解析用户消费记录(数据分析三剑客综合使用)

解析,用户,消费,记录,数据分析,三剑客,综合,使用 · 浏览次数 : 19

小编点评

```python # 统计每个用户每个月的消费次数 user_month_count_df = df.pivot_table(index='user_id',values='order_dt',aggfunc='count',columns='month').fillna(0) # 统计每个用户每个月是否消费 user_month_count_df['consume'] = user_month_count_df.apply(lambda x: 1 if x == 1 else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend'] = user_month_count_df.apply(lambda x: 1 if x == 1 else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_old'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_old_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0) # 统计每个用户每个月是否消费 user_month_count_df['spend_count_total_old_new_new_new'] = user_month_count_df.apply(lambda x: x['spend'] if x['spend'] else 0)

正文

博客地址:https://www.cnblogs.com/zylyehuo/

开发环境

  • anaconda
    • 集成环境:集成好了数据分析和机器学习中所需要的全部环境
    • 安装目录不可以有中文和特殊符号
  • jupyter
    • anaconda提供的一个基于浏览器的可视化开发工具
import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt

第一部分:数据类型处理

  • 数据加载
    • 字段含义:
      • user_id:用户ID
      • order_dt:购买日期
      • order_product:购买产品的数量
      • order_amount:购买金额
    • 观察数据
      • 查看数据的数据类型
      • 数据中是否存储在缺失值
      • 将order_dt转换成时间类型
      • 查看数据的统计描述
        • 计算所有用户购买商品的平均数量
        • 计算所有用户购买商品的平均花费
      • 在源数据中添加一列表示月份:astype('datetime64[M]')

数据加载

  • 设置字段:
    • user_id:用户ID
    • order_dt:购买日期
    • order_product:购买产品的数量
    • order_amount:购买金额
df = pd.read_csv('./data/CDNOW_master.txt',header=None,sep='\s+',names=['user_id','order_dt','order_product','order_amount'])
df

观察数据

  • 查看数据的数据类型
  • 数据中是否存储在缺失值
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
 #   Column         Non-Null Count  Dtype  
---  ------         --------------  -----  
 0   user_id        69659 non-null  int64  
 1   order_dt       69659 non-null  int64  
 2   order_product  69659 non-null  int64  
 3   order_amount   69659 non-null  float64
dtypes: float64(1), int64(3)
memory usage: 2.1 MB

将order_dt转换成时间类型

df['order_dt'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
 #   Column         Non-Null Count  Dtype         
---  ------         --------------  -----         
 0   user_id        69659 non-null  int64         
 1   order_dt       69659 non-null  datetime64[ns]
 2   order_product  69659 non-null  int64         
 3   order_amount   69659 non-null  float64       
dtypes: datetime64[ns](1), float64(1), int64(2)
memory usage: 2.1 MB

查看数据的统计描述

  • 计算所有用户购买商品的平均数量
  • 计算所有用户购买商品的平均花费
df.describe()

在源数据中添加一列表示月份:astype('datetime64[M]')

# 基于order_dt取出其中的月份
# astype('datetime64[M]')  将类型更换成 datetime64[M],仅仅表示月份
df['order_dt'].astype('datetime64[M]')
0       1997-01-01
1       1997-01-01
2       1997-01-01
3       1997-01-01
4       1997-03-01
           ...    
