签署 label shop 多个数据库表格使用本节将介绍多个数据库表格导入软件的使用方法。 软件默认状态下只能导入一个数据表格, 在选项菜单下的系统选项中找到打印和数据库数千页勾选默认使用多个数据连接选项。 我们在进入设置数据库选项后,会出现一个新的数据库访问设置界面,在这里面我们就可以分别新建连接多个数据库文件。 在对象属性中,我们就可以分别选择不同数据库文件的不同字段了。 需要注意的是,多数据库使用时,最大记录数为最多记录的数据表格, 还可以继续加入 excel 表格文件。 好了,多表格数据库使用就介绍到这里。
粉丝78获赞173

b 数是一种多路平衡搜索数,每个节点可以包含多个键和多个子节点。与二叉搜索数不同, b 数的节点可以有两个以上的子节点, 节点内的键有序排列,子数的值范围由负节点的键分隔,所有叶子节点在同一层,保证了数的平衡。 搜索十二,先在根节点比较,十二在十和二十之间走中间子数,到达子节点后,在节点内部扫描找到十二,每深一层就是一次磁盘 i o 搜索八比八小于十,走左子数,在叶子节点中扫描三不等于八,没有更深的子节点。搜索位命中 插入五,先搜索到左叶子节点,该节点只有一个键,还有空间直接插入并保持有序。三五, 现在插入十七,先从根节点定位到中间子节点,插入后节点变为十二、十五。十七超过最多两个键的容量,触发分裂。 分裂过程先将一出节点分为两半,中间键十五上提到复节点,此时根节点变为十十五,二十也发生一出,因此继续分裂根节点十五成为新的根。 数据库和文件系统使用 b 数,因为硬盘读写以快为单位,每个 b 数节点对应一个硬盘快,可以容纳几百个键,一颗三层 b 数就能锁引上百万条记录,每次查找只需二到三次硬盘 i o。 b 数是一种多路平衡搜索数,每个节点包含多个有序键,所有叶子在同一层,保证平衡节点一出时通过分裂和键上提来自动调整。它对磁盘 i o 极其友好,是数据库所引的核心数据结构。

大家好,最近大家是不是都有这个烦恼?工作台做完了,然后呢?大脑一片空白。我刚开始使用 codex 的 时候,打了半天字,他还是理解不了我的需求,白白浪费了很多额度。 后来我才明白,很多时候不是 ai 不 够聪明,而是我自己都没有想清楚到底要什么。和百度时代一样,给一个模糊的搜索词,却搜不出来想要的结果。 因为我们只给 ai 一个模糊的目标,它当然会越做越偏。所以,想要灵活运用 ai, 先做两件事,第一,把目标想清楚。第二,学会判断结果。现在我会用 codex 和 obsidian 建立自己的资料库, 给内容制定规范、评分和筛选机制,再慢慢形成自己的工作方式。这套方法不止适合 codex 使用,任何 ai 工具,比如豆包都可以这样操作,一、下载任何一款 ai 工具。二、下载 obsidian。 三、告诉 ai, 从现在开始你就是我的第二大脑,帮我建立 obsidian 数据库。四、把你的日常文件或者工作需求都甩给 ai。 五、让 ai 制定数据库管理规范和评分筛选机制。六、定期更新规范就可以了,欢迎各位朋友在评论区共同讨论。

纤夫 label shop 数据库查询打印本节将介绍数据库打印的高级应用之一,查询记录打印。 首先编辑好一个含数据库内容的标签模板, 我们在这里以条码制为查询对象, 在软件的快捷打印窗体中选择参数设置,在弹出的打印参数窗体中找到数据库书签页下的搜索设置,勾选允许打印时搜索数据记录,选择数据库文件 搜索字段名称,在搜索方向中确认查找规则以及是否精确匹配,同时可以给这个搜索录入一个提示名称。 查询规则设置好后,在快捷打印窗体中就会出现搜索查询内容,此时我们就可以根据条码字段查询,并且定位需要打印的记录, 查询的记录我们也可以打赢多份。

生信小白最容易踩的坑不是代码报错,而是连数据库该去哪找都没弄清楚。做公共数据分析,这六个数据库一定要熟悉。第一,基友英文全称是 gene expression omnibus, 它是使用频率非常高的转录组公共数据库,本数量和研究类型都比较丰富,除了 m r m a 表达数据,还包含假计划、 mona 等多类组学信息, 就支持类似 popmad 的 检测逻辑,能够通过组合关键词提高筛选效率。它的不足是原始数据由不同研究团队上传,键格式缺乏统一标准, 部分数据还需要重新整理和质控。不过正因为数据类型丰富,它非常适合新手练习。第二, ucslexina 平台整合了 tcga、 gtx 等大型队列,最大的特点是数据整理规范,临床资料相对完整,而且界面操作清晰,不可以直接查看基因表达、甲基化和其他多组学信息,特别适合做肿瘤方向的表达比较、 预后分析和分子特征研究。但它的优势资源主要集中在肿瘤相关队列。对其他疾病的数据库常被称为 gio 的 姊妹平台, 它的数据上传格式相对更标准,此当 g u 中没有找到合适的数据集,直到 array express 继续补充。它的主要缺点是收入数据量相对较少,解锁功能也不如 g u 方便。四、 genealogy, 也就是 go 数据库。 go 赋级分析是生性论文中最常见的功能分析之一,它可以帮助研究者解释目标基因主要参与哪些生物过程,位于哪些细胞组份, 又具备哪些分子功能。除了负极分析, goo 也可以用于查询单个基因的功能注视。第五、 keg 全称 kyoto encyclopedia of janissan genomes, 是 进行通路负极和机制解释的重要数据库,可以查询基因所涉及的信号、通路、代谢、网络和疾病相关过程。 论文中常见的 keg 负极气泡图、柱状图以及通路机制图多信息都来源于这里,不过该网站有时访问较困难。六、 gse 基因级资源机 c 主要从整体基因级的角度判断某条通路是否被激活或抑制,比只看差异基因更容易发现协调变化的生物学过程。 它覆盖的基因级类型非常广,文件分类包括 h 和 c 一 至 c 九等集合。其中 c 五主要对应 go, 开个相关内容则被收入在 c 二的一部分中。 简单总结, giorgio express 负责找公共数据, ucsixina 适合肿瘤多祖学整合 go 回答基因有什么功能,则回答基因参与什么通路。 gsi 则判断整套通路是否整体发生变化。把这六个数据库真正用熟,基础生性分析就有了完整的数据和功能解释框架。

