Day4-Hive直播行业基础笔试题
Hive笔试题实战
短视频
题目一：计算各个视频的平均完播率
有用户-视频互动表tb_user_video_log：
| id | uid | video_id | start_time | end_time | if_follow | if_like | if_retweet | comment_id |
| 1 | 101 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:30 | 0 | 1 | 1 | NULL |
| 2 | 102 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:24 | 0 | 0 | 1 | NULL |
| 3 | 103 | 2001 | 2021-10-01 11:00:00 | 2021-10-01 11:00:34 | 0 | 1 | 0 | 1732526 |
| 4 | 101 | 2002 | 2021-09-01 10:00:00 | 2021-9-01 10:00:42 | 1 | 0 | 1 | NULL |
| 5 | 102 | 2002 | 2021-10-01 11:00:00 | 2021-10-01 10:00:30 | 1 | 0 | 1 | NULL |
uid-用户ID，video_id-视频ID，start_time-开始观看时间，end_time-结束观看时间，if_follow-是否关注，if_like-是否点赞，if_retweet-是否转发，comment_id-评论ID。
有短视频信息表tb_video_info：
| id | video_id | author | tag | duration | release_time |
| 1 | 2001 | 901 | 影视 | 30 | 2021-01-01 07:00:00 |
| 2 | 2002 | 901 | 美食 | 60 | 2021-01-01 07:00:00 |
| 3 | 2003 | 902 | 旅游 | 90 | 2021-01-01 07:00:00 |
video_id-视频ID，author-创作者ID，tag-类别标签，duration-视频时长(秒)，release_time-发布时间。
问题：计算2021年里有播放记录的每个视频的完播率(结果保留三位小数)，并按完播率降序排序。输出结果如下：
| video_id | avg_comp_play_rate |
| 2001 | 0.667 |
| 2002 | 0.000 |
注：视频完播率是指完成播放次数占总播放次数的比例。简单起见，结束观看时间与开始播放时间的差≥视频时长时，视为完成播放。
-- 建立用户-视频互动表
drop table if exists tb_user_video_log;
create table tb_user_video_log (
id int comment '自增ID',
uid int comment '用户ID',
video_id int comment '视频ID',
start_time string COMMENT '开始观看时间',
end_time string COMMENT '结束观看时间',
if_follow int comment '是否关注',
if_like int comment '是否点赞',
if_retweet int comment '是否转发',
comment_id int comment '评论ID'
) comment '用户-视频互动表'
row format delimited fields terminated by ',';
-- 建立短视频信息表
drop table if exists tb_video_info;
create table tb_video_info (
id int comment '自增ID',
video_id int comment '视频ID',
author int comment '创作者ID',
tag string comment '类别标签',
duration int comment '视频时长(秒数)',
release_time string comment '发布时间'
) comment '短视频信息表'
row format delimited fields terminated by ',';
-- 插入数据
insert into tb_user_video_log
values (1, 101, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:30', 0, 1, 1, null),
(2, 102, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:24', 0, 0, 1, null),
(3, 103, 2001, '2021-10-01 11:00:00', '2021-10-01 11:00:34', 0, 1, 0, 1732526),
(4, 101, 2002, '2021-09-01 10:00:00', '2021-09-01 10:00:42', 1, 0, 1, null),
(5, 102, 2002, '2021-10-01 11:00:00', '2021-10-01 11:00:30', 1, 0, 1, null);
insert into tb_video_info
values (1, 2001, 901, '影视', 30, '2021-01-01 7:00:00'),
(2, 2002, 901, '美食', 60, '2021-01-01 7:00:00'),
(3, 2003, 902, '旅游', 90, '2021-01-01 7:00:00');
参考答案：
-- 第一步：找出2021年有过播放的视频
select * from tb_user_video_log where year(start_time) = 2021;
-- 第二步：计算(每一个视频的)完播次数。完播：结束时间-起始时间>=视频时长
select a.video_id as video_id,
sum(if(unix_timestamp(a.end_time) - unix_timestamp(a.start_time) >= b.duration, 1, 0))
from (
select * from tb_user_video_log where year(start_time) = 2021
) a left join tb_video_info b on a.video_id = b.video_id
group by a.video_id;
-- 第三步：计算完播率。完播次数/总的播放次数
select a.video_id as video_id,
sum(if(unix_timestamp(a.end_time) - unix_timestamp(a.start_time) >= b.duration, 1, 0)) / count(*)
from (
select * from tb_user_video_log where year(start_time) = 2021
) a left join tb_video_info b on a.video_id = b.video_id
group by a.video_id;
-- 第四步：保留三位小数，还需要降序排序
select a.video_id as video_id,
round(sum(if(unix_timestamp(a.end_time) - unix_timestamp(a.start_time) >= b.duration, 1, 0)) / count(*), 3) as avg_comp_play_rate
from (
select * from tb_user_video_log where year(start_time) = 2021
) a left join tb_video_info b on a.video_id = b.video_id
group by a.video_id
order by avg_comp_play_rate desc;
题目二：平均播放进度大于60%的视频类别
有用户-视频互动表tb_user_video_log：
| id | uid | video_id | start_time | end_time | if_follow | if_like | if_retweet | comment_id |
| 1 | 101 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:30 | 0 | 1 | 1 | NULL |
| 2 | 102 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:21 | 0 | 0 | 1 | NULL |
| 3 | 103 | 2001 | 2021-10-01 11:00:50 | 2021-10-01 11:01:20 | 0 | 1 | 0 | 1732526 |
| 4 | 102 | 2002 | 2021-10-01 11:00:00 | 2021-10-01 11:00:30 | 1 | 0 | 1 | NULL |
| 5 | 103 | 2002 | 2021-10-01 10:59:05 | 2021-10-01 11:00:05 | 1 | 0 | 1 | NULL |
uid-用户ID，video_id-视频ID，start_time-开始观看时间，end_time-结束观看时间，if_follow-是否关注，if_like-是否点赞，if_retweet-是否转发，comment_id-评论ID。
