Data Struct Sort

快速排序

list = [1, 6, 9, 2, 5, 0, 7, 3]
def quickSort(list, low, high):
    if (low < high):
        pivot = huafen(list, low, high) # 取基准
        quickSort(list, low, pivot - 1) #左子区
        quickSort(list, pivot + 1, high) #右子区
def huafen(list, low, high):
    pivot = list[low] #定基准
    # 判断是否有小于pivot的值，没有则往左以此检查
    while(low < high and list[high] > pivot):
        high -= 1
    list[low] = list[high]
    # 判断是否有大于pivot的值，没有则往右以此检查
    while(low < high and list[low] <= pivot):
        low += 1
    list[high] = list[low]
    # 放回pivot (因为最后low=high，所以这里写low或者是high都相同)
    list[low] = pivot
    # 返回基准索引
    return low
if __name__ == "__main__":
    print('排序前：', list)
    quickSort(list, 0, len(list) - 1)
    print('排序后：', list)

排序前： [1, 6, 9, 2, 5, 0, 7, 3]
排序后： [0, 1, 2, 3, 5, 6, 7, 9]

#include <stdio.h>
// 划分函数（类似于 Python 的 huafen）
int partition(int arr[], int low, int high) {
    int pivot = arr[low];   // 选择第一个元素作为基准
    while (low < high) {
        // 从右往左找比 pivot 小的元素
        while (low < high && arr[high] > pivot) {
            high--;
        }
        arr[low] = arr[high];  // 把小的值移到左侧
        // 从左往右找比 pivot 大的元素
        while (low < high && arr[low] <= pivot) {
            low++;
        }
        arr[high] = arr[low];  // 把大的值移到右侧
    }

    // 放回 pivot
    arr[low] = pivot;
    return low;  // 返回基准索引
}

// 快速排序递归实现
void quickSort(int arr[], int low, int high) {
    if (low < high) {
        int pivot = partition(arr, low, high);  // 划分
        quickSort(arr, low, pivot - 1);  // 递归排序左侧
        quickSort(arr, pivot + 1, high); // 递归排序右侧
    }
}
// 打印数组
void printArray(int arr[], int size) {
    for (int i = 0; i < size; i++) {
        printf("%d ", arr[i]);
    }
    printf("\n");
}
// 主函数
int main() {
    int arr[] = {1, 6, 9, 2, 5, 0, 7, 3};
    int size = sizeof(arr) / sizeof(arr[0]);
    printf("排序前：");
    printArray(arr, size);

    quickSort(arr, 0, size - 1);

    printf("排序后：");
    printArray(arr, size);
    return 0;
}

堆排序

// 建立大根堆
void BuildMaxHeap(int A[], int len){
    for(int i = len / 2;i > 0;i--)  // 从后往前调整所有非终端结点
        HeadAdjust(A, i, len);
}

// 将以K为根的字树调整为大根堆
void HeadAdjust(int A[],int k,int len){
    A[0] = A[k];                        // A[0]暂存子树的根节点
    for(int i = 2 * k;i <= len;i*=2){   // 沿key较大的子结点向下筛选
        if(i < len && A[i] < A[i+1])
            i++;                        // 取key较大的子结点下标
        if(A[0] >= A[i])    break;      // 筛选结果
        else{
            A[k] = A[i];                // 将A[i]调整到双亲结点上
            k = i;                      // 修改k值，以便继续向下筛选
        }
    }
    A[k] = A[0];                        // 被筛选结点的值放入最终位置
}
    
// 堆排序的完整逻辑
void HeapSort(int A[], int len){
    BuildMaxHeap(int A[], int len);
    for (int i=len;i>1;i--){
        swap(A[i], A[1]);
        HeadAdjust(A,1,i-1);
    }
}

归并排序

int *B = (int *)malloc(n*sizeof(int));  //辅助数组B
// A[low~mid]和A[mid+1~high]各自有序，将两部分进行合并
void Merge(int A[], int low, int mid, int high){
    int i, j, k;
    // 将A中所有元素复制到B中
    for(k=low;k<=high;k++){
        B[k] = A[k]；
    }
    for(i=low,j=mid+1,k=i;i<=mid&&j<=high;k++){
        if(B[i]<=B[j])
            A[k] = B[i++];
        else
            A[k] = B[j++];
    }
    while(i<=mid)   A[k] = B[i++];
    while(j<=high)  A[k] = B[j++];
}

void MergeSort(int A[], int low, int high){
    if(low<high){
        int mid = (low+high) / 2;   // 从中间划分
        MergeSort(A, low, mid);     // 对左半部分归并排序
        MergeSort(A, mid+1,high);   // 对右半部分归并排序
        Merge(A,low,mid,high);      // 归并
    }
}

// 思路：调用 MergeSort 函数将数组划分为两部分，依此递归调用 MergeSort 函数，将左半部分排序好后，对右半部分进行排序，最后将排序好的两部分进行归并排序

📦 PicGo + GitHub 图床搭建指南

KoBari — Tue, 22 Jul 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/picgogithub-imgbed/

搭配使用 PicGo 和 GitHub，可构建一个稳定、免费的图床，非常适合博客、文档插图等静态资源管理。

🚧 流程概述

创建 GitHub 仓库
安装 PicGo 客户端
获取 GitHub Token
PicGo 配置 GitHub 图床
上传测试，自动生成图片链接

🔧 准备工作

✅ 一个 GitHub 账号：👉 https://github.com
✅ 一个公开仓库（建议命名为 picbed 或类似）

🛠️ 安装 PicGo

主下载地址：👉 PicGo Releases
备用下载： 👉 点击下载 PicGo 2.3.1 x64
支持系统：Windows / macOS / Linux

⚙️ 配置 GitHub 图床

打开 PicGo → 左侧选择【图床设置】 → 添加图床类型：GitHub
填写以下信息：

设置项	示例
仓库名	`yourusername/picbed`
分支名	`main`（或 `master`）
Token	生成 GitHub Token，勾选 `repo` 权限
存储路径	`img/`（可选）
自定义域名	`https://raw.githubusercontent.com`（或 CDN 加速域名）

设置完毕后，点击「设为默认图床」，并保存配置 ✅

🚀 上传使用

打开 PicGo 主界面 → 拖拽图片或点击选择图片上传
上传成功后，自动复制 Markdown 格式链接到剪贴板：

![image](https://raw.githubusercontent.com/yourusername/picbed/main/img/yourimage.png)

📌 推荐使用 jsDelivr CDN 加速：

https://cdn.jsdelivr.net/gh/yourusername/picbed@main/img/yourimage.png

📁 实操截图

1. GitHub 注册与创建仓库

👉 点击注册 GitHub 账号

2. 创建 GitHub Token

3. PicGo GitHub 图床配置

📁 添加图床配置：

📝 填写配置信息：

💾 保存后查看图床列表：

🌐 GitHub Pages 简介（可选加速）

GitHub Pages 是 GitHub 提供的免费静态网站托管服务，可用于自定义域名/CDN 加速等。

✅ 特点

🆓 免费的子域名（如：username.github.io）
🔧 支持绑定自定义域名（如 www.example.com）
⚙️ 支持 Jekyll 等静态站点生成器
🚀 推送即部署，无需服务器配置

🚀 启用方法

创建公开仓库 yourname.github.io
上传 HTML/CSS/JS 等网页文件
打开仓库 → Settings → Pages
选择发布源（如 main 分支 /root 路径）
稍等几秒，即可访问公开站点！