记录我的爬虫学习日常,今天认识和使用 mongol db。 一、 什么是 mongol db? mongol db 是 一款非关系型数据库, nosql 和 my sql 关系型数据库不同,不需要预先设计表结构,不需要维护多张表之间关联关系。二、 mongol db 特点 一、无固定文档结构,不需要提前创建表定义字段类型,同集合内的文档可以拥有不同字段灵活扩展字段。注意,不是完全不需要结构,而是不用强制统一结构。二、高性能,读写性能优秀,适合海量数据高并发场景。 三、扩展性强,方便横向扩容,支持分布式部署。四、 jason 风格,存储数据以类似 jason 格式的 b s o n 保存,前后端交互更加友好。 注意,使用前需要将芒勾 db 程序目录配置到系统环境变量,才能在任意终端直接调用,命令这里就不再赘述了。三、芒勾 db shell 芒勾 db shell 芒表示是官方交互式命令行工具作用和数据库交互,执行增删改查,创建锁影,管理数据库运行 js 脚本。 四、术语对照表 mongod db 和 my sql 这里了解就行。 database collection 集合 document 文档 fill 字段 index 锁影下划线 id 主键。五、数据库基础操作命令 show dbs, 查看所有存在的数据库 use 数据库名切换创建数据库 db, 查看当前正在使用的数据库 db 点 create collection 集合名称创建集合 show tables, 查看当前库下所有集合 show collections, 查看当前库下所有集合两种写法等价。 d b 点 drop database 括号删除当前数据库 cls 清屏 windows 终端有效。注意 us, 不 存在的数据库不会立刻创建,只有往库中插入第一条数据,数据库才会真正生成。六、知识拓展一 mongogdb 默认主键下划线 id, 不 手动指定时数据库自动生成唯一 optid。

大家好,欢迎来到第二十课,这是模块五的最后一节核心课程,也是我们 ai 项目落地的关键安全课程。前面我们学会了调用 api 接口操作数据库,但是大家一定会有疑问, ai 服务的密钥接口凭证能不能直接写在前端代码里?为什么网上一直强调不能泄露密钥? 今天我们就彻底讲透接口安全机制、密钥保护方案、环境变量的核心用法,教会大家安全规范地对接 ai 服务,避免开发中最常见的安全漏洞和项目事故。 在接口开发中,我们最常用的三种身份凭证分别是登录绘画、 token 和 api key, 三者作用完全不同,新手很容易混淆。首先是登录绘画,主要用于网站用户登录,由服务端记录用户的登录状态,区分已登录和未登录用户。 然后是 token, 它是用户的专属身份令牌,用户登录成功后,后端下发 token, 前端携带 token 请求接口,证明用户身份,实现权限区分。 最后是 apikey, 这是我们调用 ai 服务第三方服务的核心密钥,相当于服务的开门密码,拥有合法的 apikey 才能解锁 ai 的 拆解生成对话能力,是第三方服务的唯一调用凭证。 本节课最重要必须牢记的核心原则,所有密钥、 apikey 服务凭证绝对不能写在前端代码中。很多新手为了方便,直接把 ai 密钥写在 js 代码里,本地调试可以正常使用,但项目上线后,任何人打开浏览器,开发者工具就能完整看到你的密钥。 一旦密钥泄露,陌生人可以随意使用你的 ai 服务,消耗你的账号额度,甚至产生高额扣费,造成无法挽回的损失。因为前端代码是完全公开透明的,没有任何加密和隐藏能力,所有写入前端的私密信息都会被暴露。 所以行业统一规范是所有密钥统一存放在后端,前端永远不触碰核心凭证。为了解决密钥安全问题,行业制定了标准的 ai 服务安全调用链路,也就是前端自己的后端 ai 官方服务。 我们拆解一下完整流程,第一步,前端页面收集用户的请求参数,比如代办任务内容,只传递业务参数,不携带任何密钥。第二步,前端将参数发送给我们自己的后端接口。第三步,后端读取本地保存的私密 api key, 携带参数和密钥请求 ai 服务。 第四步, ai 服务处理完成后,将结果返回给后端,后端再转发给前端,展示给用户。整套链路中,密钥只存在后端,全程不暴露给前端,完美规避泄露风险。同时,后端可以统一管控请求,限制频率,过滤非法请求,大幅提升项目安全性,这是所有 ai 项目的标准对接方式。 后端存放密钥不会直接写在业务代码里,而是统一存放在点 evv 环境变量文件中。 evv 是 项目专属的私密配置文件,专门用来存放 apikey、 数据库、密码、服务地址、端口等所有私密易变动、不能公开的配置。 它和普通原代码有本质区别,原代码是公开的,需要上传托管的业务代码,而点 evv 文件是本地私密文件,绝对禁止上传代码仓库 后端代码通过读取环境变量获取密钥配置,既实现了密钥隐藏,又方便我们切换配置。比如开发环境和正式环境的 ai 密钥不同,我们只需要修改点英文微文件,无需改动业务代码,大幅提升项目可维护性。 为了适配不同基础的同学,本课程后端服务搭建提供两种技术站选择,大家二选一即可,不需要同时学习两套语法。第一种是 node js 方案,全程沿用我们课程的 javascript 主线语法,前后端统一语言学习成本最低,无缝衔接前端代码,适合零基础想统一技术站的同学。 第二种是 python 方案, python 语法极简,代码量少,服务搭建快速,适合想要快速跑通 ai 服务,专注业务实现的同学。不管选择哪种方案,我们只讲解搭建后端接口、读取环境变量、转发 ai 请求的最小必要代码,不容于不增加学习负担,保证大家快速落地。项目 对接 ai 接口过程中会遇到各类异常状态,我们需要提前做好容错处理。