有短视频信息表tb_video_info：
| id | video_id | author | tag | duration | release_time |
| 1 | 2001 | 901 | 影视 | 30 | 2021-01-01 07:00:00 |
| 2 | 2002 | 901 | 美食 | 60 | 2021-01-01 07:00:00 |
| 3 | 2003 | 902 | 旅游 | 90 | 2021-01-01 07:00:00 |
video_id-视频ID，author-创作者ID，tag-类别标签，duration-视频时长(秒)，release_time-发布时间。
问题：计算各类视频的平均播放进度，将进度大于60%的类别输出(结果保留两位小数，并按播放进度倒序排序)。示例数据的输出结果如下：
| tag | avg_play_progress |
| 影视 | 90.00% |
| 美食 | 75.00% |
注：播放进度=播放时长÷视频时长*100%，当播放时长大于视频时长时，播放进度均记为100%。
例如：影视类视频2001被用户101、102、103看过，播放进度分别为：30秒（100%）、21秒（70%）、30秒（100%），平均播放进度为(100%+70%+100%)/3=90.00%（保留两位小数）。
-- 建立用户-视频互动表
drop table if exists tb_user_video_log;
create table tb_user_video_log (
id int comment '自增ID',
uid int comment '用户ID',
video_id int comment '视频ID',
start_time string COMMENT '开始观看时间',
end_time string COMMENT '结束观看时间',
if_follow int comment '是否关注',
if_like int comment '是否点赞',
if_retweet int comment '是否转发',
comment_id int comment '评论ID'
) comment '用户-视频互动表'
row format delimited fields terminated by ',';
-- 建立短视频信息表
drop table if exists tb_video_info;
create table tb_video_info (
id int comment '自增ID',
video_id int comment '视频ID',
author int comment '创作者ID',
tag string comment '类别标签',
duration int comment '视频时长(秒数)',
release_time string comment '发布时间'
) comment '短视频信息表'
row format delimited fields terminated by ',';
-- 插入数据
insert into tb_user_video_log
values (1, 101, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:30', 0, 1, 1, null),
(2, 102, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:21', 0, 0, 1, null),
(3, 103, 2001, '2021-10-01 11:00:50', '2021-10-01 11:01:20', 0, 1, 0, 1732526),
(4, 102, 2002, '2021-10-01 11:00:00', '2021-10-01 11:00:30', 1, 0, 1, null),
(5, 103, 2002, '2021-10-01 10:59:05', '2021-10-01 11:00:05', 1, 0, 1, null);
insert into tb_video_info
values (1, 2001, 901, '影视', 30, '2021-01-01 7:00:00'),
(2, 2002, 901, '美食', 60, '2021-01-01 7:00:00'),
(3, 2003, 902, '旅游', 90, '2021-01-01 7:00:00');
参考答案：
-- 第一步：计算每次播放的播放时长
select video_id, unix_timestamp(end_time) - unix_timestamp(start_time) as total_time from tb_user_video_log;
-- 第二步：计算每一次的播放进度
select a.video_id as video_id,
if(a.total_time / b.duration > 1, 1, a.total_time / b.duration) as play_progress
from (
select video_id, unix_timestamp(end_time) - unix_timestamp(start_time) as total_time from tb_user_video_log
) a left join tb_video_info b on a.video_id = b.video_id;
-- 第三步：计算各类视频的平均播放进度
select b.tag,
avg(if(a.total_time / b.duration > 1, 1, a.total_time / b.duration)) as avg_play_progress
from (
select video_id, unix_timestamp(end_time) - unix_timestamp(start_time) as total_time from tb_user_video_log
) a left join tb_video_info b on a.video_id = b.video_id
group by b.tag;
-- 第四步：过滤，排序
select b.tag,
avg(if(a.total_time / b.duration > 1, 1, a.total_time / b.duration)) as avg_play_progress
from (
select video_id, unix_timestamp(end_time) - unix_timestamp(start_time) as total_time from tb_user_video_log
) a left join tb_video_info b on a.video_id = b.video_id
group by b.tag having avg_play_progress > 0.6 order by avg_play_progress desc;
-- 第五步：百分比
select tag,
concat(round(avg_play_progress * 100, 2), '%') as avg_play_progress
from (
select b.tag as tag,
avg(if(a.total_time / b.duration > 1, 1, a.total_time / b.duration)) as avg_play_progress
from (
select video_id, unix_timestamp(end_time) - unix_timestamp(start_time) as total_time from tb_user_video_log
) a left join tb_video_info b on a.video_id = b.video_id
group by b.tag
having avg_play_progress > 0.6
order by avg_play_progress desc
)t;
题目三：每类视频近一个月的转发量/率
有用户-视频互动表tb_user_video_log：
| id | uid | video_id | start_time | end_time | if_follow | if_like | if_retweet | comment_id |
| 1 | 101 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:20 | 0 | 1 | 1 | NULL |
| 2 | 102 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:15 | 0 | 0 | 1 | NULL |
| 3 | 103 | 2001 | 2021-10-01 11:00:50 | 2021-10-01 11:01:15 | 0 | 1 | 0 | 1732526 |
| 4 | 102 | 2002 | 2021-09-10 11:00:00 | 2021-09-10 11:00:30 | 1 | 0 | 1 | NULL |
| 5 | 103 | 2002 | 2021-10-01 10:59:05 | 2021-10-01 11:00:05 | 1 | 0 | 0 | NULL |
uid-用户ID，video_id-视频ID，start_time-开始观看时间，end_time-结束观看时间，if_follow-是否关注，if_like-是否点赞，if_retweet-是否转发，comment_id-评论ID。
有短视频信息表tb_video_info：
| id | video_id | author | tag | duration | release_time |
| 1 | 2001 | 901 | 影视 | 30 | 2021-01-01 07:00:00 |