69654   1997-04-01
69655   1997-04-01
69656   1997-03-01
69657   1997-03-01
69658   1997-03-01
Name: order_dt, Length: 69659, dtype: datetime64[ns]
df['month'] = df['order_dt'].astype('datetime64[M]')
df.head()

第二部分:按月数据分析

  • 用户每月花费的总金额
    • 绘制曲线图展示
  • 所有用户每月的产品购买量
  • 所有用户每月的消费总次数
  • 统计每月的消费人数

用户每月花费的总金额

df.groupby(by='month')['order_amount'].sum()
month
1997-01-01    299060.17
1997-02-01    379590.03
1997-03-01    393155.27
1997-04-01    142824.49
1997-05-01    107933.30
1997-06-01    108395.87
1997-07-01    122078.88
1997-08-01     88367.69
1997-09-01     81948.80
1997-10-01     89780.77
1997-11-01    115448.64
1997-12-01     95577.35
1998-01-01     76756.78
1998-02-01     77096.96
1998-03-01    108970.15
1998-04-01     66231.52
1998-05-01     70989.66
1998-06-01     76109.30
Name: order_amount, dtype: float64

绘制曲线图展示

# plt.plot(df.groupby(by='month')['order_amount'].sum())
df.groupby(by='month')['order_amount'].sum().plot()

AxesSubplot:xlabel='month'

所有用户每月的产品购买量

df.groupby(by='month')['order_product'].sum().plot()

AxesSubplot:xlabel='month'

所有用户每月的消费总次数

  • 原始数据中的一行数据表示一次消费记录
# count() 统计总共有多少行数据
df.groupby(by='month')['user_id'].count()
month
1997-01-01     8928
1997-02-01    11272
1997-03-01    11598
1997-04-01     3781
1997-05-01     2895
1997-06-01     3054
1997-07-01     2942
1997-08-01     2320
1997-09-01     2296
1997-10-01     2562
1997-11-01     2750
1997-12-01     2504
1998-01-01     2032
1998-02-01     2026
1998-03-01     2793
1998-04-01     1878
1998-05-01     1985
1998-06-01     2043
Name: user_id, dtype: int64

统计每月的消费人数

  • 可能同一天一个用户会消费多次
  • nunique表示统计去重后的个数
df.groupby(by='month')['user_id'].nunique()
month
1997-01-01    7846
1997-02-01    9633
1997-03-01    9524
1997-04-01    2822
1997-05-01    2214
1997-06-01    2339
1997-07-01    2180
1997-08-01    1772
1997-09-01    1739
1997-10-01    1839
1997-11-01    2028
1997-12-01    1864
1998-01-01    1537
1998-02-01    1551
1998-03-01    2060
1998-04-01    1437
1998-05-01    1488
1998-06-01    1506
Name: user_id, dtype: int64

第三部分:用户个体消费数据分析

  • 用户消费总金额和消费总次数的统计描述
  • 用户消费金额和消费产品数量的散点图
  • 各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
  • 各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)

用户消费总金额和消费总次数的统计描述

每个用户消费的总金额

df.groupby(by='user_id')['order_amount'].sum()
user_id
1         11.77
2         89.00
3        156.46
4        100.50
5        385.61
          ...  
23566     36.00
23567     20.97
23568    121.70
23569     25.74
23570     94.08
Name: order_amount, Length: 23570, dtype: float64

每个用户消费的总次数

df.groupby(by='user_id').count()['order_dt']
user_id
1         1
2         2
3         6
4         4
5        11
         ..
