跳至主要内容

new和make的用法及len和cap的用法

 

一、内存分配函数对比

1. new(Type)

go
复制
ptr := new(int) // 返回 *int 指针
*ptr = 10
  • 特点

    • 分配零值内存,返回指针

    • 适用于所有类型(包括基本类型和复合类型)

    • 对复合类型不初始化底层结构(如 new([]int) 会创建 *[]int 指向 nil 切片)

2. make(Type, len, cap)

go
复制
s := make([]int, 3, 5)  // 长度3,容量5的切片
m := make(map[string]int) // 需省略cap参数
ch := make(chan int, 5)   // 缓冲通道容量5
  • 特点

    • 仅用于 slice/map/channel 的初始化

    • 分配内存并初始化底层数据结构(如切片的指针数组、哈希表桶等)

    • map 初始化时 cap 参数会被忽略(建议省略)


二、容量与长度函数

1. cap() 适用类型

类型含义示例
array等于数组长度(编译时确定)cap([3]int{}) → 3
slice底层数组最大可扩展长度cap(make([]int,2,5)) → 5
channel缓冲区容量(非元素数量)cap(make(chan int,5)) →5

2. len() 适用类型

类型含义示例
array元素数量(编译时确定)len([3]int{}) → 3
slice当前存储元素数量len(make([]int,2,5)) → 2
channel缓冲区中待读取元素数量ch <- 1; len(ch) →1
string字节数(非字符数)len("中文") →6
map键值对数量len(map[int]bool{1:true})→1

三、核心类型特性

1. 数组 (Array)

go
复制
var arr [3]int // 长度和容量固定为3
  • 编译期确定:长度是类型的一部分([3]int ≠ [5]int

  • 值传递:赋值或传参时进行全量拷贝

2. 切片 (Slice)

go
复制
s := make([]int, 2, 5) // len=2, cap=5
s = append(s, 3)       // len=3, cap=5(无需扩容)
  • 动态扩展:当 append 超容量时,按 2 倍策略扩容(直到 1024 后按 1.25 倍)

  • 底层共享:切片操作(如 s[1:3])共享同一数组,修改影响原数据

  • 反射修改(高风险操作):

    go
    复制
    sHeader := (*reflect.SliceHeader)(unsafe.Pointer(&s))
    sHeader.Len = 4 // 强制修改长度(可能导致越界)

3. 字符串 (String)

go
复制
str := "中文"
byteLen := len(str)          // 字节数 → 6
charCount := len([]rune(str)) // 字符数 → 2
  • 不可变性:字符串内容无法直接修改,需转 []byte 或 []rune

4. 通道 (Channel)

go
复制
ch := make(chan int)    // 无缓冲通道(cap=0)
bufferedCh := make(chan int, 5) // cap=5
  • 无缓冲通道:发送和接收操作同步阻塞

  • 有缓冲通道

    • len(ch) 表示当前缓冲元素数量

    • cap(ch) 表示缓冲区最大容量


四、易错点与技巧

  1. 切片初始化对比

    go
    复制
    var s1 []int          // nil 切片(len=0, cap=0)
    s2 := make([]int, 0)  // 空切片(底层数组指针非nil)
  2. 通道容量规范

    go
    复制
    make(chan int, 5) // ✅ 正确:容量参数单独指定
    make(chan int)    // ✅ 正确:默认容量0(无缓冲)
  3. 字符串遍历

    go
    复制
    str := "Hello, 世界"
    for i, r := range str { 
        // i → 字节索引,r → Unicode 字符
    }