| 2 | 2002 | 901 | 美食 | 60 | 2021-01-01 07:00:00 |
| 3 | 2003 | 902 | 旅游 | 90 | 2021-01-01 07:00:00 |
video_id-视频ID，author-创作者ID，tag-类别标签，duration-视频时长(秒)，release_time-发布时间。
问题：统计在有用户互动的最近一个月（按包含当天在内的近30天算，比如10月31日的近30天为10.2~10.31之间的数据）中，每类视频的转发量和转发率（保留3位小数）。输出结果如下：
| tag | retweet_cut | retweet_rate |
| 影视 | 2 | 0.667 |
| 美食 | 1 | 0.500 |
注：转发率＝转发量÷播放量。结果按转发率降序排序。
解释：由表tb_user_video_log的数据可得，数据转储当天为2021年10月1日。近30天内，影视类视频2001共有3次播放记录，被转发2次，转发率为0.667；美食类视频2002共有2次播放记录，1次被转发，转发率为0.500。
-- 建立用户-视频互动表
drop table if exists tb_user_video_log;
create table tb_user_video_log (
id int comment '自增ID',
uid int comment '用户ID',
video_id int comment '视频ID',
start_time string COMMENT '开始观看时间',
end_time string COMMENT '结束观看时间',
if_follow int comment '是否关注',
if_like int comment '是否点赞',
if_retweet int comment '是否转发',
comment_id int comment '评论ID'
) comment '用户-视频互动表'
row format delimited fields terminated by ',';
-- 建立短视频信息表
drop table if exists tb_video_info;
create table tb_video_info (
id int comment '自增ID',
video_id int comment '视频ID',
author int comment '创作者ID',
tag string comment '类别标签',
duration int comment '视频时长(秒数)',
release_time string comment '发布时间'
) comment '短视频信息表'
row format delimited fields terminated by ',';
-- 插入数据
insert into tb_user_video_log
values (1, 101, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:20', 0, 1, 1, null),
(2, 102, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:15', 0, 0, 1, null),
(3, 103, 2001, '2021-10-01 11:00:50', '2021-10-01 11:01:15', 0, 1, 0, 1732526),
(4, 102, 2002, '2021-09-10 11:00:00', '2021-09-10 11:00:30', 1, 0, 1, null),
(5, 103, 2002, '2021-10-01 10:59:05', '2021-10-01 11:00:05', 1, 0, 0, null);
insert into tb_video_info
values (1, 2001, 901, '影视', 30, '2021-01-01 7:00:00'),
(2, 2002, 901, '美食', 60, '2021-01-01 7:00:00'),
(3, 2003, 902, '旅游', 90, '2021-01-01 7:00:00');
参考答案：
-- 1. 找出最后一次的播放时间
select max(start_time) from tb_user_video_log;
-- 2. 基于最后一次的播放时间，向前推29天(包含当天在内的近30天算)，获取到近30天内的所有播放记录
select *
from tb_user_video_log a,
(select max(start_time) as last_date from tb_user_video_log) b
where datediff(b.last_date, a.start_time) <= 29;
-- 3. 计算每一类视频的转发量和转发率
select t2.tag as tag,
sum(if_retweet) as retweet_cut,
round(sum(if_retweet) / count(*), 3) as retweet_rate
from (
select *
from tb_user_video_log a,
(select max(start_time) as last_date from tb_user_video_log) b
where datediff(b.last_date, a.start_time) <= 29
) t1 left join tb_video_info t2 on t1.video_id = t2.video_id
group by t2.tag order by retweet_rate desc;
题目四：每个创作者每月的涨粉率及截止当前的总粉丝量
有用户-视频互动表tb_user_video_log：
| id | uid | video_id | start_time | end_time | if_follow | if_like | if_retweet | comment_id |
| 1 | 101 | 2001 | 2021-09-01 10:00:00 | 2021-09-01 10:00:20 | 0 | 1 | 1 | NULL |
| 2 | 105 | 2002 | 2021-09-10 11:00:00 | 2021-09-10 11:00:30 | 1 | 0 | 1 | NULL |
| 3 | 101 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:20 | 1 | 1 | 1 | NULL |
| 4 | 102 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:15 | 0 | 0 | 1 | NULL |
| 5 | 103 | 2001 | 2021-10-01 11:00:50 | 2021-10-01 11:01:15 | 1 | 1 | 0 | 1732526 |
| 6 | 106 | 2002 | 2021-10-01 10:59:05 | 021-10-01 11:00:05 | 2 | 0 | 0 | NULL |
uid-用户ID，video_id-视频ID，start_time-开始观看时间，end_time-结束观看时间，if_follow-是否关注，if_like-是否点赞，if_retweet-是否转发，comment_id-评论ID。
有短视频信息表tb_video_info：
| id | video_id | author | tag | duration | release_time |
| 1 | 2001 | 901 | 影视 | 30 | 2021-01-01 07:00:00 |
| 2 | 2002 | 901 | 美食 | 60 | 2021-01-01 07:00:00 |
| 3 | 2003 | 902 | 旅游 | 90 | 2021-01-01 07:00:00 |
| 4 | 2004 | 902 | 美女 | 90 | 2020-01-01 08:00:00 |
video_id-视频ID，author-创作者ID，tag-类别标签，duration-视频时长(秒)，release_time-发布时间。
问题：计算2021年里每个创作者每月的涨粉率及截止当月的总粉丝量。输出结果如下：
| author | month | fans_growth_rate | total_fans |
| 901 | 2021-09 | 0.500 | 1 |
| 901 | 2021-10 | 0.250 | 2 |
注：涨粉率=(加粉量 - 掉粉量) / 播放量。结果按创作者ID、总粉丝量升序排序。if_follow-是否关注，为1表示用户观看视频中关注了视频创作者，为0表示此次互动前后关注状态未发生变化，为2表示本次观看过程中取消了关注。
解释：示例数据中表tb_user_video_log里只有视频2001和2002的播放记录，都来自创作者901，播放时间在2021年9月和10月；其中9月里加粉量为1，掉粉量为0，播放量为2，因此涨粉率为0.500（保留3位小数）；其中10月里加粉量为2，掉份量为1，播放量为4，因此涨粉率为0.250，截止当前总粉丝数为2。
-- 建立用户-视频互动表
drop table if exists tb_user_video_log;
create table tb_user_video_log (
id int comment '自增ID',
uid int comment '用户ID',
video_id int comment '视频ID',
start_time string COMMENT '开始观看时间',
end_time string COMMENT '结束观看时间',