最常见的是密钥错误,大概率是验微文件配置错误,密钥复制不全,密钥过期导致。其次是额度耗尽, ai 服务有免费额度上限,额度用完会直接请求失败。 还有网络超时、服务器宕机、服务维护等问题,我们需要在后端和前端双层捕获异常,设置请求超时时间,超时后自动终止请求,避免页面卡死。 同时针对不同的异常场景展示对应的友好提示,比如密钥配置异常,请检查服务配置, ai 额度已耗尽,请稍后重试。服务暂时不可用,保证项目即使报错也不会崩溃,提升稳定性。 接口开发必须遵守行业核心的最小权限原则,简单来说就是只开放项目必须用到的能力,关闭所有多余权限,最大限度降低风险。 后端接口需要做好权限校验,拦截非法请求、无凭证请求,防止陌生人随意调用我们的 ai 接口,消耗服务额度。同时所有身份凭证都有有效期,登录 token 会自动过期。 ai 密钥建议定期轮换更新,避免长期使用同一凭证带来的泄露风险。 权限管控凭证过期最小权限设计是企业级项目安全规范的核心,也是我们个人项目必须养成的开发习惯。 项目上线代码托管之前,必须完成三项核心安全检查,这是杜绝安全事故的最后防线。第一,检查所有前端代码,确保没有任何 api key 密钥私密配置。 第二,检查 g t 提交配置,确保点 n v 环境变量文件被过滤,不会上传到公开仓库。第三,检查项目所有文件,杜绝数据库密码、个人凭证隐私数据泄露。 很多新手项目上线后密要被盗用,百分之九十都是因为随意提交私密配置文件导致。大家一定要记住,所有私密配置凭证信息永远本地留存,绝不公开上传,这是开发的底线规范。 最后,我们学习应急处理方案,万一不慎导致密钥泄露,不要慌张,按照标准流程快速止损。第一步,立即在 ai 服务后台停用泄露的旧密钥,阻止继续被盗用。第二步,生成全新的 api key, 替换项目点密文件中的旧密钥,完成密钥轮换。 第三步,核查账号额度、消耗记录、请求日制排查是否产生异常扣费、恶意请求。第四步,复盘漏洞原因,修复代码和提交配置,杜绝再次泄露。 整套流程可以最大限度降低损失,也是专业开发者必备的应急能力。本节课,我们彻底打通了 ai 项目的安全开发闭环,学会了密钥保护、环境变量配置、接口安全调用、权限管控和应急处理,解决了新手开发 ai 项目最大的安全隐患。 同时,我们也完成了整个模块五的学习,从本地存储网络、 a p i 数据库到后端接口安全完整掌握了网页联网、数据存储、 ai 服务调用的所有核心能力。 至此,我们已经具备了开发完整 ai 交互项目的所有理论和实操基础。下一个模块,我们将学习版本管理和现代前端工程化知识,为项目规范开发、迭代上线做好全面准备。

这个二十兆的跨平台数据库客户端,正在用 ai 改变数据库管理方式。 传统数据库管理工具笨重复杂,操作门槛高, dbs 却用 ai 重新定义了数据库客户端,支持七零加数据库,从 mysql 到达梦一网打尽。 它基于 rust 开发,性能稳定,且项目在 github 上获得一万三千二百九十三颗星,说明其技术价值和社区认可度。 它内置 ai 助手,能自动补全 cq 分 析、查询性能,甚至能预判你下一步要做什么。 mcp server 则让数据库连接更稳定,支持多端协助。 此外, dbx 还提供 c i、 l i 桌面端和 docker 部署方式,满足不同场景下的使用需求。 从桌面到 docker, dbx 无缝兼容,让开发者、运维、产品经理都能轻松管理数据库。它不仅支持 mysql、 postgradsql、 readis 等主流数据库,还兼容达梦、 duckdb 等国产数据库,覆盖企业级场景, 优势很明显。轻量跨平台 ai 加持。但目前它还处于早期,功能还不够完善,如对某些数据库的连接支持尚不稳定,适合尝鲜,但不建议核心系统全依赖。 中国企业和开发者正在大规模拥抱数据库管理工具。 dbx 以 ai 为核心,支持达梦、 mysql、 postcard、 sql 等主流数据库,覆盖企业场景,符合中国市场的实际需求。 项目在 github 上持续更新,表明其技术活跃度和本地化适配能力。 d b x 代表了 ai 加数据库管理的结合趋势,对数据库管理、企业数字化、开发者、工具等领域有重要影响。 其开源特性也鼓励了社区参与和创新,为技术发展提供了更多可能性。

hello, 大家好,这里是猫猫学姐这期视频,就来给大家分享一下恩汉斯数据库。恩汉斯数据库呢,它是由美国疾病控制与预防中心来主导的全国性的健康监测项目, 那这一个监测项目,它其实就是通过对我们美国的一个人口抽样的进行一个问卷调查,然后体格检查和实验室监测, 通过这一系列的检查来综合的评估美国居民的一个健康以及营养状况。那这个数据库呢?它是在二十世纪六十年代启动的,并且持续的进行的一个更新,一直到现在我们恩哈斯数据库它仍旧是在一个更新的状态, 那么这里面的数据呢,就包括了人口统计学的一个数据,以及我们一些慢性病或者是膳食摄入、生物标志物等多维度的一些数据。那么它的一个公开性就为我们研究人员分析一些疾病风险因素,或者是制定公共卫生政策就提供了一些重要的依据。 那么我们一般使用恩汉素数据库就广泛会去进行一个流行病学分析或者是营养学这些医学领域的一些研究。 而 n 汉子数据库又进一步的将我们数据给划分为了人口学,然后饮食、问卷检查、检验和限制性数据六大模块,然后在这六大模块的基础下,又区分出了四百多类的一个数据文件, 那么这个数据打开进去,就是我们可以直接在浏览器输入我们的 n 汉子,它就可以弹出我们的一个链接,或者是这边直接输入我们的这个链接,我们就可以进入到 n 汉子数据库,那么接下来就带着大家来看一下 n 汉子数据库具体是一个怎么样子的数据库。 那打开我们的浏览器,直接输入我们的一个网址,就会进入到这样子的一个链接。那么我们针对这个数据库怎么样进行一个数据的检测呢?以及我们怎么样去了解我们的一个数据呢? 那首先我们通过这一个模块就可以看到我们数据库它的一个基本构建。刚刚说到了我们的数据库它是分为六个模块的,其实我们最主要关注的就是这个地方,因为针对这个地方它是对我们数据的一个获取。