📸 页面配置示意：

🎉 至此，PicGo + GitHub 图床搭建完成！

如需进一步优化（CDN、备份、自动命名等），可探索 PicGo 插件或绑定自定义域名。

🚀 欢迎将此方案用于博客、笔记、技术文档等静态资源托管！

🌟 OpenList本地部署（Windows）！

KoBari — Mon, 21 Jul 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/openlist/

🎉 OpenList 本地部署指南（Windows）

📁 1. 文件准备

⚠️ 注意：原 Alist 项目已被出售，存在数据安全隐患，推荐使用 OpenList 替代。

🔗 官方下载地址： 👉 OpenList Releases（GitHub）

📌 请根据你的 Windows 系统架构选择对应版本下载，推荐默认下载后缀为 amd64 的 ZIP 文件。

🚀 2. 启动本地服务

解压下载的 ZIP 文件，默认仅包含 openlist.exe 文件。启动后会自动生成 data 目录，其他脚本为后续设置自启动使用。
进入该目录，在地址栏输入 cmd 回车，打开命令行窗口，执行以下命令启动服务：
```
openlist.exe server
# 或者
openlist server
```
启动成功后，命令行窗口将输出如下内容：

🌐 3. 访问 OpenList UI 页面

🔗 浏览器输入以下任一地址访问 Web UI：

http://localhost:5244
http://127.0.0.1:5244

📌 默认账号密码如下：

用户名： admin
密码： 启动服务时生成（可后续修改）

📂 登录后即可看到已挂载的网盘、本机存储等资源：

⚙️ 更多配置可在页面底部的管理栏中完成，如：存储添加、用户管理等。

📖 官方文档（强烈推荐查阅）： 📘 OpenList 使用文档

🔄 4. 设置开机自启动

📦 自启动脚本下载地址： 📥 点击下载（run.vbs 脚本）

📌 步骤如下：

将下载的脚本放入 OpenList 安装目录。
为 run.vbs 创建快捷方式。
按下 Win + R，输入 shell:startup 并回车。
将快捷方式拖入打开的启动目录中：

✅ 部署完成！

🎉 至此，OpenList 本地部署已经全部完成，快去享受属于自己的私有网盘服务吧！

🚀 数据挖掘（DataMing）

KoBari — Thu, 19 Jun 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/datamining/

帕累托图

帕累托图（Pareto Chart）是一种结合了柱状图和折线图的统计图表，常用于显示各因素的频数及其累计百分比，帮助识别主要问题或关键因素。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = 'SimHei'
# 示例数据：类别及对应频数
data = {
    '类别': ['A', 'B', 'C', 'D', 'E', 'F'],
    '频数': [120, 90, 60, 30, 20, 10]
}

df = pd.DataFrame(data)

# 按频数降序排序
df = df.sort_values(by='频数', ascending=False).reset_index(drop=True)

# 计算累计频数及累计百分比
df['累计频数'] = df['频数'].cumsum()
df['累计百分比'] = 100 * df['累计频数'] / df['频数'].sum()

# 创建双轴图
fig, ax1 = plt.subplots()

# 绘制柱状图 - 频数
ax1.bar(df['类别'], df['频数'], color='C0')
ax1.set_ylabel('频数', color='C0')
ax1.tick_params(axis='y', labelcolor='C0')

# 创建第二个纵轴 - 累计百分比
ax2 = ax1.twinx()
ax2.plot(df['类别'], df['累计百分比'], color='C1', marker='D', ms=7)
ax2.yaxis.set_major_formatter(plt.PercentFormatter())
ax2.set_ylabel('累计百分比', color='C1')
ax2.tick_params(axis='y', labelcolor='C1')
ax2.set_ylim(0, 110)

# 标题和布局
plt.title('帕累托图示例')
plt.tight_layout()
plt.show()

ROC曲线

ROC（Receiver Operating Characteristic）曲线 是用于二分类模型性能评估的重要工具，特别适合不均衡数据集。它反映了分类器在不同阈值下的**假阳性率（False Positive Rate, FPR）与真阳性率（True Positive Rate, TPR）**的关系。
- 真阳性率（TPR）：也叫召回率，表示被正确识别为正类的比例。计算公式：TPR = TP / (TP + FN)
- 假阳性率（FPR）：错误地被识别为正类的负类比例。计算公式：FPR = FP / (FP + TN)
ROC曲线是以FPR为横轴，TPR为纵轴绘制的曲线，越接近左上角（FPR低，TPR高）说明模型越好。
AUC（Area Under Curve） 是ROC曲线下的面积，表示模型整体的分类能力。AUC越接近1越好，0.5相当于随机猜测。

import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification
import matplotlib as mpl

# 设置中文字体
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定字体为 SimHei（黑体）
mpl.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 生成模拟二分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测测试集正类概率
y_score = model.predict_proba(X_test)[:, 1]

# 计算假阳性率（FPR）、真阳性率（TPR）和阈值
fpr, tpr, thresholds = roc_curve(y_test, y_score)

# 计算 AUC 值
roc_auc = auc(fpr, tpr)

# 绘制 ROC 曲线
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, color='blue', lw=2, label=f'ROC 曲线 (AUC = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], color='gray', linestyle='--', lw=2)  # 随机猜测参考线
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('假阳性率（False Positive Rate）')
plt.ylabel('真阳性率（True Positive Rate）')
plt.title('ROC 曲线示例')
plt.legend(loc="lower right")
plt.show()

数据挖掘算法

回归

特点

目标：预测连续值
模型：连续函数 $f(X) \rightarrow Y$
常用指标：MAE、MSE、MedAE、R2R^2、EVS

线性回归 (Linear Regression)

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error, mean_squared_error, \
                            median_absolute_error, explained_variance_score, r2_score
import pandas as pd

# 1⃣ 读取数据
# 读取数据文件 'financial.csv'，数据集包含自变量 X 和因变量 y
data = pd.read_csv("financial.csv")
X = data.drop(columns="target")   # 自变量 X，去掉目标列 'target'
y = data["target"]               # 因变量 y，目标列

# 2⃣ 划分数据集
# 将数据集按 80/20 的比例划分为训练集和测试集，随机种子为 125
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.20, random_state=125)

# 3⃣ 建模与训练
# 使用线性回归模型并对训练数据进行训练
model = LinearRegression().fit(X_train, y_train)

# 4⃣ 预测
# 使用训练好的模型对测试数据进行预测
y_pred = model.predict(X_test)

# 5⃣ 评估
# 输出各种回归评估指标
print("MAE :", mean_absolute_error(y_test, y_pred))         # 平均绝对误差
print("MSE :", mean_squared_error(y_test, y_pred))         # 均方误差
print("MedAE :", median_absolute_error(y_test, y_pred))    # 中位绝对误差
print("EVS :", explained_variance_score(y_test, y_pred))   # 解释方差得分
print("R² :", r2_score(y_test, y_pred))                    # R² 决定系数

逻辑回归（含ROC曲线绘制）

虽名为“回归”，也可以进行二元或多元分类。

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score, \
                            confusion_matrix, roc_curve, auc
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv("financial.csv")
X = data.drop(columns="label")  # 自变量 X
y = data["label"]              # 因变量 y

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.20, random_state=125)