if_follow int comment '是否关注',
if_like int comment '是否点赞',
if_retweet int comment '是否转发',
comment_id int comment '评论ID'
) comment '用户-视频互动表'
row format delimited fields terminated by ',';
-- 建立短视频信息表
drop table if exists tb_video_info;
create table tb_video_info (
id int comment '自增ID',
video_id int comment '视频ID',
author int comment '创作者ID',
tag string comment '类别标签',
duration int comment '视频时长(秒数)',
release_time string comment '发布时间'
) comment '短视频信息表'
row format delimited fields terminated by ',';
-- 插入数据
insert into tb_user_video_log
values (1, 101, 2001, '2021-09-01 10:00:00', '2021-09-01 10:00:20', 0, 1, 1, null),
(2, 105, 2002, '2021-09-10 11:00:00', '2021-09-10 11:00:30', 1, 0, 1, null),
(3, 101, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:20', 1, 1, 1, null),
(4, 102, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:15', 0, 0, 1, null),
(5, 103, 2001, '2021-10-01 11:00:50', '2021-10-01 11:01:15', 1, 1, 0, 1732526),
(6, 106, 2002, '2021-10-01 10:59:05', '2021-10-01 11:00:05', 2, 0, 0, null);
insert into tb_video_info
VALUES (1, 2001, 901, '影视', 30, '2021-01-01 7:00:00'),
(2, 2002, 901, '影视', 60, '2021-01-01 7:00:00'),
(3, 2003, 902, '旅游', 90, '2020-01-01 7:00:00'),
(4, 2004, 902, '美女', 90, '2020-01-01 8:00:00');
参考答案：
-- 1. 获取2021年的数据，日期整理成月的形式
select video_id, date_format(start_time, 'yyyy-MM') as m, if_follow
from tb_user_video_log
where year(start_time) = 2021;
-- 2. 计算每一个作者每一个月的粉丝变化数量以及视频的播放次数
select b.author as author,
a.m as m,
sum(if(a.if_follow = 2, -1, a.if_follow)) as total_fans_m,
count(*) as total_play_m
from (
select video_id, date_format(start_time, 'yyyy-MM') as m, if_follow
from tb_user_video_log
where year(start_time) = 2021
) a left join tb_video_info b on a.video_id = b.video_id
group by b.author, a.m;
-- 3. 计算每一个作者到当前月的粉丝变化率以及总粉丝量
select author,
m as `month`,
round(total_fans_m / total_play_m, 3) as fans_growth_rate,
sum(total_fans_m) over (partition by author order by m rows between unbounded preceding and current row ) as total_fans
from (
select b.author as author,
a.m as m,
sum(if(a.if_follow = 2, -1, a.if_follow)) as total_fans_m,
count(*) as total_play_m
from (
select video_id, date_format(start_time, 'yyyy-MM') as m, if_follow
from tb_user_video_log
where year(start_time) = 2021) a left join tb_video_info b on a.video_id = b.video_id
group by b.author, a.m
) t order by author, total_fans;
题目五：国庆期间每类视频点赞量和转发量
有用户-视频互动表tb_user_video_log：
| id | uid | video_id | start_time | end_time | if_follow | if_like | if_retweet | comment_id |
| 1 | 101 | 2001 | 2021-09-24 10:00:00 | 2021-09-24 10:00:20 | 1 | 1 | 0 | NULL |
| 2 | 105 | 2002 | 2021-09-25 11:00:00 | 2021-09-25 11:00:30 | 0 | 0 | 1 | NULL |
| 3 | 102 | 2002 | 2021-09-25 11:00:00 | 2021-09-25 11:00:30 | 1 | 1 | 1 | NULL |
| 4 | 101 | 2002 | 2021-09-26 11:00:00 | 2021-09-26 11:00:30 | 1 | 0 | 1 | NULL |
| 5 | 101 | 2002 | 2021-09-27 11:00:00 | 2021-09-27 11:00:30 | 1 | 1 | 0 | NULL |
| 6 | 102 | 2002 | 2021-09-28 11:00:00 | 2021-09-28 11:00:30 | 1 | 0 | 1 | NULL |
| 7 | 103 | 2002 | 2021-09-29 11:00:00 | 2021-10-02 11:00:30 | 1 | 0 | 1 | NULL |
| 8 | 102 | 2002 | 2021-09-30 11:00:00 | 2021-09-30 11:00:30 | 1 | 1 | 1 | NULL |
| 9 | 101 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:20 | 1 | 1 | 0 | NULL |
| 10 | 102 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:15 | 0 | 0 | 1 | NULL |
| 11 | 103 | 2001 | 2021-10-01 11:00:50 | 2021-10-01 11:01:15 | 1 | 1 | 0 | 1732526 |
| 12 | 106 | 2002 | 2021-10-02 10:59:05 | 2021-10-02 11:00:05 | 2 | 0 | 1 | NULL |
| 13 | 107 | 2002 | 2021-10-02 10:59:05 | 2021-10-02 11:00:05 | 1 | 0 | 1 | NULL |
| 14 | 108 | 2002 | 2021-10-02 10:59:05 | 2021-10-02 11:00:05 | 1 | 1 | 1 | NULL |
| 15 | 109 | 2002 | 2021-10-03 10:59:05 | 2021-10-03 11:00:05 | 0 | 1 | 0 | NULL |
uid-用户ID，video_id-视频ID，start_time-开始观看时间，end_time-结束观看时间，if_follow-是否关注，if_like-是否点赞，if_retweet-是否转发，comment_id-评论ID。
有短视频信息表tb_video_info：
| id | video_id | author | tag | duration | release_time |
| 1 | 2001 | 901 | 影视 | 30 | 2021-01-01 07:00:00 |
| 2 | 2002 | 901 | 美食 | 60 | 2021-01-01 07:00:00 |
| 3 | 2003 | 902 | 旅游 | 90 | 2021-01-01 07:00:00 |
| 4 | 2004 | 902 | 美女 | 90 | 2020-01-01 08:00:00 |
video_id-视频ID，author-创作者ID，tag-类别标签，duration-视频时长(秒)，release_time-发布时间。
问题：统计2021年国庆头3天每类视频每天的近一周总点赞量和一周内最大单天转发量，结果按视频类别降序、日期升序排序。假设数据库中数据足够多，至少每个类别下国庆头3天及之前一周的每天都有播放记录。结果如下：