23566     1
23567     1
23568     3
23569     1
23570     2
Name: order_dt, Length: 23570, dtype: int64

用户消费金额和消费产品数量的散点图

user_amount_sum = df.groupby(by='user_id')['order_amount'].sum()
user_product_sum = df.groupby(by='user_id')['order_product'].sum()
plt.scatter(user_product_sum,user_amount_sum)

<matplotlib.collections.PathCollection at 0x29d3cd9f370>

各个用户消费总金额的直方分布图(消费金额在1000之内的分布)

df.groupby(by='user_id').sum().query('order_amount <= 1000')['order_amount']
df.groupby(by='user_id').sum().query('order_amount <= 1000')['order_amount'].hist()

AxesSubplot:

各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)

df.groupby(by='user_id').sum().query('order_product <= 100')['order_product'].hist()

AxesSubplot:

第四部分:用户消费行为分析(重点)

  • 用户第一次消费的月份分布,和人数统计
    • 绘制线形图
  • 用户最后一次消费的时间分布,和人数统计
    • 绘制线形图
  • 新老客户的占比
    • 消费一次为新用户
    • 消费多次为老用户
      • 分析出每一个用户的第一次消费和最后一次消费的时间
        • agg(['func1','func2']):对分组后的结果进行多种指定聚合
      • 分析出新老客户的消费比例
  • 用户分层
    • 分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格RFM
    • RFM模型设计
      • R表示客户最近一次交易时间的间隔。
        • /np.timedelta64(1,'D'):去除days
      • F表示客户购买商品的总数量,F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。
      • M表示客户交易的金额。M值越大,表示客户价值越高,反之则表示客户价值越低。
      • 将R,F,M作用到RFM表中
    • 根据价值分层,将用户分为:
      • 重要价值客户
      • 重要保持客户
      • 重要挽留客户
      • 重要发展客户
      • 一般价值客户
      • 一般保持客户
      • 一般挽留客户
      • 一般发展客户
        • 使用已有的分层模型即可rfm_func

用户第一次消费的月份分布,和人数统计

第一次消费的月份

  • 每一个用户消费月份的最小值就是该用户第一次消费的月份
df.groupby(by='user_id')['month'].min()
user_id
1       1997-01-01
2       1997-01-01
3       1997-01-01
4       1997-01-01
5       1997-01-01
           ...    
23566   1997-03-01
23567   1997-03-01
23568   1997-03-01
23569   1997-03-01
23570   1997-03-01
Name: month, Length: 23570, dtype: datetime64[ns]

人数统计(绘制线形图)

# value_counts() 统计每一个元素出现的次数
df.groupby(by='user_id')['month'].min().value_counts()
df.groupby(by='user_id')['month'].min().value_counts().plot()

AxesSubplot:

用户最后一次消费的时间分布,和人数统计

  • 用户消费月份的最大值就是用户最后一次消费的月份

最后一次消费的月份

df.groupby(by='user_id')['month'].max().value_counts()
1997-02-01    4912
1997-03-01    4478
1997-01-01    4192
1998-06-01    1506
1998-05-01    1042
1998-03-01     993
1998-04-01     769
1997-04-01     677
1997-12-01     620
1997-11-01     609
1998-02-01     550
1998-01-01     514
1997-06-01     499
1997-07-01     493
1997-05-01     480
1997-10-01     455
1997-09-01     397
1997-08-01     384
Name: month, dtype: int64

人数统计(绘制线形图)

df.groupby(by='user_id')['month'].max().value_counts().plot()

AxesSubplot:

新老客户的占比

  • 消费一次为新用户,消费多次为老用户
  • 如何获知用户是否为第一次消费?可以根据用户的消费时间进行判定?
    • 如果用户的第一次消费时间和最后一次消费时间一样,则该用户只消费了一次为新用户,否则为老用户

分析出每一个用户的第一次消费和最后一次消费的时间

new_old_user_df = df.groupby(by='user_id')['order_dt'].agg(['min','max'])  # agg对分组后的结果进行多种指定聚合
new_old_user_df

分析出新老客户的消费比例

new_old_user_df['min'] == new_old_user_df['max']  # True新用户,False老用户
user_id
1         True
2         True
3        False
4        False
5        False
         ...  