# 初始化逻辑回归模型并训练
clf = LogisticRegression(max_iter=1000).fit(X_train, y_train)
y_pred = clf.predict(X_test)  # 对测试集进行预测

# 输出分类指标
print("Accuracy :", accuracy_score(y_test, y_pred))        # 准确率
print("Precision:", precision_score(y_test, y_pred))       # 精确度
print("Recall   :", recall_score(y_test, y_pred))          # 召回率
print("ConfMat  :\n", confusion_matrix(y_test, y_pred))    # 混淆矩阵

# === ROC 曲线 ===
# 计算预测结果的概率并绘制 ROC 曲线
y_score = clf.predict_proba(X_test)[:, 1]  # 获取正类的概率
fpr, tpr, _ = roc_curve(y_test, y_score)   # 计算假阳性率与真阳性率
roc_auc = auc(fpr, tpr)                    # 计算 AUC 值

# 绘制 ROC 曲线
plt.figure()
plt.plot(fpr, tpr, lw=2, label=f"ROC (AUC={roc_auc:.2f})")
plt.plot([0, 1], [0, 1], "--")             # 参考线：完全随机
plt.xlabel("False Positive Rate")
plt.ylabel("True Positive Rate")
plt.title("ROC Curve — Logistic Regression")
plt.legend()
plt.show()

分类

特点

输出：离散类别
输入：样本属性
训练方式：监督学习
常用指标：Accuracy、Precision、Recall、F1、ROC/AUC

决策树 (Decision Tree)

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score, confusion_matrix
import pandas as pd

# 读取数据
data = pd.read_excel("sales_data.xls")
X = data.drop(columns="label")  # 特征自变量
y = data["label"]              # 目标标签

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.20, random_state=125)

# 创建决策树分类器并训练
dtc = DecisionTreeClassifier(criterion="entropy").fit(X_train, y_train)
y_pred = dtc.predict(X_test)  # 对测试集进行预测

# 输出分类指标
print("Accuracy :", accuracy_score(y_test, y_pred))        # 准确率
print("Precision:", precision_score(y_test, y_pred))       # 精确度
print("Recall   :", recall_score(y_test, y_pred))          # 召回率

K 近邻 (K‑NN)

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris

# 加载 Iris 数据集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.20, random_state=125)

# 创建 K-近邻分类器并训练
knn = KNeighborsClassifier(n_neighbors=5).fit(X_train, y_train)
y_pred = knn.predict(X_test)  # 对测试集进行预测

# 输出准确率
print("Accuracy :", accuracy_score(y_test, y_pred))  # 准确率

支持向量机 (SVM)

from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_digits

# 加载手写数字数据集
digits = load_digits()
X_train, X_test, y_train, y_test = train_test_split(
    digits.data, digits.target, test_size=0.20, random_state=125)

# 创建支持向量机分类器并训练
svc = SVC().fit(X_train, y_train)
# 输出准确率
print("Accuracy :", accuracy_score(y_test, svc.predict(X_test)))  # 准确率

聚类

特点

无监督学习：无需事先标签
根据相似度自动划分簇

K‑Means 示例（含参数寻优）

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据并进行标准化
data = pd.read_excel("air_features.xlsx", index_col="ID")
data_z = (data - data.mean()) / data.std()  # Z-score 标准化

# ========== 固定聚类数为5，进行聚类并输出中心和簇大小 ==========
kmeans_5 = KMeans(n_clusters=5, random_state=3).fit(data_z)

# 聚类中心 + 每簇数量
centers = pd.DataFrame(kmeans_5.cluster_centers_, columns=data.columns)
counts  = pd.Series(kmeans_5.labels_).value_counts().sort_index().rename("数量")
result  = pd.concat([centers, counts], axis=1)
print("K=5 聚类中心及每簇数量：")
print(result)

# ========== 对不同聚类数做指标评估，绘制Inertia和轮廓系数 ==========
sse = []
silhouette_scores = []
K_range = range(2, 11)

for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42).fit(data_z)
    sse.append(kmeans.inertia_)
    silhouette_scores.append(silhouette_score(data_z, kmeans.labels_))

plt.figure(figsize=(10, 4))

plt.subplot(1, 2, 1)
plt.plot(K_range, sse, 'o-', color='blue')
plt.xlabel('聚类数 K')
plt.ylabel('簇内误差平方和 (Inertia)')
plt.title('Inertia - 聚类数与簇内误差平方和关系')

plt.subplot(1, 2, 2)
plt.plot(K_range, silhouette_scores, 's-', color='red')
plt.xlabel('聚类数 K')
plt.ylabel('轮廓系数')
plt.title('轮廓系数法 - 聚类数与轮廓系数关系')
plt.tight_layout()
plt.show()

关联规则

Apriori 算法

import pandas as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules
# 读取用户访问记录数据
info = pd.read_csv("acc_records.csv")
# 1 去重用户IP
user_ips = info["用户IP"].unique()
# 2 构建用户访问列表
url_baskets = [
 info.loc[info["用户IP"] == ip, "URL"].tolist()
 for ip in user_ips
]
# 3 One‑Hot 编码
te = TransactionEncoder()
df = pd.DataFrame(te.fit_transform(url_baskets), columns=te.columns_)
# 4 频繁项集 & 关联规则
freq_itemsets = apriori(df, min_support=0.005, use_colnames=True)
rules = association_rules(freq_itemsets, metric="confidence", min_threshold=0.05)
print(rules.sort_values("lift", ascending=False).head())

Git使用教程

KoBari — Tue, 17 Jun 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/git-use/

Git使用教程

部分命令

一、新建代码库

# 在当前目录新建一个Git代码库
$ git init
# 新建一个目录，将其初始化为Git代码库
$ git init [project-name]
# 下载一个项目和它的整个代码历史
$ git clone [url]

二、配置

# 显示当前的Git配置
$ git config --list
# 编辑Git配置文件
$ git config -e [--global]
# 设置提交代码时的用户信息
$ git config [--global] user.name "[name]"
$ git config [--global] user.email "[email address]"

三、增加/删除文件

# 添加指定文件到暂存区
$ git add [file1] [file2] ...
# 添加指定目录到暂存区，包括子目录
$ git add [dir]
# 添加当前目录的所有文件到暂存区
$ git add .
# 添加每个变化前，都会要求确认
# 对于同一个文件的多处变化，可以实现分次提交
$ git add -p
# 删除工作区文件，并且将这次删除放入暂存区
$ git rm [file1] [file2] ...
# 停止追踪指定文件，但该文件会保留在工作区
$ git rm --cached [file]
# 改名文件，并且将这个改名放入暂存区
$ git mv [file-original] [file-renamed]

四、代码提交

# 提交暂存区到仓库区
$ git commit -m [message]
# 提交暂存区的指定文件到仓库区
$ git commit [file1] [file2] ... -m [message]
# 提交工作区自上次commit之后的变化，直接到仓库区
$ git commit -a
# 提交时显示所有diff信息
$ git commit -v
# 使用一次新的commit，替代上一次提交
# 如果代码没有任何新变化，则用来改写上一次commit的提交信息
$ git commit --amend -m [message]
五、分支
# 重做上一次commit，并包括指定文件的新变化
$ git commit --amend [file1] [file2] ...