| tag | dt | sum_like_cnt_7d | max_retweet_cnt_7d |
| 旅游 | 2021-10-01 | 5 | 2 |
| 旅游 | 2021-10-02 | 5 | 3 |
| 旅游 | 2021-10-03 | 6 | 3 |
解释：由表tb_user_video_log里的数据可得只有旅游类视频的播放，2021年9月25到10月3日每天的点赞量和转发量如下：
| tag | dt | like_cnt | retweet_cnt |
| 旅游 | 2021-09-25 | 1 | 2 |
| 旅游 | 2021-09-26 | 0 | 1 |
| 旅游 | 2021-09-27 | 1 | 0 |
| 旅游 | 2021-09-28 | 0 | 1 |
| 旅游 | 2021-09-29 | 0 | 1 |
| 旅游 | 2021-09-30 | 1 | 1 |
| 旅游 | 2021-10-01 | 2 | 1 |
| 旅游 | 2021-10-02 | 1 | 3 |
| 旅游 | 2021-10-03 | 1 | 0 |
因此国庆头3天（10.01~10.03）里10.01的近7天（9.25~10.01）总点赞量为5次，单天最大转发量为2次（9月25那天最大）；同理可得10.02和10.03的两个指标。
-- 建立用户-视频互动表
drop table if exists tb_user_video_log;
create table tb_user_video_log (
id int comment '自增ID',
uid int comment '用户ID',
video_id int comment '视频ID',
start_time string COMMENT '开始观看时间',
end_time string COMMENT '结束观看时间',
if_follow int comment '是否关注',
if_like int comment '是否点赞',
if_retweet int comment '是否转发',
comment_id int comment '评论ID'
) comment '用户-视频互动表'
row format delimited fields terminated by ',';
-- 建立短视频信息表
drop table if exists tb_video_info;
create table tb_video_info (
id int comment '自增ID',
video_id int comment '视频ID',
author int comment '创作者ID',
tag string comment '类别标签',
duration int comment '视频时长(秒数)',
release_time string comment '发布时间'
) comment '短视频信息表'
row format delimited fields terminated by ',';
-- 插入数据
insert into tb_user_video_log
values (1, 101, 2001, '2021-09-24 10:00:00', '2021-09-24 10:00:20', 1, 1, 0, null),
(2, 105, 2002, '2021-09-25 11:00:00', '2021-09-25 11:00:30', 0, 0, 1, null),
(3, 102, 2002, '2021-09-25 11:00:00', '2021-09-25 11:00:30', 1, 1, 1, null),
(4, 101, 2002, '2021-09-26 11:00:00', '2021-09-26 11:00:30', 1, 0, 1, null),
(5, 101, 2002, '2021-09-27 11:00:00', '2021-09-27 11:00:30', 1, 1, 0, null),
(6, 102, 2002, '2021-09-28 11:00:00', '2021-09-28 11:00:30', 1, 0, 1, null),
(7, 103, 2002, '2021-09-29 11:00:00', '2021-09-29 11:00:30', 1, 0, 1, null),
(8, 102, 2002, '2021-09-30 11:00:00', '2021-09-30 11:00:30', 1, 1, 1, null),
(9, 101, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:20', 1, 1, 0, null),
(10, 102, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:15', 0, 0, 1, null),
(11, 103, 2001, '2021-10-01 11:00:50', '2021-10-01 11:01:15', 1, 1, 0, 1732526),
(12, 106, 2002, '2021-10-02 10:59:05', '2021-10-02 11:00:05', 2, 0, 1, null),
(13, 107, 2002, '2021-10-02 10:59:05', '2021-10-02 11:00:05', 1, 0, 1, null),
(14, 108, 2002, '2021-10-02 10:59:05', '2021-10-02 11:00:05', 1, 1, 1, null),
(15, 109, 2002, '2021-10-03 10:59:05', '2021-10-03 11:00:05', 0, 1, 0, null);
insert into tb_video_info
VALUES (1, 2001, 901, '影视', 30, '2021-01-01 7:00:00'),
(2, 2002, 901, '影视', 60, '2021-01-01 7:00:00'),
(3, 2003, 902, '旅游', 90, '2020-01-01 7:00:00'),
(4, 2004, 902, '美女', 90, '2020-01-01 8:00:00');
参考答案：
-- 1. 锁定数据范围：2021-09.25~2021-10-03
select video_id, date(start_time), if_like, if_retweet
from tb_user_video_log
where datediff('2021-10-03', start_time) < 9;
-- 2. 统计每一类视频每天的点赞量和转发量
select b.tag as tag,
a.dt as dt,
sum(a.if_like) as total_like_d,
sum(a.if_retweet) as total_retweet_d
from (
select video_id, date(start_time) as dt, if_like, if_retweet
from tb_user_video_log
where datediff('2021-10-03', start_time) < 9
) a left join tb_video_info b on a.video_id = b.video_id
group by b.tag, a.dt;
-- 3. 统计最近7天的点赞总量和最大转发量
select tag,
dt,
sum(total_like_d) over (partition by tag order by dt rows between 6 preceding and current row ) as sum_like_cnt_7d,
max(total_retweet_d) over (partition by tag order by dt rows between 6 preceding and current row) as max_retweet_cnt_7d
from (
select b.tag as tag,
a.dt as dt,
sum(a.if_like) as total_like_d,
sum(a.if_retweet) as total_retweet_d
from (
select video_id, date(start_time) as dt, if_like, if_retweet
from tb_user_video_log
where datediff('2021-10-03', start_time) < 9
) a left join tb_video_info b on a.video_id = b.video_id
group by b.tag, a.dt
) t1;
-- 4. 过滤出10-01~10-03
select *
from (
select tag,
dt,
sum(total_like_d) over (partition by tag order by dt rows between 6 preceding and current row ) as sum_like_cnt_7d,
max(total_retweet_d) over (partition by tag order by dt rows between 6 preceding and current row) as max_retweet_cnt_7d
from (
select b.tag as tag,
a.dt as dt,
sum(a.if_like) as total_like_d,
sum(a.if_retweet) as total_retweet_d
