Redis List实现消息队列:从底层原理到工程实践

Redis List消息队列BRPOP
于 2026-10-29 03:55:16 修改
·本内容遵循CC 4.0 BY-SA版权协议

写 Redis 数据结构这块,我一直觉得 List 是被低估最严重的那个。String 有缓存命中率可以吹,Hash 有对象存储可以吹,ZSet 有排行榜可以吹,List 呢?很多人背完 LPUSH、RPUSH、BRPOP 就觉得结束了,结果一到真实业务里就出问题:队列消息丢了、重复消费了、积压导致 Redis 变成大 key 了。这篇文章只围绕一个主线展开:用 List 实现消息队列,从底层原理到工程选型,再到重复消费、备份确认、积压监控这些实战细节全过一遍。适合同样在啃 Redis 数据结构的初学者,也适合准备后端面试、正在做轻量队列方案选型的同学对照着参考。

1. List 是什么:一个能从两端操作的序列容器

1.1 底层实现:从 ziplist 到 quicklist 的演进

面试里如果聊到 List 底层,最常听到的词是 quicklist。但很多人只是记住了名字,不清楚它到底是什么。

Redis 3.2 之前,List 有两种编码方式:元素少、值小时用 ziplist,也就是一块连续内存,省空间;元素多了、值大了,就切换成双向链表 linkedlist,每个元素单独分配一个节点。听起来合理,但问题也很明显:ziplist 每次插入删除都可能触发内存复制,双向链表每个节点都有额外指针开销,存 100 万个小整数时内存会被指针吃掉一大截。

Redis 3.2 引入了 quicklist,把这两种结构做了个组合。宏观上它还是一个双向链表,但链表的每个节点不再只存单个元素,而是里面塞了一个 ziplist。这样既保留了双链表两端快速插入删除的能力,又通过块内压缩减少了指针数量。到了 Redis 7.0,ziplist 被性能更稳的 listpack 彻底替代,quicklist 的节点内部也就变成了 listpack。

这里有一个参数值得你记住:list-max-listpack-size,默认 128。它控制的是 quicklist 里单个节点最多能装多少个元素。超过这个阈值,Redis 会新开一个节点继续装。如果消息体很小,可以适当调大这个值,让节点多塞一些数据,减少链表节点数量;如果消息体很大,反而要调小,避免单个节点占用连续内存过多。

1.2 基本命令:头插尾插、头删尾删、按索引查

List 的核心命令并不多,但每个都有适用场景,我把常用命令整理成了一张速查表,命令本身不复杂,看的时候注意时间和复杂度就行。

命令 作用 时间复杂度 使用提醒
LPUSH / RPUSH 从左/右侧插入一个或多个元素 O(1) 批量插入时顺序有讲究
LPOP / RPOP 从左/右侧弹出元素 O(1) 弹出即删除
LRANGE 取指定范围内的元素 O(S+N) S 是偏移量,区间别太大
LINDEX 按下标取元素 O(N) 长列表不推荐频繁使用
LLEN 获取列表长度 O(1) 监控队列积压经常用
LTRIM 只保留指定区间的元素 O(N) 适合限制队列长度
LREM 按值删除元素 O(N) count 参数负数代表从尾向头删
LINSERT 在指定元素前后插入 O(N) pivot 不存在返回 -1
LPOS 查找元素所在位置 O(N) 6.0.6+ 引入,支持 RANK/COUNT
BLPOP / BRPOP 阻塞式弹出元素 O(1) 消息队列场景核心
BRPOPLPUSH 弹出并写入另一个列表 O(1) 可实现伪 ACK
LMPOP / BLMPOP 一次弹出多个元素 O(N) 7.0+ 引入

如果你只是把 List 当数组用,LINDEX 和 LRANGE 是最直观的。但要注意,元素多的时候,LINDEX 需要从表头或表尾一路遍历过去,它是 O(N) 的,不是 O(1)。我在生产环境见过有人用 LRANGE 0 -1 去取一个几十万元素的列表,直接把 Redis 主线程卡了几百毫秒,那段时间所有读写请求都受影响。Redis 是单线程模型,这种操作要非常克制。

1.3 两个容易踩的命令坑

第一个坑是批量插入的顺序。LPUSH mylist a b c,最终列表从左到右是 c、b、a。为什么?因为 LPUSH 本质是逐条执行,先头插 a,再头插 b,再头插 c,最后 c 在列表最左侧。如果你想批量插入后保持 a、b、c 的顺序,要么用 RPUSH,要么反过来传参。这个细节我见过不少老手翻车。

第二个坑是同一端读写。LPUSH 配 LPOP,这是栈,后进先出;LPUSH 配 RPOP,这才是队列,先进先出。有人写代码时左手 LPUSH,右手 LPOP,跑起来发现消息顺序颠倒,一查就是方向没配对。队列约定要先想清楚:生产端往左进,消费端从右出,全链路保持一致。