五、分支

# 列出所有本地分支
$ git branch
# 列出所有远程分支
$ git branch -r
# 列出所有本地分支和远程分支
$ git branch -a
# 新建一个分支，但依然停留在当前分支
$ git branch [branch-name]
# 新建一个分支，并切换到该分支
$ git checkout -b [branch]
# 新建一个分支，指向指定commit
$ git branch [branch] [commit]
# 新建一个分支，与指定的远程分支建立追踪关系
$ git branch --track [branch] [remote-branch]
# 切换到指定分支，并更新工作区
$ git checkout [branch-name]
# 切换到上一个分支
$ git checkout -
# 建立追踪关系，在现有分支与指定的远程分支之间
$ git branch --set-upstream [branch] [remote-branch]
# 合并指定分支到当前分支
$ git merge [branch]
# 选择一个commit，合并进当前分支
$ git cherry-pick [commit]
# 删除分支
$ git branch -d [branch-name]
# 删除远程分支
$ git push origin --delete [branch-name]
$ git branch -dr [remote/branch]

六、标签

# 列出所有tag
$ git tag
# 新建一个tag在当前commit
$ git tag [tag]
# 新建一个tag在指定commit
$ git tag [tag] [commit]
# 删除本地tag
$ git tag -d [tag]
# 删除远程tag
$ git push origin :refs/tags/[tagName]
# 查看tag信息
$ git show [tag]
# 提交指定tag
$ git push [remote] [tag]
# 提交所有tag
$ git push [remote] --tags
# 新建一个分支，指向某个tag
$ git checkout -b [branch] [tag]

七、查看信息

# 显示有变更的文件
$ git status
# 显示当前分支的版本历史
$ git log
# 显示commit历史，以及每次commit发生变更的文件
$ git log --stat
# 搜索提交历史，根据关键词
$ git log -S [keyword]
# 显示某个commit之后的所有变动，每个commit占据一行
$ git log [tag] HEAD --pretty=format:%s
# 显示某个commit之后的所有变动，其"提交说明"必须符合搜索条件
$ git log [tag] HEAD --grep feature
# 显示某个文件的版本历史，包括文件改名
$ git log --follow [file]
$ git whatchanged [file]
# 显示指定文件相关的每一次diff
八、远程同步
$ git log -p [file]
# 显示过去5次提交
$ git log -5 --pretty --oneline
# 显示所有提交过的用户，按提交次数排序
$ git shortlog -sn
# 显示指定文件是什么人在什么时间修改过
$ git blame [file]
# 显示暂存区和工作区的差异
$ git diff
# 显示暂存区和上一个commit的差异
$ git diff --cached [file]
# 显示工作区与当前分支最新commit之间的差异
$ git diff HEAD
# 显示两次提交之间的差异
$ git diff [first-branch]...[second-branch]
# 显示今天你写了多少行代码
$ git diff --shortstat "@{0 day ago}"
# 显示某次提交的元数据和内容变化
$ git show [commit]
# 显示某次提交发生变化的文件
$ git show --name-only [commit]
# 显示某次提交时，某个文件的内容
$ git show [commit]:[filename]
# 显示当前分支的最近几次提交
$ git reflog

八、远程同步

# 下载远程仓库的所有变动
$ git fetch [remote]
# 显示所有远程仓库
$ git remote -v
# 显示某个远程仓库的信息
$ git remote show [remote]
# 增加一个新的远程仓库，并命名
$ git remote add [shortname] [url]
# 取回远程仓库的变化，并与本地分支合并
$ git pull [remote] [branch]
九、撤销
# 上传本地指定分支到远程仓库
$ git push [remote] [branch]
# 强行推送当前分支到远程仓库，即使有冲突
$ git push [remote] --force
# 推送所有分支到远程仓库
$ git push [remote] --all

九、撤销

# 恢复暂存区的指定文件到工作区
$ git checkout [file]
# 恢复某个commit的指定文件到暂存区和工作区
$ git checkout [commit] [file]
# 恢复暂存区的所有文件到工作区
$ git checkout .
# 重置暂存区的指定文件，与上一次commit保持一致，但工作区不变
$ git reset [file]
# 重置暂存区与工作区，与上一次commit保持一致
$ git reset --hard
# 重置当前分支的指针为指定commit，同时重置暂存区，但工作区不变
$ git reset [commit]
# 重置当前分支的HEAD为指定commit，同时重置暂存区和工作区，与指定commit一致
$ git reset --hard [commit]
# 重置当前HEAD为指定commit，但保持暂存区和工作区不变
$ git reset --keep [commit]
# 新建一个commit，用来撤销指定commit
# 后者的所有变化都将被前者抵消，并且应用到当前分支
$ git revert [commit]
# 暂时将未提交的变化移除，稍后再移入
$ git stash
$ git stash pop

一：Git是什么？

Git是目前世界上最先进的分布式版本控制系统。工作原理 / 流程： Workspace：工作区
Index / Stage：暂存区
Repository：仓库区（或本地仓库）
Remote：远程仓库

二：在windows上如何安装Git？

msysgit是 windows版的Git,如下：

需要从网上下载一个，然后进行默认安装即可。安装完成后，在开始菜单里面找到 "Git --> Git Bash",如下：

会弹出一个类似的命令窗口的东西，就说明Git安装成功。如下：

安装完成后，还需要最后一步设置，在命令行输入如下：

因为Git是分布式版本控制系统，所以需要填写用户名和邮箱作为一个标识。注意：git config --global 参数，有了这个参数，表示你这台机器上所有的Git仓库都会使用这个配置，当然你也可以对某个仓库指定的不同的用户名和邮箱。

三：如何操作？

一、创建版本库。

什么是版本库？版本库又名仓库，英文名repository,你可以简单的理解一个目录，这个目录里面的所有文件都可以被Git管理起来，每个文件的修改，删除，Git都能跟踪，以便任何时刻都可以追踪历史，或者在将来某个时刻还可以将文件”还原”。所以创建一个版本库也非常简单，如下我是D盘 –> www下目录下新建一个testgit版本库。

pwd 命令是用于显示当前的目录。

通过命令 git init 把这个目录变成git可以管理的仓库，如下：

这时候你当前testgit目录下会多了一个.git的目录，这个目录是Git来跟踪管理版本的，没事千万不要手动乱改这个目录里面的文件，否则，会把git仓库给破坏了。如下：

把文件添加到版本库中。首先要明确下，所有的版本控制系统，只能跟踪文本文件的改动，比如txt文件，网页，所有程序的代码等，Git也不列外，版本控制系统可以告诉你每次的改动，但是图片，视频这些二进制文件，虽能也能由版本控制系统管理，但没法跟踪文件的变化，只能把二进制文件每次改动串起来，也就是知道图片从1kb变成2kb，但是到底改了啥，版本控制也不知道。

下面先看演示

我在版本库testgit目录下新建一个记事本文件 readme.txt 内容如下：
```
1111111
```
第一步：git add

使用命令 git add readme.txt添加到暂存区里面去。如下：

如果和上面一样，没有任何提示，说明已经添加成功了。

第二步：git commit

用命令 git commit告诉Git，把文件提交到仓库。

现在我们已经提交了一个readme.txt文件了，我们下面可以通过命令git status来查看是否还有文件未提交，如下：

说明没有任何文件未提交，但是我现在继续来改下readme.txt内容，比如我在下面添加一行2222222222 内容，继续使用git status 来查看下结果，如下：