from (
select video_id, date(start_time) as dt, if_like, if_retweet
from tb_user_video_log
where datediff('2021-10-03', start_time) < 9
) a left join tb_video_info b on a.video_id = b.video_id
group by b.tag, a.dt
) t1
) t2 where month(dt) = 10
order by tag desc, dt asc;
题目六：近一个月发布的视频中热度最高的top3视频
有用户-视频互动表tb_user_video_log：
| id | uid | video_id | start_time | end_time | if_follow | if_like | if_retweet | comment_id |
| 1 | 101 | 2001 | 2021-09-24 10:00:00 | 2021-09-24 10:00:30 | 1 | 1 | 1 | NULL |
| 2 | 101 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:31 | 1 | 1 | 0 | NULL |
| 3 | 102 | 2001 | 2021-10-01 10:00:00 | 2021-10-01 10:00:35 | 0 | 0 | 1 | NULL |
| 4 | 103 | 2001 | 2021-10-03 11:00:50 | 2021-10-03 10:00:35 | 1 | 1 | 0 | 1732526 |
| 5 | 106 | 2002 | 2021-10-02 11:00:05 | 2021-10-02 11:01:04 | 2 | 0 | 1 | NULL |
| 6 | 107 | 2002 | 2021-10-02 10:59:05 | 2021-10-02 11:00:06 | 1 | 0 | 0 | NULL |
| 7 | 108 | 2002 | 2021-10-02 10:59:05 | 2021-10-02 11:00:05 | 1 | 1 | 1 | NULL |
| 8 | 109 | 2002 | 2021-10-03 10:59:05 | 2021-10-03 11:00:01 | 0 | 1 | 0 | NULL |
| 9 | 105 | 2002 | 2021-09-25 11:00:00 | 2021-09-25 11:00:30 | 1 | 0 | 1 | NULL |
| 10 | 101 | 2003 | 2021-09-26 11:00:00 | 2021-09-26 11:00:30 | 1 | 0 | 0 | NULL |
| 11 | 101 | 2003 | 2021-09-30 11:00:00 | 2021-09-30 11:00:30 | 1 | 1 | 0 | NULL |
uid-用户ID，video_id-视频ID，start_time-开始观看时间，end_time-结束观看时间，if_follow-是否关注，if_like-是否点赞，if_retweet-是否转发，comment_id-评论ID。
有短视频信息表tb_video_info：
| id | video_id | author | tag | duration | release_time |
| 1 | 2001 | 901 | 影视 | 30 | 2021-09-05 07:00:00 |
| 2 | 2002 | 901 | 美食 | 60 | 2021-09-05 07:00:00 |
| 3 | 2003 | 902 | 旅游 | 90 | 2021-09-05 07:00:00 |
| 4 | 2004 | 902 | 美女 | 90 | 2021-09-05 08:00:00 |
video_id-视频ID，author-创作者ID，tag-类别标签，duration-视频时长(秒)，release_time-发布时间。
问题：找出近一个月发布的视频中热度最高的top3视频。结果如下：
| video_id | hot_index |
| 2001 | 122 |
| 2002 | 56 |
| 2003 | 1 |
注意：
1)热度=(a*视频完播率+b*点赞数+c*评论数+d*转发数)/新鲜度；
2)新鲜度=最近无播放天数+1，最近无播放天数指的是最后一次播放日期到最近日期之间的天数间隔；
3)当前配置的参数a，b，c，d分别为100、5、3、2；
4)最近播放日期以end_time为准，假设为T，则最近一个月按[T-29, T]闭区间统计；
5)结果中热度保留为整数，并按热度降序排序。
解释：假设最近播放日期为2021-10-03，记作当天日期；近一个月（2021-09-04及之后）发布的视频有2001、2002、2003、2004，不过2004暂时还没有播放记录；视频2001完播率1.0（被播放次数4次，完成播放4次），被点赞3次，评论1次，转发2次，最后一次播放日期为2021-10-03，所以最近无播放天数为0，因此热度为：(100*1.0+5*3+3*1+2*2)/(0+1)=122；同理，视频2003完播率0，被点赞数1，评论和转发均为0，最后一次播放日期为2021-09-30，所以最近无播放天数为3，因此热度为：(100*0+5*1+3*0+2*0)/(3+1)=1（1.2保留为整数）。
-- 建立用户-视频互动表
drop table if exists tb_user_video_log;
create table tb_user_video_log (
id int comment '自增ID',
uid int comment '用户ID',
video_id int comment '视频ID',
start_time string COMMENT '开始观看时间',
end_time string COMMENT '结束观看时间',
if_follow int comment '是否关注',
if_like int comment '是否点赞',
if_retweet int comment '是否转发',
comment_id int comment '评论ID'
) comment '用户-视频互动表'
row format delimited fields terminated by ',';
-- 建立短视频信息表
drop table if exists tb_video_info;
create table tb_video_info (
id int comment '自增ID',
video_id int comment '视频ID',
author int comment '创作者ID',
tag string comment '类别标签',
duration int comment '视频时长(秒数)',
release_time string comment '发布时间'
) comment '短视频信息表'
row format delimited fields terminated by ',';
-- 插入数据
insert into tb_user_video_log
values (1, 101, 2001, '2021-09-24 10:00:00', '2021-09-24 10:00:30', 1, 1, 1, null),
(2, 101, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:31', 1, 1, 0, null),
(3, 102, 2001, '2021-10-01 10:00:00', '2021-10-01 10:00:35', 0, 0, 1, null),
(4, 103, 2001, '2021-10-03 11:00:50', '2021-10-03 11:01:35', 1, 1, 0, 1732526),
(5, 106, 2002, '2021-10-02 10:59:05', '2021-10-02 11:00:04', 2, 0, 1, null),
(6, 107, 2002, '2021-10-02 10:59:05', '2021-10-02 11:00:06', 1, 0, 0, null),
(7, 108, 2002, '2021-10-02 10:59:05', '2021-10-02 11:00:05', 1, 1, 1, null),
(8, 109, 2002, '2021-10-03 10:59:05', '2021-10-03 11:00:01', 0, 1, 0, null),
(9, 105, 2002, '2021-09-25 11:00:00', '2021-09-25 11:00:30', 1, 0, 1, null),
(10, 101, 2003, '2021-09-26 11:00:00', '2021-09-26 11:00:30', 1, 0, 0, null),
(11, 101, 2003, '2021-09-30 11:00:00', '2021-09-30 11:00:30', 1, 1, 0, null);
insert into tb_video_info
VALUES (1, 2001, 901, '旅游', 30, '2021-09-05 7:00:00'),
(2, 2002, 901, '旅游', 60, '2021-09-05 7:00:00'),
(3, 2003, 902, '影视', 90, '2021-09-05 7:00:00'),
(4, 2004, 902, '影视', 90, '2021-09-05 8:00:00');
参考答案：
-- 1. 获取最后一次的结束时间