2. List 作为消息队列的核心玩法:LPUSH + BRPOP

2.1 为什么要用 BRPOP 而不是 RPOP

既然 LPUSH 配 RPOP 已经是 FIFO 队列,为什么还要引入一个带 B 前缀的命令?B 就是 Blocking,阻塞。

如果消费端用 RPOP 去拉消息,消息没到的时候只能轮询:每隔几毫秒问一次 Redis“有没有数据”。一次两次没问题,几十个消费者同时轮询,Redis 连接数被打满,CPU 全耗在空转上。BRPOP 的解决思路是:让客户端阻塞挂起,等数据真正到达时由 Redis 主动唤醒它,把数据推过去。

BRPOP 的用法是 BRPOP key timeout,timeout 是阻塞超时秒数,0 表示永久阻塞。从时间复杂度和网络开销上看,BRPOP 都比轮询高效得多。真正带来收益的其实是线上可观测性:阻塞中的客户端连接状态稳定,不会再产生暴雨一样的空请求。

这里也需要说破一件事:BRPOP 阻塞的是当前连接,阻塞期间这个客户端连接上是发不了其他命令的。你要么只让这个连接专职消费,要么用短超时加循环,底下连接池多备几条给其他业务用。

2.2 生产者-消费者最小模型

一个能跑起来的 List 消息队列,核心就两行代码。

生产者:

BASH
LPUSH order:notify '{"order_id":1001,"user_id":888}'

消费者:

BASH
BRPOP order:notify 0

消费者收到的是一个数组,格式是 [队列名, 消息内容],例如 ["order:notify", "{"order_id":1001,"user_id":888}"]。拿到之后可以 JSON 解析,再交给业务处理。这个模型里,生产端和消费端不需要互相感知,天然完成了异步解耦。

真实业务里建议把队列名统一放到配置中心或常量池里,防止生产端和消费端各写各的命名。我接手过一个项目,生产端用的 key 是 order:notify,消费端却监听 order:notification,两边都不报错,消息全在 Redis 里睡大觉。这种问题排查起来的成本远高于一开始定好规范的成本。

2.3 阻塞唤醒与多消费者竞争的逻辑

多个 BRPOP 同时阻塞在同一个 key 上,来一条消息时谁消费?答案是只有一个客户端会醒过来拿到消息,其他客户端继续阻塞。分配顺序大体上按客户端进入阻塞状态的先后顺序来,先阻塞的先拿。不是你想象中大家一起抢,而是排队领号码牌。

这个特性决定了 List 队列不能靠无限增加消费者来提升吞吐。20 个消费者监听同一个 key,同一时刻也只有 1 个在处理消息,其余 19 个挂着当摆设。想要水平扩容,就只能做分片:拆出 queue:1、queue:2 一直到 queue:N,生产者按订单号哈希或者按 userId 取模决定投递到哪个分片,每个消费者固定监听一个分片。

Redis 官方对阻塞命令的唤醒机制做得很快,因为底层维护了 key 到阻塞客户端的映射表。当 LPUSH 一个消息进来,Redis 会立刻检查是否有阻塞客户端,有就第一时间把消息推给它,这个唤醒开销是常数级的,不用担心性能。

3. 队列可靠性与重复消费问题的正面拆解

3.1 消息丢失的两个层次

用 List 做消息队列,消息丢失会发生在两个层面。

第一个层面是持久化。默认配置下 Redis 是内存数据库,进程一重启,所有队列数据全部归零。你可以在 redis.conf 里打开 appendonly yes,把 appendfsync 设为 everysec,这样最多丢失 1 秒数据。但注意,这仍然不能保证 100% 不丢。

第二个层面是消费机制。BRPOP 拿到消息的同时,这条消息已经从列表里被删掉了。如果消费者在拿到消息后、业务处理完成前宕机,这条消息就再也找不回来。这就是消息队列里说的 at-most-once,最多投递一次。

如果业务能接受这种丢失,List 就够了。但如果不能接受,就需要把消费流程改造成 at-least-once,至少投递一次。至少投递一次也不完美,因为消息可能被多次处理,这会引出重复消费的问题,只能靠幂等来兜底。

3.2 备份队列方案:BRPOPLPUSH 实现的伪 ACK

要让 List 队列从“弹出即消失”变成“处理完才消失”,经典的方案是引入备份队列。

Redis 提供了一个组合命令 BRPOPLPUSH source destination timeout。它的意思是从 source 列表中 BRPOP 弹出,同时把这条消息 LPUSH 进 destination 列表。整个操作是原子的,不会出现弹出后崩溃导致消息凭空消失的问题。

用法很简单。消费者从业务队列读出消息后,不急着删除,而是让它先进备份队列。业务处理成功后,再执行 LREM 从备份队列里把这条消息删掉。如果消费端处理到一半崩溃了,消息还在备份队列里躺着,重启后可以用 LRANGE 扫描备份队列,把未确认的消息重新拉回业务队列处理。

Redis 6.2 之后提供了更灵活的 BLMOVE,可以指定从列表哪一端弹出、进入目标列表哪一端,功能上可以替代 BRPOPLPUSH。如果你的客户端库支持 BLMOVE,优先用新的。

注意:备份队列方案解决的是“消费者崩溃导致消息丢失”的问题,不是“Redis 自身崩溃导致全量丢失”的问题。要对抗后者,必须老老实实开持久化。备份队列不能穿越宕机。