上面的命令告诉我们 readme.txt文件已被修改，但是未被提交的修改。接下来我想看下readme.txt文件到底改了什么内容，如何查看呢？可以使用如下命令：

git diff readme.txt

如下：

如上可以看到，readme.txt文件内容从一行11111111改成二行添加了一行22222222内容。知道了对readme.txt文件做了什么修改后，我们可以放心的提交到仓库了。提交修改和提交文件是一样的2步：

git add
git commit

如下：

二、版本回退

如上，我们已经学会了修改文件，现在我继续对readme.txt文件进行修改，再增加一行内容为 33333333333333.继续执行命令如下：

1、git log

现在我已经对readme.txt文件做了三次修改了，那么我现在想查看下历史记录，如何查呢？我们现在可以使用命令 git log 演示如下所示：

git log命令显示从最近到最远的显示日志，我们可以看到最近三次提交，最近的一次是,增加内容为 333333.上一次是添加内容222222，第一次默认是 111111.如果嫌上面显示的信息太多的话，我们可以使用命令 git log --pretty=oneline 演示如下：

2、版本回退

现在我想使用版本回退操作，我想把当前的版本回退到上一个版本，要使用什么命令呢？可以使用如下2种命令：

git reset --hard HEAD^

第一种是：git reset --hard HEAD^ 那么如果要回退到上上个版本只需把HEAD^ 改成 HEAD^^ 以此类推。那如果要回退到前100个版本的话，使用上面的方法肯定不方便，我们可以使用下面的简便命令操作：git reset --hard HEAD~100 即可。未回退之前的readme.txt内容如下：

如果想回退到上一个版本的命令如下操作：

再来查看下 readme.txt内容如下：通过命令cat readme.txt查看

可以看到，内容已经回退到上一个版本了。我们可以继续使用git log 来查看下历史记录信息，如下：

git reset --hard 版本号

我们看到增加333333 内容我们没有看到了，但是现在我想回退到最新的版本，如：有333333的内容要如何恢复呢？我们可以通过版本号回退，使用命令方法如下：

git reset --hard 版本号

但是现在的问题假如我已经关掉过一次命令行或者333内容的版本号我并不知道呢？要如何知道增加3333内容的版本号呢？可以通过如下命令即可获取到版本号：

git reflog

演示如下：

通过上面的显示我们可以知道，增加内容3333的版本号是 6fcfc89.我们现在可以命令git reset --hard 6fcfc89来恢复了。演示如下：

可以看到目前已经是最新的版本了。

三、理解工作区与暂存区的区别？

工作区：就是你在电脑上看到的目录，比如目录下testgit里的文件(.git隐藏目录版本库除外)。或者以后需要再新建的目录文件等等都属于工作区范畴。版本库(Repository)：工作区有一个隐藏目录.git,这个不属于工作区，这是版本库。其中版本库里面存了很多东西，其中最重要的就是stage(暂存区)，还有Git为我们自动创建了第一个分支master,以及指向 master的一个指针HEAD。我们前面说过使用Git提交文件到版本库有两步：第一步：是使用 git add 把文件添加进去，实际上就是把文件添加到暂存区。第二步：使用git commit提交更改，实际上就是把暂存区的所有内容提交到当前分支上。我们继续使用demo来演示下：我们在readme.txt再添加一行内容为4444444，接着在目录下新建一个文件为test.txt 内容为test，我们先用命令 git status来查看下状态，如下：

现在我们先使用git add 命令把2个文件都添加到暂存区中，再使用git status来查看下状态，如下：

接着我们可以使用git commit一次性提交到分支上，如下：

四：Git撤销修改和删除文件操作。一：撤销修改：比如我现在在readme.txt文件里面增加一行内容为555555555555，我们先通过命令查看如下：

在我未提交之前，我发现添加5555555555555内容有误，所以我得马上恢复以前的版本，现在我可以有如下几种方法可以做修改：第一：如果我知道要删掉那些内容的话，直接手动更改去掉那些需要的文件，然后add添加到暂存区，最后commit掉。第二：我可以按以前的方法直接恢复到上一个版本。使用 git reset --hard HEAD^ 但是现在我不想使用上面的2种方法，我想直接想使用撤销命令该如何操作呢？首先在做撤销之前，我们可以先用 git status 查看下当前的状态。如下所示：

可以发现，Git会告诉你，git checkout -- file 可以丢弃工作区的修改，如下命令： git checkout -- readme.txt,如下所示：

命令 git checkout --readme.txt 意思就是，把readme.txt文件在工作区做的修改全部撤销，这里有2种情况，如下： 1.readme.txt自动修改后，还没有放到暂存区，使用撤销修改就回到和版本库一模一样的状态。 2.另外一种是readme.txt已经放入暂存区了，接着又作了修改，撤销修改就回到添加暂存区后的状态。对于第二种情况，假如现在我对readme.txt添加一行内容为6666666666666，我git add 增加到暂存区后，接着添加内容7777777，我想通过撤销命令让其回到暂存区后的状态。如下所示：

注意：命令git checkout -- readme.txt 中的 -- 很重要，如果没有 -- 的话，那么命令变成创建分支了。二：删除文件。假如我现在版本库testgit目录添加一个文件b.txt,然后提交。如下：

如上：一般情况下，可以直接在文件目录中把文件删了，或者使用如上rm命令：rm b.txt ，如果我想彻底从版本库中删掉了此文件的话，可以再执行commit命令提交掉，现在目录是这样的，

只要没有commit之前，如果我想在版本库中恢复此文件如何操作呢？可以使用如下命令 git checkout -- b.txt，如下所示：

再来看看我们testgit目录，添加了3个文件了。如下所示：

四：远程仓库

在了解之前，先注册github账号，由于你的本地Git仓库和github仓库之间的传输是通过SSH加密的，所以需要一点设置：

第一步：创建SSH Key。

在用户主目录下，看看有没有.ssh目录，如果有，再看看这个目录下有没有id_rsa和id_rsa.pub这两个文件，如果有的话，直接跳过此如下命令，如果没有的话，打开命令行，输入如下命令： ssh-keygen -t rsa –C “youremail@example.com”, 由于我本地此前运行过一次，所以本地有，如下所示：

id_rsa是私钥，不能泄露出去，id_rsa.pub是公钥，可以放心地告诉任何人。

第二步：Add SSH Key

登录github,打开” settings”中的SSH Keys页面，然后点击“Add SSH Key”,填上任意title，在Key文本框里黏贴id_rsa.pub文件的内容。

点击 Add Key，你就应该可以看到已经添加的key。

如何添加远程库？现在的情景是：我们已经在本地创建了一个Git仓库后，又想在github创建一个Git仓库，并且希望这两个仓库进行远程同步，这样github的仓库可以作为备份，又可以其他人通过该仓库来协作。首先，登录github上，然后在右上角找到“create a new repo”创建一个新的仓库。如下

在Repository name填入testgit，其他保持默认设置，点击“Create repository”按钮，就成功地创建了一个新的Git仓库：

可以把一个已有的本地仓库与之关联，然后，把本地仓库的内容推送到GitHub仓库。现在，我们根据GitHub的提示，在本地的testgit仓库下运行命令： git remote add origin https://github.com/tugenhua0707/testgit.git 所有的如下：