然后我们可以看到 从我们的一九九九年一直到现在我们的二零二六年,他一直是在一个持续更新的状态,但是我们的这个数据库呢?他二五年到二六年的数据,他目前是一个不公开的一个状态,所以说我们目前能下载的数据是一直到二零二三年八月的一个数据,我们可以看到非常非常的新。 然后针对我们获取数据呢,我们就直接比方说我想获取的是我们以一九年到二零年为例,我们点进去看一下, 那我们以一七年到一八年为例,点进去看一下这一个数据具体可以怎样获取。那我们前面讲到了我们这个数据它是分为六大模块的,那这六大模块其实就分别对应的是我们这里的六大模块, 这里就对应的是我们的人口统计学信息,然后还有他的一个饮食,还有我们的一个检查,还有一些实验室检测这些的话,就是我们的一个问卷以及最后一个模块是我们限制性访问的,也是说我们这个限制性访问就相当于我们不能够获取这一块的数据。但是一般我们进行分析的话,用我们前面的五个模块的数据就已经很够用了。 那我们以这个人口统计学的这个信息为例,我们点进去看一下怎样获取数据,点进来了之后可以看到它的数据,目前我们人口统计学它其实是只有一个文件的,也就是这个文件我们可以通过这里这个 dr fields, 我 们可以直接点进去看这个文件里面到底有哪一些变量。 而点进来看,我们这边可以用翻译软件翻译一下它这在我们的这个数据库进来它的一个右侧就会针对我们这个文件里面的一些信息有一个目录,所以说我们就可以直接通过目录来进行一个解锁,可以看到它具体 我们人口统计学这个模块,它的信息就包括有一个 s 一 q n, 那 么其实这个 s 一 q n 它对应的就是我们每一粒样本它的一个唯一标识, 就有点像我们别的,比如说我们 mini 数据库中,它就通过的是 subject id 来标识我们患者,然后我们针对于我们 n 汉子数据库的话,它就是用 s、 e、 q、 n 来对我们的患者来进行一个标识, 然后一些其他的人口统计学信息,就包括这里有一个筛查时的一个年龄,然后还有种族信息,还有我们语言、家庭人数啊,这些都可以作为我们的统计学信息,它这里会有一个权重信息,还有我们的一些分层变量,都可以在我们的人口统计学这一个模块进行一个获取。 这里是针对我们这这个数据,就是我们点进去了之后,我们怎么样去了解到我想获取的数据,它是哪个数据?那么我想下载数据呢?就可以直接点击这里的 data fields, 它就可以针对我们这个数据进行一个下载了, 然后它这里就会弹出,我们直接另存就可以了,然后这是针对我们的数据进行一个获取,对应的在其他的模块我们也可以给大家来看一下,比方说我们的一个问卷, 然后这个问卷的这个模块里面数据就有很多了。同样的我们这边使用翻译软件翻译来看一下,他这里面就包括有我们的酒精的一些使用啊。就比方说我想去获取某一个患者他是否有饮酒史,那么我们就可以直接到这个文件里面去看 患者他的一个饮酒情况,他就会针对患者的一个饮酒情况来进行一个问卷。比如说他曾经喝过什么类型的酒,然后超过十二个月的一个饮酒频率 及我们平均每天喝酒的一个量,它都会在这里进行一个问卷。然后我们自己在获取数据的时候,就可以根据自己的一个需求,看一下哪些问卷是符合我当时的一个研究情况的,那么我们就可以把这一个变量给纳入我们的一个分析。 那么同样的我们想要下载数据的话,就还是点击一下这里的 data fields, 它就可以直接进行一个下载了,那这期视频我们就分享到这里,主要是来给大家分享一下我们 ncs 数据库的一个数据获取,有什么问题欢迎在评论区留言,我们下期视频再见。

本视频耗时两年,精心打磨,制作时长共三千五百七十七分钟,全网最通俗易懂的零基础晚安!黑客教程,从入门到入狱,全套教学视频包括工具安装使用、黑客攻防渗透测试等。 郑重声明,此教程仅供学习,禁止用于违法行为,保证各位精神股东的学习效果。那么接下来直接开干这个视频,我们来学习 mc 库的一个操作,数据库操作一个就是创建数据库,一个使用数据库以及一个删除数据库。 虽然我们安装了 navic, 但是我们为了学习以后的网络基基础的话,还是要学学会在命令行窗口使用一个麦 c 库的一个命令。所以我们先简单先介绍命令的形式,然后再演示一下命令 c 是 一个 c 库向上界面的一个操作。 我们先讲创建数据库的语法,创建数据库语法就是通过两个关键字,一个 crease, 然后接个 database, 然后后面就接一个数据库名。 sql 语句的每一个语句后面都要以分有一个分号作为结束符号,这是它的创建语法,我们可以加一个 if not 一个关键字判断,如果这个你创,你创建这个数据库名,它已经存在, 那么它就不会进行创建,如果它的这个数据库名不存在,它才会进行一个创建。注意就是我们数据库里面的所有的取名相关的,一定不要使用数据库的一个关键字进行取名,如 create tab, 背 tab 背 s, e, f, no 这种英文关键字一定不要使用,就是一个一个数据库,数据库 在你一个数据库里面你可能有很多个数据库,但是你要一次只能操作一个数据库,所以你要选择你要操作的一个数据库,所以这个时候就需要用到一个 use 命令,选择你要使用的一个数据库, 语法也非常简单, user 然后接,你要接着要进行一个操作的一个数据库,然后就是一个数据库的删除,就是一个 drop, 然后加 database, 然后接数据库名。创建和删除都非常的简单,就是一个关键字的不同区别。好,我们现在先使用命令行版本进行一个命令执行的一个操作演示。 好,我们先打开一个 c n b 的 一个命令窗口,我们得先连接一个远程的麦 c 口,不对,连接本地的麦 c 口,不退了。好,先再介绍一个命令,一个 database, 这个命令是用来查看 你当前数据库里面的所有的库,是不是有点累了,别急,先休息一下,记得一键三连哦。我先把刚刚录视频前我演示了一下,所以多了个 use 库,先把它删除掉, 刚好也给你们演示了删除数据库的命令,就是一个 drop, 加 database 再加 user 教就是意思就是你的库名,你要删除的库名,我们再看一下有哪些数据库。