23566     True
23567     True
23568    False
23569     True
23570    False
Length: 23570, dtype: bool
# 统计True和False的个数
(new_old_user_df['min'] == new_old_user_df['max']).value_counts()
True     12054
False    11516
dtype: int64

用户分层

分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格RFM

# 使用透视表
rfm = df.pivot_table(index='user_id',aggfunc={'order_product':'sum','order_amount':'sum','order_dt':"max"})
rfm

RFM模型设计

max_dt = df['order_dt'].max()  # 今天的日期
# 每个用户最后一次交易的时间
-(df.groupby(by='user_id')['order_dt'].max() - max_dt)
# R表示客户最近一次交易时间的间隔
# /np.timedelta64(1,'D'):去除days
rfm['R'] = -(df.groupby(by='user_id')['order_dt'].max() - max_dt) /np.timedelta64(1,'D')
rfm.drop(labels='order_dt',axis=1,inplace=True)
# 重新给每一列取名
rfm.columns = ['M','F','R']
rfm.head()

将用户根据价值分层

# 固定算法
def rfm_func(x):
    # 存储存储的是三个字符串形式的0或者1
    level = x.map(lambda x :'1' if x >= 0 else '0')
    label = level.R + level.F + level.M
    d = {
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要挽留客户',
        '001':'重要发展客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般挽留客户',
        '000':'一般发展客户'
    }
    result = d[label]
    return result
# df.apply(func):可以对df中的行或者列进行某种(func)形式的运算
rfm['label'] = rfm.apply(lambda x : x - x.mean()).apply(rfm_func,axis = 1)
rfm.head()

第五部分:用户的生命周期(重点)

  • 将用户划分为活跃用户和其他用户
    • 统计每个用户每个月的消费次数
    • 统计每个用户每个月是否消费,消费则记录为1,否则记录为0
      • 知识点:DataFrame的apply和applymap的区别
        • applymap:返回df
        • 将函数做用于DataFrame中的所有元素(elements)
        • apply:返回Series
        • apply()将一个函数作用于DataFrame中的每个行或者列
    • 将用户按照每一个月份分成:
      • unreg:观望用户(前两月没买,第三个月才第一次买,则用户前两个月为观望用户)
      • unactive:首月购买后,后序月份没有购买则在没有购买的月份中该用户的为非活跃用户
      • new:当前月就进行首次购买的用户在当前月为新用户
      • active:连续月份购买的用户在这些月中为活跃用户
      • return:购买之后间隔n月再次购买的第一个月份为该月份的回头客

统计每个用户每个月的消费次数

user_month_count_df = df.pivot_table(index='user_id',values='order_dt',aggfunc='count',columns='month').fillna(0)
user_month_count_df.head()

统计每个用户每个月是否消费,消费则记录为1,否则记录为0

# applymap() 对DataFrame中每个元素进行操作
# apply() 对DataFrame中行或列进行操作
df_purchase = user_month_count_df.applymap(lambda x:1 if x >= 1 else 0)
df_purchase.head()

将用户按照每个月分成不同活跃度的用户

# 将df_purchase中的原始数据0和1修改为new,unactive......,返回新的df叫做df_purchase_new
# 固定算法
def active_status(data):
    status = []  # 某个用户每一个月的活跃度
    for i in range(18):        
        # 若本月没有消费
        if data[i] == 0:
            if len(status) > 0:
                if status[i-1] == 'unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
            else:
                status.append('unreg')
                    
        # 若本月消费
        else:
            if len(status) == 0:
                status.append('new')
            else:
                if status[i-1] == 'unactive':
                    status.append('return')
                elif status[i-1] == 'unreg':
                    status.append('new')
                else:
                    status.append('active')
    return status
pivoted_status = df_purchase.apply(active_status,axis = 1) 
pivoted_status.head()
user_id
1    [new, unactive, unactive, unactive, unactive, ...
2    [new, unactive, unactive, unactive, unactive, ...
3    [new, unactive, return, active, unactive, unac...
4    [new, unactive, unactive, unactive, unactive, ...
5    [new, active, unactive, return, active, active...