把本地库的内容推送到远程，使用 git push命令，实际上是把当前分支master推送到远程。由于远程库是空的，我们第一次推送master分支时，加上了 –u参数，Git不但会把本地的master分支内容推送的远程新的master分支，还会把本地的master分支和远程的master分支关联起来，在以后的推送或者拉取时就可以简化命令。推送成功后，可以立刻在github页面中看到远程库的内容已经和本地一模一样了，上面的要输入github的用户名和密码如下所示：

从现在起，只要本地作了提交，就可以通过如下命令：

git push origin master

把本地master分支的最新修改推送到github上了，现在你就拥有了真正的分布式版本库了。

如何从远程库克隆？

上面我们了解了先有本地库，后有远程库时候，如何关联远程库。现在我们想，假如远程库有新的内容了，我想克隆到本地来如何克隆呢？首先，登录github，创建一个新的仓库，名字叫testgit2.如下：

如下，我们看到：

现在，远程库已经准备好了，下一步是使用命令git clone克隆一个本地库了。如下所示：

接着在我本地目录下生成testgit2目录了，如下所示：

五：创建与合并分支

在版本回退里，你已经知道，每次提交，Git都把它们串成一条时间线，这条时间线就是一个分支。截止到目前，只有一条时间线，在Git里，这个分支叫主分支，即master分支。HEAD严格来说不是指向提交，而是指向master，master才是指向提交的，所以，HEAD指向的就是当前分支。

创建dev分支

首先，我们来创建dev分支，然后切换到dev分支上。如下操作：

git checkout 命令加上 –b参数表示创建并切换，相当于如下2条命令

git branch dev
git checkout dev

git branch查看分支，会列出所有的分支，当前分支前面会添加一个星号。然后我们在dev分支上继续做 demo，比如我们现在在readme.txt再增加一行 7777777777777 首先我们先来查看下readme.txt内容，接着添加内容77777777，如下：

现在dev分支工作已完成，现在我们切换到主分支master上，继续查看readme.txt内容如下：

现在我们可以把dev分支上的内容合并到分支master上了，可以在master分支上，使用如下命令 git merge dev 如下所示：

git merge合并

git merge命令用于合并指定分支到当前分支上，合并后，再查看readme.txt内容，可以看到，和dev分支最新提交的是完全一样的。注意到上面的Fast-forward信息，Git告诉我们，这次合并是“快进模式”，也就是直接把master指向dev的当前提交，所以合并速度非常快。合并完成后，我们可以接着删除dev分支了，操作如下：

总结创建与合并分支命令如下：

查看分支：git branch
创建分支：git branch name
切换分支：git checkout name
创建+切换分支：git checkout –b name
合并某分支到当前分支：git merge name
删除分支：git branch –d name

如何解决冲突？

下面我们还是一步一步来，先新建一个新分支，比如名字叫fenzhi1，在readme.txt添加一行内容 8888888，然后提交，如下所示：

同样，我们现在切换到master分支上来，也在最后一行添加内容，内容为99999999，如下所示：

现在我们需要在master分支上来合并fenzhi1，如下操作：

Git用<<<<<<<，=======，>>>>>>>标记出不同分支的内容，其中<<<HEAD是指主分支修改的内容，

fenzhi1 是指fenzhi1上修改的内容，我们可以修改下如下后保存：

如果我想查看分支合并的情况的话，需要使用命令 git log.命令行演示如下：

分支管理策略。

通常合并分支时，git一般使用”Fast forward”模式，在这种模式下，删除分支后，会丢掉分支信息，现在我们来使用带参数 –no-ff来禁用”Fast forward”模式。首先我们来做demo演示下：

1、创建一个dev分支。
2、修改readme.txt内容。
3、添加到暂存区。
4、切换回主分支(master)。
5、合并dev分支，使用命令 git merge –no-ff -m “注释” dev
6、查看历史记录

截图如下：

分支策略：首先master主分支应该是非常稳定的，也就是用来发布新版本，一般情况下不允许在上面干活，干活一般情况下在新建的dev分支上干活，干完后，比如要发布，或者说dev分支代码稳定后可以合并到主分支master上来。 1、创建一个dev分支。 2、修改readme.txt内容。 3、添加到暂存区。 4、切换回主分支(master)。 5、合并dev分支，使用命令 git merge –no-ff -m “注释” dev 6、查看历史记录

六：bug分支

在开发中，会经常碰到bug问题，那么有了bug就需要修复，在Git中，分支是很强大的，每个bug都可以通过一个临时分支来修复，修复完成后，合并分支，然后将临时的分支删除掉。比如我在开发中接到一个404 bug时候，我们可以创建一个404分支来修复它，但是，当前的dev分支上的工作还没有提交。比如如下：

并不是我不想提交，而是工作进行到一半时候，我们还无法提交，比如我这个分支bug要2天完成，但是我issue-404 bug需要5个小时内完成。怎么办呢？还好，Git还提供了一个stash功能，可以把当前工作现场 ”隐藏起来”，等以后恢复现场后继续工作。如下：

所以现在我可以通过创建issue-404分支来修复bug了。首先我们要确定在那个分支上修复bug，比如我现在是在主分支master上来修复的，现在我要在master 分支上创建一个临时分支，演示如下：

修复完成后，切换到master分支上，并完成合并，最后删除issue-404分支。演示如下：

现在，我们回到dev分支上干活了。

工作区是干净的，那么我们工作现场去哪里呢？我们可以使用命令 git stash list来查看下。如下：

工作现场还在，Git把stash内容存在某个地方了，但是需要恢复一下，可以使用如下2个方法： 1.git stash apply恢复，恢复后，stash内容并不删除，你需要使用命令git stash drop来删除。 2.另一种方式是使用git stash pop,恢复的同时把stash内容也删除了。演示如下

七：多人协作

当你从远程库克隆时候，实际上Git自动把本地的master分支和远程的master分支对应起来了，并且远程库的默认名称是origin。要查看远程库的信息使用 git remote 要查看远程库的详细信息使用 git remote –v 如下演示：

一、推送分支：

推送分支就是把该分支上所有本地提交到远程库中，推送时，要指定本地分支，这样，Git就会把该分支推送到远程库对应的远程分支上：使用命令 git push origin master 比如我现在的github上的readme.txt代码如下：

本地的readme.txt代码如下：

现在我想把本地更新的readme.txt代码推送到远程库中，使用命令如下：

我们可以看到如上，推送成功，我们可以继续来截图github上的readme.txt内容如下：

可以看到推送成功了，如果我们现在要推送到其他分支，比如dev分支上，我们还是那个命令 git push origin dev 那么一般情况下，那些分支要推送呢？ master分支是主分支，因此要时刻与远程同步。一些修复bug分支不需要推送到远程去，可以先合并到主分支上，然后把主分支master推送到远程去。

二：抓取分支：

多人协作时，大家都会往master分支上推送各自的修改。现在我们可以模拟另外一个同事，可以在另一台电脑上（注意要把SSH key添加到github上）或者同一台电脑上另外一个目录克隆，新建一个目录名字叫testgit2 但是我首先要把dev分支也要推送到远程去，如下

接着进入testgit2目录，进行克隆远程的库到本地来，如下：

现在目录下生成有如下所示：

现在我们的小伙伴要在dev分支上做开发，就必须把远程的origin的dev分支到本地来，于是可以使用命令创建本地dev分支：git checkout –b dev origin/dev 现在小伙伴们就可以在dev分支上做开发了，开发完成后把dev分支推送到远程库时。如下：