好的,是 mac 默认它是有四个数据库的,用来存放你的 mac 库一些信息啊,已知的表啊, to 啊,以及一些用户相关的信息啊。我们来创建一个数据库,我们就创建一个 good 替件, 以及一个库名,就随便叫一个库字,我们再打开可以看到我们的数据库现在有五个了,多了一个库字的一个库,假设我们需要对这个库进行操作,所以就要需要一个使用,那么所以用 ysl 选择库字,这个时候已经改变了我们的当操作的一个数据库的对象,我们也可以通过 select, 然后接 date base, 然后加括号, 这通过一个查询的方法来查询你当前所使用的一个数据的固词,可以看到。好,这是另一行版本的,我简单演示一下 navigator 和抽象界面操作,这个是更简单的,我们打开 navigator, 然后我们连接 maccode, 连接本地的麦西库,连接名字我们就随便取,输个密码,其他都是默认,看你当时创建服务创安装麦西库的时候配置是怎样的。 ok, 确定我点击这里亮绿色了,说明你选现在默认使用的是库,默认打开这个连接已经连接成功了。绿色了说连接创建的库非常简单,你直接右键,然后选择新建一个数据库, 记好了,删除也是一样的,你选择这个库名进行一个删除,我了解删除操作一定要注意,尽量不要随便删除任何的数据库,我们也不需要用查看命令,看你有哪些库,你直接打开这个链接,就可以看到这个训练库里面有多少个数据库, 所以对于图像化界面的操作是极其简单的。好,这个视频到这里。

那本节课呢,给大家介绍单细胞分析中的配体受体分析啊,那主要使用的工具呢?是我们的 co chat。 那 再简单介绍一下背景啊,那在组织微环境中的不同细胞,它不是相互独立存在的一个细胞呢,它可以分泌配体 用于自身或者其他细胞表面的受体,从而呢影响我们整个细胞的增值啊,分化啊,迁移啊等等一系列的过程。单细胞转入组测序呢,虽然不能直接观察蛋白质分泌和受体的结合,但可以通过不同细胞群之中的配体和受体基因的表达呢,来推断潜在的基因通讯的一个关系。 那接下来呢,我们会从细胞通讯的基本概念啊开始讲起介绍呢啊,我们是如何进行概率的一个推断的? 那首先是给大家介绍一下什么是配体受体分析啊,那配受是敌对分析的核心目的呢?它其实是从单细胞表达数据和已知的配体数据库当中来识别具有表达证据支持的潜在的一个通讯关系。 具体来说呢,啊,研究者首先会观察某类细胞是否表达某个配体,再观察另一类细胞是否表达与之匹配的受体。那如果发送细胞表达配体,接收细胞表达对应的受体, 并且呢,这组关系啊已经被我们的数据库收入了,那么他就可以进入后续的一个通讯概率的计算,这一步的价值呢,就是在于缩小分析的范围啊, 那最终的结果呢,就会告诉我们,哪些细胞他可能发送哪种信号,哪些细胞呢可能接收这种信号,这种潜在的通讯呢,是由哪些的啊?我们的配受体队啊,进行一个借导的, 不过这是一种表达层面的推断,嗯,不能证明这些分子在蛋白水平一定发生了真实的结合啊。 那细胞通讯呢,就可以理解为细胞之间的一个信息传递的过程,它包含了四个基本的要素啊,首先是我们的发送细胞啊,然后是我们的配体啊,然后是我们的受体啊,然后再是我们的接收细胞, 那发送细胞呢,它表达并释放我们的一个配体,这个配体呢,它可以是细胞因子,生长因子,催化因子或者其他的一些信号分子。那当接收细胞的表面或者细胞内部表达相应的一个受体了,那 这个配体啊,与我们的受体进行结合,它就会进一步的触发下游的信号通路和细胞功能的变化,对吧?那细胞就会发生相应的响应,可能会发生增值、分化、迁移啊,等等。如果发送细胞和接收细胞呢,它属于不同的一个细胞群,这类关系呢,通常可以 理解为潜在的旁分泌通讯。如果同一种细胞,它既表达配体又表达受体,它可能形成我们的啊自分泌或者同类细胞之间的一个通讯。 那单细胞转入组数据呢,可以帮助我们判断配体基因和受体基因分别在哪些细胞群中表达,从而推断信信号啊,它可能从哪里发出,被哪里接受, 但它测量的是 rna, 而不是分泌蛋白受体结合和下游的碳酸化。因此呢,结果呢,应当理解为潜在的一个通讯关系啊。 那接下来呢,给大家讲一下我们 c o chart 的 一个原理啊, c o chart 呢,主要首先是它的一个主要的一个输入数据啊,它包含了两个部分,一个呢是我们的一个基因表达矩阵以及我们的基因分组的一个信息啊, 就是我们的细胞注视啊。表达矩阵呢,用于提供每个心在不同细胞中的表达水平。那实际分析中呢,通常使用经过标准化后的表达数据,而不是直接使用未经处理的原始的 control 矩阵啊。细胞分组信息呢,则是告诉 c o 叉的,用 它告诉 c o 叉的每个细胞属于哪一种细胞类型或者细胞亚群,例如啊,哪些细胞是 t 细胞啊,巨噬细胞啊, c o 叉的呢,会在细胞群的层面去汇总表达的信息,并计算一个细胞群到另一个细胞群的潜在通讯。 因此呢,细胞注视啊和分组质量会直接影响我们的一个分析结果。如果不同的细胞类型被错误的合并呢,可能会掩盖细胞亚群特异的一些通讯,如果被过度拆分呢啊,每个亚群细胞数量很少,嗯,之后计算这个通讯的时候会不太稳定。 然后呢,我们还需要选择我们的一个配体授体数据库啊,那这个配授体数据库呢,是 c o chart 已经帮我们整理好了内部的一个啊数据库来源啊,所以我们把这啊我们自己准备的,只需要前面两个。那整理完毕之后呢,就可以进入后续的一个通讯的推断了。 那 co cox 的 本身呢,它并不会在所有基因,任何所有的基因之间任意的去寻找它们的相关性,而是依赖我们这个 co 分 cox 的 d b 中已经整理好的细胞通讯的知识。数据库的核心内容呢,是已知的配体、受体的相互作用。例如啊, 某种某个细胞因子呢,它能够与哪一种受体结合?某种生长因子通过哪些受体亚基传递信号啊?数据库呢,还可以记录由多个亚基组成的配体或者受体的复合物,以及共受体啊,激动机啊,解抗剂啊等调控的因子。 这些相互作用呢,还可以按照生物学的类型进行一个分类啊,例如是分泌型信号,细胞外机制与受体的关系,还是依赖细胞直接接触的通讯关系。 