dtype: object
df_purchase_new = DataFrame(data=pivoted_status.values.tolist(),index=df_purchase.index,columns=df_purchase.columns)
df_purchase_new

  • 每月【不同活跃】用户的计数
    • purchase_status_ct = df_purchase_new.apply(lambda x : pd.value_counts(x)).fillna(0)
    • 转置进行最终结果的查看
purchase_status_ct = df_purchase_new.apply(lambda x : pd.value_counts(x)).fillna(0)
purchase_status_ct

purchase_status_ct.T

与解析用户消费记录(数据分析三剑客综合使用)相似的内容:

解析用户消费记录(数据分析三剑客综合使用)

博客地址:https://www.cnblogs.com/zylyehuo/ 开发环境 anaconda 集成环境:集成好了数据分析和机器学习中所需要的全部环境 安装目录不可以有中文和特殊符号 jupyter anaconda提供的一个基于浏览器的可视化开发工具 import numpy as np

中国制霸生成器「GitHub 热点速览 v.22.42」

火遍推特的中国制霸生成器本周一开源就占据了两天的 GitHub Trending 榜,不知道你的足迹遍布了多少个省份呢?同样记录痕迹的 kanal 用了内存读写方式解决了 Rust 的消息处理问题,PHP 应用服务 frankenphp 大概也藏了一手自己的“记录”技能。 除了「记录」主题,RedE

2023-04-26-微信安全模式下消息解析

在微信公众号的使用过程中,为了提高信息传输的安全性,可以在服务器配置中将消息加解密模式指定为安全模式。 启用安全模式后,公众号主动调用API的情况并不会受影响,只有被动回复用户的消息时才需要对消息进行加解密。 官方提供了5种开发语言的示例代码,参照官方给的C++示例代码,本文给出go语言的解密实现:

[转帖]Oracle JDBC中的语句缓存

老熊 Oracle性能优化 2013-09-13 在Oracle数据库中,SQL解析有几种: 硬解析,过多的硬解析在系统中产生shared pool latch和library cache liatch争用,消耗过多的shared pool,使得系统不具有可伸缩性。 软解析,过多的软解析仍然可能会导

微信公众号消息加解密

在微信公众号的使用过程中,为了提高信息传输的安全性,可以在服务器配置中将消息加解密模式指定为安全模式。 启用安全模式后,公众号主动调用API的情况并不会受影响,只有被动回复用户的消息时才需要对消息进行加解密。 官方提供了5种开发语言的示例代码,参照官方给的C++示例代码,本文给出go语言的解密实现:

Sermant在异地多活场景下的实践

本文分享自华为云社区《Sermant在异地多活场景下的实践》,作者:华为云开源。 Sermant社区在1.3.0和1.4.0版本相继推出了消息队列禁止消费插件和数据库禁写插件,分别用于解决异地多活场景下的故障切流和保护数据一致性问题。本文将对Sermant在异地多活场景下的实践进行剖析。 一、异地多

XML Web 服务技术解析:WSDL 与 SOAP 原理、应用案例一览

XML Web服务是基于WSDL、SOAP、RDF和RSS等标准的网络应用程序组件技术。WSDL描述服务接口和消息格式,SOAP用于结构化信息交换,RDF描述网络资源,RSS则用于发布网站更新。Web服务特点是自包含、自描述,基于开放协议,可重用且能连接现有软件。WSDL文档包含`types`、`m...

三星电视无法下载《条款和条件、隐私政策》的问题 (消息代码: 0-1)

因为想看一部影片引发的对三星电视 app 功能的探索,没有重刷固件、没有远程协助,解决问题的方案居然是再简单不过的手机热点,将解决过程记录下来希望能帮到更多的三星中国用户,从一个侧面见证了三星产品在中国大陆退潮的缩影…

Rendezvous hashing算法介绍

## Rendezvous hashing Rendezvous hashing用于解决分布式系统中的分布式哈希问题,该问题包括三部分: 1. **Keys**:数据或负载的唯一标识 2. **Values**:消耗资源的数据或负载 3. **Servers**:管理数据或负载的实体 例如,在一个分

CAP 8.2 版本发布通告

前言 今天我们很高兴宣布 CAP 发布 8.2 版本正式版,我们在这个版本中主要致力于对订阅着并行执行的特性提供支持,同时添加了对在订阅者中对消息头的控制行为。 下面,具体看一下我们新版本的功能吧。 总览 可能有些人还不知道 CAP 是什么,老规矩来一个简介。 CAP 是一个用来解决微服务或者分布式