小伙伴们已经向origin/dev分支上推送了提交，而我在我的目录文件下也对同样的文件同个地方作了修改，也试图推送到远程库时，如下：

由上面可知：推送失败，因为我的小伙伴最新提交的和我试图推送的有冲突，解决的办法也很简单，上面已经提示我们，先用git pull把最新的提交从origin/dev抓下来，然后在本地合并，解决冲突，再推送。

git pull也失败了，原因是没有指定本地dev分支与远程origin/dev分支的链接，根据提示，设置dev和 origin/dev的链接：如下：

这回git pull成功，但是合并有冲突，需要手动解决，解决的方法和分支管理中的解决冲突完全一样。解决后，提交，再push：我们可以先来看看readme.txt内容了。

现在手动已经解决完了，我接在需要再提交，再push到远程库里面去。如下所示：

因此：多人协作工作模式一般是这样的：

首先，可以试图用git push origin branch-name推送自己的修改.
如果推送失败，则因为远程分支比你的本地更新早，需要先用git pull试图合并。
如果合并有冲突，则需要解决冲突，并在本地提交。再用git push origin branch-name推送。

🚀 Sqoop的导入导出

KoBari — Sun, 15 Jun 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/sqoop/

🔁 一、全量导入（Import）

1. 导入 MySQL 表到 HDFS

sqoop import \
--connect jdbc:mysql://localhost:3306/testdb \     # MySQL JDBC连接
--username root \                                  # 用户名
--password root \                                  # 密码
--table emp \                                      # 要导入的MySQL表名
--target-dir /user/hadoop/emp \                    # 数据导入到的HDFS目录
--delete-target-dir \                              # 删除原有目录（防止重复）
--fields-terminated-by '\t' \                      # 指定字段分隔符为tab
--num-mappers 1                                    # 使用一个Map任务（方便查看）

2. 导入 MySQL 表到 Hive 表中

sqoop import \
--connect jdbc:mysql://localhost:3306/testdb \     # 连接MySQL数据库
--username root \                                  # 用户名
--password root \                                  # 密码
--table emp \                                      # 表名
--hive-import \                                    # 导入到Hive中
--hive-table emp_hive \                            # 指定Hive表名
--fields-terminated-by '\t' \                      # 字段分隔符
--num-mappers 1                                    # 一个Map任务

🔄 二、增量导入（Incremental Import）

1. 模式一：追加模式（append）按ID导入新数据

sqoop import \
--connect jdbc:mysql://localhost:3306/testdb \     # MySQL连接
--username root \                                  # 用户名
--password root \                                  # 密码
--table emp \                                      # 表名
--incremental append \                             # 使用追加模式
--check-column id \                                # 检查id字段的值
--last-value 1000 \                                # 上次最大id，导入id > 1000的数据
--target-dir /user/hadoop/emp_increment \          # HDFS目标路径
--fields-terminated-by '\t' \                      # 字段分隔符
--num-mappers 1                                    # Map任务数量

2. 模式二：按更新时间（lastmodified）

sqoop import \
--connect jdbc:mysql://localhost:3306/testdb \     # MySQL连接
--username root \                                  # 用户名
--password root \                                  # 密码
--table emp \                                      # 表名
--incremental lastmodified \                       # 使用lastmodified模式
--check-column last_updated \                      # 检查更新时间字段
--last-value "2024-01-01 00:00:00" \               # 上次导入时间
--target-dir /user/hadoop/emp_updated \            # HDFS路径
--fields-terminated-by '\t' \                      # 字段分隔符
--num-mappers 1                                    # Map任务数量

🔃 三、导出（Export）从 HDFS 到 MySQL

sqoop export \
--connect jdbc:mysql://localhost:3306/testdb \     # 目标MySQL数据库
--username root \                                  # 用户名
--password root \                                  # 密码
--table emp_backup \                               # 要导出的MySQL表
--export-dir /user/hadoop/emp \                    # HDFS中源数据路径
--fields-terminated-by '\t' \                      # 字段分隔符要和导入时一致
--num-mappers 1                                    # 使用一个Map任务导出

📌 附加说明

参数	中文说明
`--connect`	指定数据库 JDBC 连接字符串（例如 MySQL）
`--username`	数据库用户名
`--password`	数据库密码（建议改为 --password-file 以提升安全）
`--password-file`	从本地文件读取密码
`--table`	要导入或导出的数据库表名
`--target-dir`	指定导入数据的 HDFS 目标目录
`--delete-target-dir`	如果目标目录已存在，则先删除它
`--fields-terminated-by`	设置字段之间的分隔符，常用 `'\t'`（制表符）
`--num-mappers`	设置并行执行 Map 任务数（默认4）
`--split-by`	用于 Map 任务并发切分的字段名，通常为主键
`--hive-import`	导入数据后自动将其加载到 Hive 表中
`--hive-table`	指定 Hive 中的目标表名
`--incremental`	增量导入模式：`append`（追加）或 `lastmodified`（按更新时间）
`--check-column`	增量导入时用于判断新增数据的列名（如 `id` 或 `last_updated`）
`--last-value`	指定上次导入的最大ID或最近更新时间
`--columns`	指定导入/导出的字段子集，使用逗号分隔
`--where`	自定义SQL查询条件
`--export-dir`	HDFS中要导出数据的目录路径
`--as-textfile`	指定数据以文本格式保存（默认）
`--compress`	启用压缩
`--compression-codec`	压缩类型（如 `org.apache.hadoop.io.compress.GzipCodec`）
`--map-column-java`	指定字段与 Java 类型的映射
`--driver`	指定数据库的 JDBC 驱动类（如非 MySQL）

🚀 Hadoop & Hive 数据仓库

KoBari — Sat, 14 Jun 2025 00:00:00 GMT

This rendering was automatically generated by Ryuchan Feed and may have formatting issues. For the best experience, please visit: https://hub.131714.xyz/blog/hadoop_hive_warehouse/

Hadoop & Hive 数据仓库

一、数据仓库定义

数据仓库（Data Warehouse） 是面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。
主要特点：
- 面向主题（主题导向）
- 集成多个数据源数据
- 数据相对稳定，历史数据保存
- 支持复杂查询和分析，不适合频繁更新

二、数据仓库与数据库的对比

比较维度	数据库	数据仓库
设计目的	支持日常业务操作（OLTP）	支持决策分析（OLAP）
数据结构	规范化，减少冗余	非规范化，方便查询和分析
数据更新频率	高频更新	低频更新，主要为批量加载
查询类型	简单、频繁	复杂、跨时间和主题
数据历史	一般只保存当前数据	保存大量历史数据
性能优化	针对事务处理优化	针对查询和分析优化

三、简答题模板答案

1. Hadoop 环境搭建步骤

安装 JDK，配置环境变量 JAVA_HOME。
配置主机名映射（/etc/hosts），确保各节点能互相解析。
配置 SSH 免密登录，使用 ssh-keygen 和 ssh-copy-id。
安装 Hadoop，配置核心文件，启动集群。

2. Hive 数据仓库层次结构

ODS（原始层）：存储原始日志和业务数据，未清洗。
DWD（明细层）：数据清洗、结构化，规范字段。
DWS（汇总层）：按主题聚合，支持分析查询。
ADS（应用层）：面向应用和报表的最终数据层。