所以呢,我们在分析的时候呢,需要选择呃,相应的一个数据库啊,啊,一般来说呢,你可以三个都选啊,如果你有特定的需求啊,比如说你只想看我们分泌型的一个信号,那你只只需要选这一种啊。 此外呢,还需要选择与物种匹配的一个数据库,那人类的数据呢,应该使用相对人类数据库,那小鼠的数据呢?应该使用小鼠的数据库啊,如果你物种不同呢,会导致大量的配体和受体无法识别,从而影响一个通讯结果。 那准备好表达数据和数据库之后呢, cochart 会在不同的细胞群之间匹配我们的啊,配体和受体。 我们假设啊,我们就举个例子啊,我们假设啊,我们的巨噬细胞啊,我们的巨噬细胞作为一个发送细胞啊,也就是 send, 那 我们的 t 细胞作为一个接收细胞,也就是啊, receiver, 对 吧? 那 sochat 呢,会检查我们的巨噬细胞中是否呃表达了某个配体。 呃,然后呢,在检查 t 细胞当中是否 t 细胞是否表达数据库中啊,与这个 配体啊相对应的受体。那如果两边啊都表达啊,两边都表达了, 那这组关系啊,那这组关系它就会被保留。那对于结构比较简单的配受体关系呢,可以直接根据相应的基因 表达进行评估。但有部分受体或者配体呢,它是由多个亚基共同组成的,如果某个必要的亚基没有表达呢,即使其他亚基表达比较高,完整的受体复合物呢,可能也无法形成。所以呢, ceo 叉子呢,会 考虑到这些复合物的信息啊。此外呢,共受体啊,基动机啊,结抗剂啊,它可能增强或者虚弱信号。因此呢,最终匹配的它不是简单的两个基因,而是一个带有生物学实验知识的一个通讯单元啊。那 cox 是 如何计算一个通讯概率的呢? 首先啊,可以呃明确一点, cox 的 它不是直接检测细胞之间有没有发生真实的信号传递,因为单细胞 rna 测序呢,测到的是基因表达的信息,而不是蛋白质的分泌, 受体结合或者细胞之间的真接触。因此呢, cox 的 它做的是一种基于表达数据和已知生物学知识的统计推断。 整个的计算过程呢,可以理解为啊,结合啊配收体对他俩的一个整体的一个表达水平,再结合我们数据库的一个经验知识,加入相应的调控因素啊,来共同的计算我们的通信概率。 在啊,细胞通信过程中呢,一个细胞通常作为信号发送者,另一个细胞呢,作为信号接收者发送细胞,对吧?要发送配体,要表达某个配体,那接收细胞呢?要表达对应的受体,那只有两个, 只有两个都配体表达越高,受体呢,表达也高,那这个信号发生的可能性在越大。那第二个呢,就是我们要看你这个配受底对是否在数据库中是有的, 因为,呃,某些受体大家可能需要辅助分子的参与啊,这些呢,会影响我们最终的一个评分。然后呢,是我们细胞群体的一个大小啊,在单细胞测序中的一个细胞群包含的细胞数量,它也会影响到我们的一个统计 稳定性啊,因为呢,呃,一个巨大的巨噬细胞群和一个只有几个细胞的小二群,那前者观察到通讯关系的可信度呢,通常会越高, 所以呢, so 叉的会综合考虑啊,我们细胞比例的一个因素。那最后呢,把这些所有的因素都经过一个模型啊,通过计算会得到我们的一个潜在的通讯概率和通讯的一个强度, 这个值呢,就会代表根据当前的单细胞表达数据,这两个细胞群之间存在某种信号交流的可能性有多高啊? 那计算出来我们的通信关系之后呢,它并不都是真实可靠的啊,为什么呢?因为单细胞数据中,它存在大量的一个随机因素,比如说啊,两个细胞群 差异非常大,或者说某个细胞群呢,它刚好表达某个受体,而且呢,它可能某些基因呢,它本身表达波动就比较大,这些情况呢,都可能会导致出模型啊,它计算出比较高的一个通信概率, 所以呢还需要进一步判断啊,观察到这些关系啊,他是否明显超过随机情况下可能出现的一个水平啊,那这一步呢,就要通过我们的 置换检验啊,来进行一个啊,完成,那背后具体的原理呢啊,我们去,我们不是需要太懂啊,我们只需要简单理解,那最后我们每个计算出来的这个通讯值啊,都会有一个概率 p 值啊,我们只看 p 值较小的那些啊,值啊,那接下来呢给大家讲解一下我们整个分析结果中啊,可直观的一些图形以及它们是如何解读的。首先呢是我们的 sochat 常用的通信网络弦图啊, circle plot。 首先呢啊,这个圆周上的每一个节点啊,它就代表一个细胞群啊,比如说这个是我们的上皮细胞啊,这个是我们的内皮细胞对吧? 那结点颜色呢?对于不同的一个细胞类型,而结点的这个大小呢,通常反映的是这个细胞群的数量啊,你就可以看到啊,我们这个 细胞群啊,它的这个数量是最高的啊,结点的位置啊,它只是为了方便展示啊,不是代表细胞在组织中的一个真实的空间距离啊。 然后呢观察我们细胞之间的一个连线啊,每一条连线呢,代表两个细胞群之间存在潜在的一个配受体的一个通讯关系啊,比方说我们看 t 细胞和我们的这个上皮细胞之间啊,你会发现 他基本就是基本就是没有什么交流啊,你可以发现即使有的啊,这个线也非常短啊,那但是我们的内皮细胞对吧?和我们的这个上皮细胞之间他这个通讯这个连接啊,这个线他就比较粗啊,那这个 线条粗细呢?需要结合具体展示的一个类型理解啊那呃如果展示的是我们的 count 啊,我们通常有两种方式啊,一个是我们的 count, 也就是呃表示这两个之间通讯的一个数量。第二个呢是我们的 with 啊, 这个呢表示通讯的一个强度啊。呃通常如果是 count 啊,如果是 count 它就代表这个线的越粗啊,就代表它们俩之间通讯的数量越多。那如果是 wait 呢表示它们之间通讯的这个强度越高啊,两个代表的含义是不一样的啊,我们具体要看我们 出出来那个图的文件啊,是怎么样文件名是怎么样命名的啊?然后呢就是我们的一个热图,我们可以看一下这个热图啊, 它的横轴呢是我们的啊,细胞它呢?这边没有写啊,这是我们的啊, receiver 啊, 也就是我们的接收接收的细胞啊,然后呢我们的纵轴呢是我们的啊,三等啊,也就是我们发送发送细胞啊,每一个矩阵单元呢,代表两个细胞群之间的一个潜在的一个通讯关系。