select max(date(end_time)) as last_date
from tb_user_video_log;
-- 2. 获取最近一个月的发布的视频
select video_id, duration
from tb_video_info a,
(select max(date(end_time)) as last_date from tb_user_video_log) b
where datediff(b.last_date, date(a.release_time)) <= 29;
-- 3. 统计每一条视频结束日期到最后日期之间的日期差、播放时长和其他信息
select video_id,
datediff(last_date, date(end_time)) as no_play_day,
unix_timestamp(end_time) - unix_timestamp(start_time) as play_time,
if_like,
if(comment_id is null, 0, 1) as if_comment,
if_retweet
from tb_user_video_log a,
(select max(date(end_time)) as last_date from tb_user_video_log) b;
-- 4. 统计最近一个月发布的每一个视频最近的无播放天数、完播率、总点赞量、总评论数、总转发数
select t1.video_id as video_id,
min(t1.no_play_day) as no_play_count,
sum(if(t1.play_time >= t2.duration, 1, 0)) / count(*) as play_rate,
sum(t1.if_like) as like_count,
sum(t1.if_comment) as comment_count,
sum(t1.if_retweet) as retweet_count
from (
select video_id,
datediff(last_date, date(end_time)) as no_play_day,
unix_timestamp(end_time) - unix_timestamp(start_time) as play_time,
if_like,
if(comment_id is null, 0, 1) as if_comment,
if_retweet
from tb_user_video_log a,
(select max(date(end_time)) as last_date from tb_user_video_log) b) t1
left join (select video_id, duration
from tb_video_info a,
(select max(date(end_time)) as last_date from tb_user_video_log) b
where datediff(b.last_date, date(a.release_time)) <= 29) t2 on t1.video_id = t2.video_id
group by t1.video_id;
-- 5. 计算每一个视频的热度
select video_id,
round((100 * play_rate + 5 * like_count + 3*comment_count + 2 * retweet_count) / (no_play_count + 1)) as hot_index
from (
select t1.video_id as video_id,
min(t1.no_play_day) as no_play_count,
sum(if(t1.play_time >= t2.duration, 1, 0)) / count(*) as play_rate,
sum(t1.if_like) as like_count,
sum(t1.if_comment) as comment_count,
sum(t1.if_retweet) as retweet_count
from (
select video_id,
datediff(last_date, date(end_time)) as no_play_day,
unix_timestamp(end_time) - unix_timestamp(start_time) as play_time,
if_like,
if(comment_id is null, 0, 1) as if_comment,
if_retweet
from tb_user_video_log a, (select max(date(end_time)) as last_date from tb_user_video_log) b
) t1 left join (
select video_id, duration from tb_video_info a, (select max(date(end_time)) as last_date from tb_user_video_log) b
where datediff(b.last_date, date(a.release_time)) <= 29
) t2 on t1.video_id = t2.video_id group by t1.video_id
) t order by hot_index desc limit 3;
相关文章：
Day4-Hive直播行业基础笔试题
Hive笔试题实战 短视频 题目一：计算各个视频的平均完播率 有用户-视频互动表tb_user_video_log： id uid video_id start_time end_time if_follow if_like if_retweet comment_id 1 101 2001 2021-10-01 10:00:00 2021-10-01 10:00:30 …...
mybatis批量新增数据
数据量大的时候如果在循环中执行单条新增操作，是非常慢的。那么如何在mybatis中实现批量新增数据呢？ 方法 insert 标签的 foreach 属性可以用于批量插入数据。您可以使用 foreach 属性遍历一个集合，并为集合中的每个元素生成一条插入语句。…...
webrtcP2P通话流程
文章目录 webrtcP2P通话流程webrtc多对多 mesh方案webrtc多对多 mcu方案webrtc多对多 sfu方案webrtc案例测试getUserMediagetUserMedia基础示例-打开摄像头getUserMedia canvas - 截图 打开共享屏幕 webrtcP2P通话流程 在这里，stun服务器包括stun服务和turn转发服…...
游戏引擎中的物理系统
一、物理对象与形状 1.1 对象 Actor 一般来说，游戏中的对象（Actor）分为以下四类： 静态对象 Static Actor动态对象 Dynamic Actor ---- 可能受到力/扭矩/冲量的影响检测器 TriggerKinematic Actor 运动学对象 ---- 忽略物理法则…...
【C++ STL有序关联容器】map 映射
文章目录 【 1. 基本原理 】【 2. map 的创建 】2.1 调用默认构造函数，创建一个空的 map2.2 map 被构造的同时初始化2.3 通过一个 queue 初始化另一个 queue2.4 取已建 map 中指定区域内的键值对，初始化新的 map2.5 指定排序规则 【 2. map 元素的操作 】…...
【ZZULIOJ】1041: 数列求和2（Java）
目录 题目描述 输入 输出 样例输入 Copy 样例输出 Copy code 题目描述 输入一个整数n，输出数列1-1/31/5-……前n项的和。 输入 输入只有一个整数n。 输出 结果保留2为小数,单独占一行。 样例输入 Copy 3 样例输出 Copy 0.87 code import java.util…...
C++【适配器模式】
简单介绍 适配器模式是一种结构型设计模式 | 它能使接口不兼容的对象能够相互合作。（是适配各种不同接口的一个中间件） 基础理解 举个例子：当你引用了一个第三方数据分析库，但这个库的接口只能兼容JSON 格式的数据。但你需要它…...
go | 上传文件分析 | http协议分析 | 使用openssl 实现 https 协议 server.key、server.pem
是这样的，现在分析抓包数据 test.go package mainimport ("fmt""log""github.com/gin-gonic/gin" )func main() {r : gin.Default()// Upload single filer.MaxMultipartMemory 8 << 20r.POST("/upload", func(c *g…...
Chatgpt掘金之旅—有爱AI商业实战篇|专业博客|（六）
演示站点： https://ai.uaai.cn 对话模块 官方论坛： www.jingyuai.com 京娱AI 一、AI技术创业博客领域有哪些机会？ 人工智能（AI）技术作为当今科技创新的前沿领域，为创业者提供了广阔的机会和挑战。随着AI技…...
单例模式 JAVA
单例模式 什么是单例模式？ 1、单例类只能有一个实例。2、单例类必须自己创建自己的唯一实例。3、单例类必须给所有其他对象提供这一实例。 应用：数据库的连接类，这样就可以确保只创建一次。节省资源。 单例模式代码：涉及懒加载…...
C++从入门到精通——初步认识面向对象及类的引入
初步认识面向对象及类的引入 前言一、面向过程和面向对象初步认识C语言C 二、类的引入C的类名代表什么示例 C与C语言的struct的比较成员函数访问权限继承默认构造函数默认成员初始化结构体大小 总结 前言 面向过程注重任务的流程和控制，适合简单任务和流程固定的场…...