3. 日志数据采集方式

使用 Flume 采集日志，组成：Source（数据输入）、Channel（缓冲）、Sink（输出存储）。
结合 Kafka 实现高吞吐、实时处理，日志写入 Kafka，再由 Spark/Flink 等实时消费。
Flume 可直接将日志写入 HDFS 或 Kafka。

4. Hive 中常用概念

分区表：按字段分区存储，提高查询效率。
内部表：Hive 管理数据，删除表时数据也删除。
外部表：只管理表结构，删除表不删除数据。
数据倾斜：某些 key 数据量过大，导致资源分配不均衡，影响性能。

四、口诀记忆版

内容	口诀
JDK+主机映射+免密登录	JDK装好主机通，免密SSH连通
Hive仓库四层结构	原始ODS明细DWD，汇总DWS应用ADS
Flume采集三大件	来源输入缓冲流，输出到存储去
Kafka作用	高吞吐，消息队，实时流数据
Hive表两种类型	内表管数据，外表管结构
数据倾斜问题	某键数据大，计算资源卡

五、Hive 基础操作

1. 创建数据库

CREATE DATABASE mydb;     -- 创建一个名为 mydb 的数据库
USE mydb;                 -- 切换当前使用的数据库为 mydb

2. 创建表

管理表（内部表）

CREATE TABLE emp (
    id INT,              -- 员工编号，整型
    name STRING,         -- 员工姓名，字符串
    age INT,             -- 员工年龄，整型
    dept STRING          -- 员工所在部门，字符串
) ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t';  -- 字段分隔符为制表符

外部表

CREATE EXTERNAL TABLE emp_ext (
    id INT,
    name STRING,
    age INT,
    dept STRING
) ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
LOCATION '/user/hive/warehouse/emp_ext';  -- 指定外部表数据存储路径
-- 外部表删除只删除元数据，不会删除数据文件

六、数据导入操作

1. 本地文件导入表

LOAD DATA LOCAL INPATH '/home/user/emp.txt' INTO TABLE emp;  -- 将本地文件数据导入表

2. HDFS 文件导入表

LOAD DATA INPATH '/user/hadoop/emp.txt' INTO TABLE emp;      -- 将HDFS文件追加导入表
LOAD DATA INPATH '/user/hadoop/emp.txt' OVERWRITE INTO TABLE emp;  -- 将HDFS文件覆盖导入表

七、Hive 数据分析操作

1. 查询所有数据

SELECT * FROM emp;   -- 查询表中所有记录

2. 分组聚合查询（GROUP BY）

SELECT dept, COUNT(*) AS emp_count    -- 按部门统计员工数量
FROM emp
GROUP BY dept;

SELECT dept, AVG(age) AS avg_age      -- 按部门计算平均年龄
FROM emp
GROUP BY dept;

3. 过滤条件（WHERE）

SELECT * FROM emp
WHERE age > 30;   -- 查询年龄大于30岁的员工

4. 排序（ORDER BY / SORT BY / DISTRIBUTE BY）

SELECT * FROM emp ORDER BY age;                      -- 全局排序，按年龄升序
SELECT * FROM emp SORT BY age;                       -- 局部排序，适合MapReduce局部排序
SELECT * FROM emp DISTRIBUTE BY dept SORT BY age;   -- 按部门分区后，部门内按年龄排序

八、多表关联查询（JOIN）

1. 内连接（INNER JOIN）

SELECT e.id, e.name, d.dept_name
FROM emp e
JOIN dept d
ON e.dept = d.dept_id;    -- 返回两个表匹配部门的记录

2. 左外连接（LEFT OUTER JOIN）

SELECT e.id, e.name, d.dept_name
FROM emp e
LEFT OUTER JOIN dept d
ON e.dept = d.dept_id;    -- 返回所有员工及对应部门，部门不存在显示NULL

3. 右外连接（RIGHT OUTER JOIN）

SELECT e.id, e.name, d.dept_name
FROM emp e
RIGHT OUTER JOIN dept d
ON e.dept = d.dept_id;    -- 返回所有部门及对应员工，员工不存在显示NULL

4. 全外连接（FULL OUTER JOIN）

SELECT e.id, e.name, d.dept_name
FROM emp e
FULL OUTER JOIN dept d
ON e.dept = d.dept_id;    -- 返回所有员工和部门的匹配及不匹配记录

九、常用函数

CONCAT(col1, col2);                      -- 字符串连接函数
REPLACE('hello world', 'world', 'Hive'); -- 字符串替换，将world替换为Hive
FROM_UNIXTIME(UNIX_TIMESTAMP());         -- 获取当前时间，格式化显示
IF(col IS NULL, '空', col);               -- 条件判断，空值替换为'空'

十、表结构修改（ALTER TABLE）

1. 重命名表

ALTER TABLE emp RENAME TO emp_new;   -- 将表emp重命名为emp_new

2. 添加列

ALTER TABLE emp ADD COLUMNS (
    gender STRING COMMENT '性别',    -- 新增性别字段，字符串类型，带注释
    salary FLOAT COMMENT '薪资'      -- 新增薪资字段，浮点型，带注释
);

3. 替换列结构（慎用）

ALTER TABLE emp REPLACE COLUMNS (
    id INT,
    name STRING,
    age INT,
    dept STRING,
    gender STRING
);  -- 替换表结构，会丢失未列出的字段数据

4. 修改列名、类型、位置

ALTER TABLE emp CHANGE name emp_name STRING;        -- 修改列名name为emp_name，类型为STRING
ALTER TABLE emp CHANGE age age INT AFTER emp_name;  -- 修改列age位置，移动到emp_name后
ALTER TABLE emp CHANGE dept dept STRING FIRST;      -- 修改列dept位置，放置为第一列

5. 添加/删除分区（分区表）

ALTER TABLE sales ADD PARTITION (year='2025', month='06');   -- 添加指定分区
ALTER TABLE sales DROP PARTITION (year='2024', month='12');  -- 删除指定分区

6. 修改表属性或位置

ALTER TABLE emp SET TBLPROPERTIES ('comment' = '员工信息表');  -- 设置表注释属性
ALTER TABLE emp SET LOCATION '/new/location';                 -- 修改表存储路径

十一、数据操作（DML）

-- Hive默认不支持细粒度UPDATE/DELETE，需要开启ACID支持事务

1. 插入数据

INSERT INTO TABLE emp
SELECT * FROM emp_temp;      -- 将emp_temp数据追加到emp表

INSERT INTO TABLE emp (id, name)
VALUES (1001, 'Alice');     -- 指定列插入单条数据

2. 覆盖插入

INSERT OVERWRITE TABLE emp
SELECT * FROM emp_temp;      -- 用emp_temp数据覆盖emp表

3. 更新数据（需启用 ACID）

UPDATE emp SET salary = 8000 WHERE id = 1001;   -- 更新指定员工薪资

-- ACID 配置示例
SET hive.support.concurrency = true;
SET hive.enforce.bucketing = true;
SET hive.exec.dynamic.partition.mode = nonstrict;

4. 删除数据（需启用 ACID）

DELETE FROM emp WHERE age > 60;   -- 删除年龄大于60的员工数据

5. 查询数据

SELECT * FROM emp;                      -- 查询所有员工数据
SELECT name, salary FROM emp WHERE dept = 'D001';  -- 查询指定部门员工姓名和薪资

6. 清空表

TRUNCATE TABLE emp;   -- 清空表数据但保留表结构