颜色呢是代表我们的通讯的数量或者强度啊 啊,也是跟先前的玄图一样啊,它有两种,一种是我们的 count 类型啊,一种是我们的 weight 类型。 那如果中间的值是代表的 count, 那 颜色越深呢,表示检测到的配受体的关系的数量就越多。那如果是 weight 呢,它颜色越深呢就表示我们的这两个细胞之间啊,它的通讯的概率,或者说它通讯的强度是越高的, 那比如说啊,我们举个例子,呃,举这个对吧?那, 那发送,对于这个小方格来说,它的发送细胞是我们的内皮细胞,它的接收细胞呢?是我们的上皮细胞啊,可以看到内皮细胞像我们上皮细胞发送信号的一个强度是比较高的啊,假如说是我,我代表的是这边是 white 的 情况下啊, 而且呢,我们啊,内皮细胞它自分泌的一个信号也是特别高的啊,你可以看到这个值啊,是非常红的啊。 那,呃,你还可以通过中间这个柱子啊,来判断它是发送信号强还是接收信号强啊。那,呃,通过柱子可以看到的 那,那像这边的柱子,它们都是 receive 吗?接收信号,你会看到我们内皮细胞它接收信号强度是非常高的啊,这个 unknown, 它虽然我们不知道是什么细胞类型啊, 在这张图中呢,反映出它的接收率,信号也比较高。那在发送端呢啊,那在每行啊,行的这个柱子啊,它就表示发送端,那在发送端呢,我们的内皮细胞它的发送信号的强度也是特别高的啊,在这批数据当中, 然后还是有我们的一个气泡图啊,相比之前的弦图呢,呃, 气泡图呢,更加关注具体的配受体的一个通讯关系啊。我们首先还是来看它的一个坐标轴啊,它的横轴呢,通常表示接收的一个细胞啊, 也就是可能响应信号的一方纵轴呢,表示啊,我们的一个,呃发送的一些信号啊,可以看到啊,都是一些具体的配受体的一个关系啊, 那如果某个群呢,他表达某个配体,那另一个细胞群呢?表达相应的一个受体啊,气泡的位置呢?他告诉我们通讯位于哪两个细胞群之间, 每个气泡呢,他对应的一个具体的一个通讯关系啊,包括了配体和受体。气泡的位置呢,表示通讯发生的一个细胞的结合啊,呃相应的大小呢?表示通讯的概率和通讯的一个强度。 气泡颜色呢?表示通讯的水平啊,或者啊统计性的一个显著性。颜色越深气泡越大呢,表示这个配受体关系预测的通信可能性越高啊。举个具体的例子啊,比如说我们就看这个 spp one 啊, spp one 可以 发现啊,这个我们就看最下面这一组配色体系关系啊,可以发现它在啊,这两个细胞通,你可以看到它在这这几个啊, 在这几个,呃细胞群两个之两两之间的一个通讯当中呢,它的一个 可能性是非常高的,它的颜色都非常深啊,你就可以这么去理解。那这张图呢是我们总体的一个图,那我们在实际的分析高过程中呢啊,我们会进行一个筛选啊,筛选到我们自己感兴趣的啊,一些配数底对上面去啊,需要结合我们自己相应的一个生物学知识啊。 然后呢是我们的一个文字写作说明,可以看这段原文啊,在 message 部分当中呢啊,重点需要 说明使用了什么软件,比较了哪些组啊?采用了哪个配售体的数据库,如何推断通讯以及最终比较和展示了哪些指标?那可以看到这个作者啊,首先他说啊,使用 这个版本的 c o x 的 包进行细胞通讯分析比较的呢,是啊,男性对照组与我们的科室综合症啊,也就是 k s 之 k s 之间的一个细胞通讯啊, 软件名称呢和版本啊,他都是描述中的一些基础信息,一定是一定要写的。然后呢,作者说明他是基于啊细胞的一个平均表达水平啊,来推断细胞间的一个相互作用概率。 你在 message 包中可以写推断细胞通讯或者估计相互作用的概率,你不能写成啊,检测到真实的通讯对吧,你肯定不能这么写。然后呢,作者交代了使用啊 c o chat human 作为配体受体的相互作用的数据库, 数据库来源呢,是细胞通讯中啊非常关键的一个信息啊,所以你一定得写到啊,你是具体使用了什么样的一个数据库?随后呢啊,作者分别构建了两个 cox 的 对象,使用啊 merge c o chart, 将不同组的分析结果进行一个合并。合并的目的呢,不是把所有的细胞重新混在一起计算,而是让两个已经完成通讯的对象进入同一个比较的框架啊,来比较不同条件下细胞通讯的一个变化。 那作者呢,主要比较了两个指标,一个是相互作用的一个数量,另外一个呢,就是相互作用的一个强度。 最后呢,作者还交代了它的结果可适化的一个方式啊,它使用啊这个函数来进行展示不同细胞群之间通信数量或者通信强度的组建差异。 然后呢,用我们的一个啊气泡图来展展示特定发送细胞,接收细胞以及其配受体队。那我们自己在写 message 的 部分呢,也可以参考啊,它这样的一个流程, 先说明分析软件和版本,再说明输入细胞群和分组的比较的组别啊。最后交代使用的数据库,通信惯旅推断的方向和主要的参数啊。最后呢,说明组间的比较指标以及使用的可值化函数。 那我们看一下。呃,在 result 部分,那作者又是怎么写的?那 result 部分呢,它不需要再次介绍数据的库啊,函数啊参数。这要回答四个问题,整体的通讯网络发生了什么样的一个变化, 哪些细胞是主要的发送者或接收者,哪些信号通路变化最明显,以及这些变化具体发生在发送端还是接收端? 那首先呢,作者交代了分析的目的啊,他是为了判断哪些细胞群可能会影响啊, saotl 细胞,因此呢,使用 saotlchat 比较不同,搞玩细胞群之间的一个潜在通讯啊, 因此呢,使用。呃,这里面虽然是 saotlchat 啊,那只是快速理解后面的结果来自哪字分析,而不是重复方法部分对吧。 呃,接接下来呢,作者先从整体网络层面描述结果啊,发现在 ks 狗案中呢,不同细胞群之间的通讯数量和通讯强度呢,都整体下降了。这句话呢,是整体结果的第一层结论啊, 说明疾病状态不仅减少了显著的一个配受体关系的一个数量,也需要了推断得到的整体通讯的概率。 随后呢,作者分析了不同细胞在通讯网络中的一个角色,结果显示呢,啊发现无论是在呃对照组还是 ks 当中呢, 那个细胞呀,它都是主要的一个信号发送的细胞。这说明虽然整体的通讯网络发生了变化啊,但在网络中的核心发送者的身份没有改变 啊,这是他发现的一个关键的信息,对吧?