此博客中的热门博文

Elasticsearch 读写原理指南

### 1. 什么是 segment,里面装了什么? 在 Lucene(也是 Elasticsearch)里,索引被切分成若干 **segment(段)**,每个 segment 是一个完整的、只读的倒排索引单元。一个 segment 包含: * **倒排词典** —— 用 **FST(Finite‑State Transducer)** 以高度压缩的形式保存每个字段出现的所有 term 以及 term→ord 的映射。对应的磁盘文件是 `*.tim`(新版)或 `*.tis/*.tii`(旧版)。 * **倒排列表(postings)** —— 保存每个 term 出现的文档 ID、频次、位置信息等,文件名通常是 `*.doc`、`*.pos`、`*.pay`。 * **存储字段**(_source、store:true 的字段)—— 以二进制块的形式写入 `*.fdt` / `*.fdx`。 * **doc‑values、norms、向量** 等辅助结构,分别保存在 `*.dv`、`*.norm`、`*.tv` 等文件里。 * **deleted‑docs bitmap**(`*.del`),标记哪些文档已被删除或被更新。 所有这些文件在 segment **写入磁盘后即成为只读**,后续的查询只能读取,永远不会在原文件上进行增删改。 --- ### 2. 原始文档和 FST 为什么都在 segment 里? * **原始文档**:Elasticsearch 默认把完整的 JSON(_source)以及任何 `store:true` 的字段写入 segment 的 `*.fdt/*.fdx` 文件。每个 segment 保存自己的那部分文档,旧的 segment 在合并前仍然保留,直到合并后被删除。 * **FST**:每个字段的词典在每个 segment 中单独维护,采用 FST 进行前缀共享和字节压缩。这样即使同一个 term 在多个 segment 中出现,也会在每个 segment 里拥有独立的映射,查询时只需要在对应 segment 的 FST 中定位即可。 --- ### 3. 查询时到底是怎么遍历 segment 的? 1. **请求入口**      客户端的搜索请求先到达 **协调节点**,协调节点把请求 ...

LLM缓存详解

 可以把“大模型缓存”理解成: 把已经算过的结果(或中间结果)存下来,下次尽量复用 。但这里面其实分几层,不只是简单的“问题→答案”缓存。 1️⃣ 常见的几种缓存类型 (1)KV Cache(推理内部缓存) Transformer 在生成时,会把前面 token 的 Key/Value 向量 缓存下来。 本质:避免重复计算 attention 作用: 同一请求内部加速 特点: 👉 只对“同一上下文继续生成”有效 👉 不跨用户、不跨请求 这类缓存是你体感“流式输出越来越快”的原因之一。 (2)Prompt Cache(提示词缓存) 缓存的是: 相同(或高度相似)的 prompt → 对应的中间表示 / 输出 典型场景: 系统提示词(system prompt)很长 多轮对话里前文基本不变 👉 这里能省掉 前缀计算成本(prefill) (3)Embedding / 语义缓存(Semantic Cache) 这个才是你问题的关键 👇 不是按“字符串完全一致”,而是: 把问题转成向量 → 找“语义相似”的历史问题 → 直接复用答案 2️⃣ 为什么命中缓存成本低很多? 因为大模型推理成本主要在两块: (1)Prefill(吃 prompt) 复杂度 ~ O(n²) 很贵(尤其长 prompt) (2)Decode(逐 token 生成) 每个 token 都要算一遍模型 而缓存命中后: KV cache:不用重复 attention Prompt cache:不用重新 encode 语义缓存: 直接跳过模型推理 👉 相当于从: 几十~几百毫秒 + GPU算力 变成: 一次向量检索(毫秒级)+ 直接返回 所以成本差一个数量级是正常的。 3️⃣ “每个人问法不同,怎么命中缓存?” 这是核心难点,也是工程重点👇 ❌ 不能靠字符串匹配 比如: “今天天气怎么样” “今天外面热不热” 字符串完全不同 → 必须 miss ✅ 用语义相似度(Embedding) 流程一般是: 把问题转 embedding(向量) 在向量数据库里找 TopK 相似问题 如果相似度 > 阈值(比如 0.9) 直接返回缓存答案 一个简单示意 Q1: 北京天气怎么样 → embedding A Q2: 北京今天热吗 → embedding B cosine(A, B) ≈ 0.95...

事务的ACID是什么

 事务的 ACID 是数据库事务必须满足的四个基本性质,用来保证在并发和故障情况下数据的正确性与可靠性: A(Atomicity,原子性) 一个事务中的操作要么 全部成功 ,要么 全部失败回滚 ,不存在“只做了一半”的中间状态。 C(Consistency,一致性) 事务执行前后,数据库都必须处于 一致的合法状态 ,满足约束(如主键、外键、唯一性、业务规则等)。 I(Isolation,隔离性) 并发执行的多个事务之间 相互隔离 ,一个事务未提交的中间结果对其他事务不可见(具体强弱由隔离级别决定)。 D(Durability,持久性) 一旦事务提交成功,其结果会被 永久保存 ,即使系统崩溃也不会丢失(通常依赖 WAL/redo log 等机制)。 一句话记忆: 要么全做完、前后不破坏规则、互不干扰、做完不丢。