GitHub入门与实践
ISBN: 978-7-115-39409-5 作者：【日】大塚弘记 译者：支鹏浩、刘斌 页数：255页 阅读时间：2023-08-05 推荐指数：★★★★★ 好久之前读完的了，一直没有写笔记。 这本入门Git的书籍还是非常推荐的，…...
centos 安装 stable-diffusion 详细流程
一、安装git 新版 先安装git 工具来更新git源码 ， 载下源码后卸载git 版本(centos 默认1.8版本，说是安装会引起失败) 安装git 命令，可使用 git --version查看版本 sudo yum install git -y 卸载git命令 sudo yum remove git 正式源码安装…...
CSS编写登录框样式
/* 重置浏览器默认样式 */ * { margin: 0; padding: 0; box-sizing: border-box; } /* 设置登录框的基本样式 */ .login-box { width: 100%; max-width: 400px; margin: 50px auto; background-color: #f4f4f4; padding: 20px; box-shad…...
)
Python|OpenCV-获取鼠标点击位置的坐标，并绘制图像(13)
前言 本文是该专栏的第14篇，后面将持续分享OpenCV计算机视觉的干货知识，记得关注。 本文主要来详细说明，基于OpenCV来获取鼠标点击位置的坐标，并按坐标的位置进行自动绘制图像。具体怎么实现，笔者在正文中将结合实际代码案例进行详细说明。 具体细节部分以及完整代码的实…...
：命令模式)
设计模式(14)：命令模式
介绍 将一个请求封装为一个对象，从而使我们可用不同的请求对象客户进行参数化；对请求排队或者记录请求日志，以及支持可撤销的操作。也称之为：动作Action模式，事务transaction模式。 命令模式角色 抽象命令类(Comman…...
关于阿里云云数据库自动扩缩容和自动SQL优化的20道面试题
1. 请解释阿里云云数据库自动扩缩容的概念及其工作原理。 阿里云云数据库自动扩缩容是一种基于数据库实例的实时性能数据，能够发现流量异常并提供合理的数据库规格建议和磁盘容量建议的功能。其工作原理如下： 性能监控：系统会实时监控数据库…...
mkcert生成ssl证书+nginx部署局域网内的https服务访问问题
文章目录 mkcert生成ssl证书nginx部署局域网内的https服务访问问题1、下载mkcert查看自己的电脑是arm还是amd架构 2、安装mkcert3、测试mkcert是否安装成功4、查看CA证书存放位置5、打开windows的证书控制台6、生成自签证书,可供局域网内使用其他主机访问以下是nginx部署https服…...
PTA C 1050 螺旋矩阵（思路与优化）
本题要求将给定的 N 个正整数按非递增的顺序，填入“螺旋矩阵”。所谓“螺旋矩阵”，是指从左上角第 1 个格子开始，按顺时针螺旋方向填充。要求矩阵的规模为 m 行 n 列，满足条件：mn 等于 N；m≥n；且…...
神经网络分类和回归任务实战
学习方法：torch 边用边学，边查边学 真正用查的过程才是学习的过程 直接上案例，先来跑，遇到什么解决什么 数据集Minist 数据集 做简单的任务 Minist 分类任务 总体代码（可以跑通） from pathlib import …...
Flask RESTful 示例
目录 1. 环境准备2. 安装依赖3. 修改main.py4. 运行应用5. API使用示例获取所有任务获取单个任务创建新任务更新任务删除任务 中文乱码问题： 下面创建一个简单的Flask RESTful API示例。首先，我们需要创建环境，安装必要的依赖，然后…...
MVC 数据库
MVC 数据库 引言 在软件开发领域，Model-View-Controller（MVC）是一种流行的软件架构模式，它将应用程序分为三个核心组件：模型（Model）、视图（View）和控制器（Controller）。这种模式有助于提高代码的可维护性和可扩展性。本文将深入探讨MVC架构与数据库之间的关系，以…...
在四层代理中还原真实客户端ngx_stream_realip_module
一、模块原理与价值 PROXY Protocol 回溯 第三方负载均衡（如 HAProxy、AWS NLB、阿里 SLB）发起上游连接时，将真实客户端 IP/Port 写入 PROXY Protocol v1/v2 头。Stream 层接收到头部后，ngx_stream_realip_module 从中提取原始信息…...
页面渲染流程与性能优化
页面渲染流程与性能优化详解（完整版） 一、现代浏览器渲染流程（详细说明） 1. 构建DOM树 浏览器接收到HTML文档后，会逐步解析并构建DOM（Document Object Model）树。具体过程如下： (…...
回溯算法学习
一、电话号码的字母组合 import java.util.ArrayList; import java.util.List;import javax.management.loading.PrivateClassLoader;public class letterCombinations {private static final String[] KEYPAD {"", //0"", //1"abc", //2"…...
Mysql中select查询语句的执行过程
目录 1、介绍 1.1、组件介绍 1.2、Sql执行顺序 2、执行流程 2.1. 连接与认证 2.2. 查询缓存 2.3. 语法解析（Parser） 2.4、执行sql 1. 预处理（Preprocessor） 2. 查询优化器（Optimizer） 3. 执行器…...
处理vxe-table 表尾数据是单独一个接口，表格tableData数据更新后，需要点击两下，表尾才是正确的
修改bug思路： 分别把 tabledata 和 表尾相关数据 console.log() 发现 更新数据先后顺序不对 settimeout延迟查询表格接口 ——测试可行 升级↑：async await 等接口返回后再开始下一个接口查询 ________________________________________________________…...
软件工程 期末复习
瀑布模型：计划 螺旋模型：风险低 原型模型: 用户反馈 喷泉模型:代码复用 高内聚 低耦合：模块内部功能紧密 模块之间依赖程度小 高内聚：指的是一个模块内部的功能应该紧密相关。换句话说，一个模块应当只实现单一的功能…...
绕过 Xcode？使用 Appuploader和主流工具实现 iOS 上架自动化
iOS 应用的发布流程一直是开发链路中最“苹果味”的环节：强依赖 Xcode、必须使用 macOS、各种证书和描述文件配置……对很多跨平台开发者来说，这一套流程并不友好。 特别是当你的项目主要在 Windows 或 Linux 下开发（例如 Flutter、React Na…...
32单片机——基本定时器
STM32F103有众多的定时器，其中包括2个基本定时器（TIM6和TIM7）、4个通用定时器（TIM2~TIM5）、2个高级控制定时器（TIM1和TIM8），这些定时器彼此完全独立，不共享任何资源 1、定…...