然后呢,作者进一步聚焦到信号通路层面,他发现 mk 和 p t n 呢,被识别为 k s 中差异最明显的一个信号通路,并呢并被并且被列为上调程度最高的通路。 那这里呢,他就形成了啊从整体网络到具体通路的一个递进的关系。先说明整个通信网络如何变化,然后呢,他再筛出最值得关注的一个信号轴啊,他的写法。那最后呢,作者继续区分发送端和接收端的一个变化。他发现呢,在 呃 mk 通路中呢,主要发送者啊,主要发送者,这个啊 leg 细胞呢,它的信号强度啊,在对照组和 ks 中没有明显的差异。但是呃,在 stollie 细胞作为我们的一个 啊接收者的时候呢,接收到的信号强度发生了变化。这一结果呢,他提示 k s 中 mk 通路的异常呢,可能并不主要来自于啊 latex 细胞配体输出增强,而是可能与 stoly 细胞的受体表达辅因子的组成或者接收能力的改变有关。 那像他这样的啊,写 result 的 部分就是一个很好的视力啊。首先讲清楚啊,你的研究, 你的一个研究呃目的对吧?然后你可以描述你是怎样分组的,你这个分组之间他整体的一个变化是怎么样的?然后呢再指出主要的发送者和接收者,列出差异最明显的一些信号通路。最后呢结合特定的细胞 队或者配体受体队来说明,呃这个信号的这个变化呀,它主要是来自于信号的输出端还是接收端, 这样呢就把整个分析给它串起来了啊。那以上呢,就是我们呃细胞通讯层面啊的一个理论课程啊,感谢大家支持。

有没有发现别人代码里一堆敏感信息都没泄露?这全靠点,因为文件在兜底。这可不是普通配置文件。 很多刚学后端或者全站开发的新手,第一次写数据库连接,调用第三方 api 的 时候,总习惯把数据库密码、 api 密钥直接写在代码里,结果不小心把代码传到 gaata 没两天,要么被人爬了密钥盗刷云服务额度,要么换个电脑跑代码,还要改半天配置,折腾的头疼。 之所以会出现这些问题,核心是你把敏感配置和业务代码混在了一起。就像你把家门密码、银行卡密码直接写在工作笔记本的第一页,谁借你笔记本都能看到。而且你换了银行卡密码,还要特意改笔记本上的内容,稍不留神就写错。 这种把配置直接写在代码里的做法叫硬编码,不仅容易泄露敏感信息,换开发环境、线上环境的时候还要改业务代码,很容易引入 bug。 那 怎么才能把这些敏感信息和业务代码彻底分开呢? 专门用来存这些敏感配置的独立文件,就是点 ev 文件,就像你单独准备了一个带锁的小密码本,专门存所有密码和私密信息。平时写工作笔记的时候,只需要写参考密码本第三条就行,完全不会泄露具体内容。 技术上,点 ev 是 纯文本文件,专门存储和环境相关的配置参数,比如数据库地址、密钥端口号。业务代码里只需要调用对应的变量名,不用写具体值。 那代码要怎么读取这个独立文件里的配置内容呢?大部分主流编程语言和框架都有对应的工具包来读点英文微文件的内容,比如 node js 用 dotin vign, python 用 python、 dotin vign、 java 的 spring boot 也自带了页面读取能力。这些工具包会自动把点英文微里的内容加载到程序的运行环境变量里。 就像你需要用密码的时候,工具自动帮你翻开密码本,找到对应条目,不用你自己手动查找。点 e v v 的 写法也很简单,每行都是键等于值的格式,井号开头的行是注式,只有空格的时候才需要加引号包裹。 那这个存了敏感信息的文件,会不会不小心被你传到代码仓库里泄露呢?要避免把点 e v 传到代码仓库很简单,只要在项目的 d i ignore 文件里加上点 e v 这一行就行。 就像你平时把密码本锁在抽屉里,绝对不会和普通工作笔记本一起放进包里借给别人。加了这行配置之后, get 提交代码的时候会自动跳过点应用文件,根本不会把它纳入版本管理,也就不会出现不小心传到公共仓库的问题。可不同环境用的配置不一样, 比如本地开发用测试数据库,线上用正式数据库,总不能来回改同一个点音域文件吧?你完全可以准备多个不同的点音域文件,对应不同的运行环境。比如本地开发用 imessage, 测试环境用 imessage, 线上生产环境用 imessage production。 就像你有不同的密码,本家用的存 wifi, 家电密码,工作用的存公司系统密码,出差用的存开旅相关的密码。需要用哪个环境就加载对应的音频文件,完全不用改业务代码,现在大部分框架都支持自动识别当前运行环境,加载对应的配置文件,不用手动切换。 如果系统本身的环境变量和音频文件里的配置重名了,该以哪个为准呢?环境变量的加载是有固定优先级的,系统层面配置的环境变量优先级最高会覆盖点音 v 文件里的同名配置。 就像你如果已经把银行卡密码牢牢记在脑子里了,用的时候就不用翻密码本,直接用自己记住的就行。同个点因因微文件里后面写的配置会覆盖前面的同名配置,所以尽量不要在文件里写重复的 key, 避免出现非预期的覆盖。 那如果别人拉了你的代码,没有因微文件跑不起来,总不能你把自己的密码发给他吧。你可以在代码仓库里放一个叫点因微点 example 的 视力文件,就可以解决这个问题。 这个文件里只写所有需要的配置项的键名,把具体的敏感值换成占位符,比如 db, password 等于请填写你的数据库密码。就像你给别人借工作笔记的时候,附一张纸条,告诉对方需要用到哪些密码,让他自己填自己的就行,不会泄露你的真实配置。 别人拉了代码之后,只要把这个文件复制一份,改名为点因微,填上自己的配置,就能正常运行项目了。日常使用点因微的时候,有哪些容易踩的小坑要注意, 最常见的坑就是把点 e m v 文件放错了目录,导致工具包读不到配置。就像你把密码本放在了别的房间,找的时候肯定找不到,点 e m v。 文件必须放在项目的根目录才能被默认读取。还有不要在点 e m v 里写业务逻辑,也不要放太多非敏感的固定配置,不然文件会变得很乱,找个配置要翻半天。 另外,线上生产环境尽量不要用点 e m v 文件,直接用服务器或者云平台的环境变量配置,安全性会更高。以上就是今天关于什么是点 e m v。 文件的全部内容。