3.3 重复消费的根源与解法:唯一 ID + 去重表

既然变成了至少投递一次,重复消费就不可避免。重复的来源主要有三个:生产者重试导致同一条消息被写了多遍;消费失败后重新入队;从备份队列恢复时把已处理的消息又处理了一遍。

Redis 自己不会帮你过滤重复,它根本没有这个机制。真正的解法是消费端幂等。我在工程里常用的套路是消息体中带一个全局唯一的 msg_id,消费端维护一个已处理 ID 集合,每次处理前先查,处理成功后再写入集合。

PYTHON
import json, time, uuid
import redis
 
r = redis.Redis(host="127.0.0.1", port=6379, decode_responses=True)
 
QUEUE = "order:notify"
BACKUP = "order:notify:backup"
RETRY = "order:notify:retry"
DEAD = "order:notify:dead"
 
def make_done_key():
return "order:notify:done:" + time.strftime("%Y%m%d")
 
def produce(order_id, content):
msg = {
"msg_id": str(uuid.uuid4()),
"order_id": order_id,
"content": content,
"create_time": int(time.time()),
}
r.lpush(QUEUE, json.dumps(msg, ensure_ascii=False))
 
def consume_once():
# 从业务队列右侧取出,同时写入备份队列左侧
raw = r.blmove(QUEUE, BACKUP, "RIGHT", "LEFT", timeout=5)
if raw is None:
return False
 
msg = json.loads(raw)
msg_id = msg["msg_id"]
done_key = make_done_key()
 
# 幂等检查
if r.sismember(done_key, msg_id):
r.lrem(BACKUP, 1, raw)
return True
 
try:
# 真实业务逻辑,比如发通知、写下游
do_send(msg)
# 处理成功,记录幂等标记,删除备份
r.sadd(done_key, msg_id)
r.expire(done_key, 86400)
r.lrem(BACKUP, 1, raw)
return True
except Exception:
# 失败后决定重试还是进死信
retry = msg.get("retry", 0) + 1
if retry > 3:
r.lpush(DEAD, json.dumps(msg, ensure_ascii=False))
else:
msg["retry"] = retry
r.lpush(RETRY, json.dumps(msg, ensure_ascii=False))
return False

幂等集合如果数据量很大,可以把集合改成按天分片,上面代码里 done_key 就是按天拆的,配合 expire 防止 key 无限膨胀。删除备份时用的 LREM 是按值匹配的,如果备份列表里存在完全相同的两条消息,可能误删,所以消息体里必须带唯一 ID,并且尽量保证原样字符串唯一。

4. 该用 Redis 还是专业 MQ?选型对比与避坑指南

4.1 Redis 与主流消息队列的能力对比

互联网上讨论队列选型的帖子很多,很多人上来就说用 Kafka 还是 RabbitMQ,却把 Redis List 当成玩具。我的态度是:Redis 的队列能力确实不完整,但它足够快,足够简单,在合适的场景里就是最优解。你先得看清楚边界。

我把 Redis List/Stream、RabbitMQ、Kafka、RocketMQ 的核心差异整理成了一张选型对照表。

对比维度 Redis List/Stream RabbitMQ Kafka RocketMQ
系统定位 内存 KV 附带的轻量队列能力 企业级 AMQP 消息中间件 分布式提交日志 金融级消息中间件
可靠性 依赖持久化配置;Stream 有 ACK 可做到消费状态不丢 高,消息确认机制成熟 高,分区副本 + ISR 高,同步刷盘 + ACK
吞吐能力 单实例十万级 ops 几万到十几万级 百万级 十万到百万级
消费模型 阻塞弹出;Stream 支持消费组 Queue/Binding 路由 消费组 + 分区位移 消费组 + 队列模型
顺序性 List 天然 FIFO 单队列内有序 单分区内有序 单队列内有序
延迟消息/事务 不支持,需业务自行实现 延迟消息靠插件,事务能力弱 均不支持 支持延迟消息和事务消息
运维成本 极低,复用 Redis 中等 较高 较高
适合场景 内部异步通知、小流量削峰 业务解耦、任务分发 日志/大数据管道、事件溯源 交易类、订单类核心链路

这张表已经很说明问题了。Redis 的队列能力不是对标这些专业 MQ,而是占据一个“够用、轻量、快速上线”的空档。把它想成快递站门口的自提柜,而不是邮政分拣中心,就很好理解了。

4.2 什么场景下放心用 Redis 队列

我自己的判断标准有三条。

第一条,消息量可控。比如每天几万到几十万的内部通知类消息,完全在 Redis 单实例的射程范围内;如果每秒几万条往上冲,就要谨慎评估了,因为 List 的消费能力天然受制于单条弹出,积压速度可能超过消费速度。

第二条,业务对偶发丢失有容忍度。比如用户注册后发欢迎邮件、异步刷新某个聚合数据、订单完成后推送 APP 通知,少推送一次用户感知不强,业务也不会出大问题。

第三条,团队不想维护额外组件。很多中小项目里,Redis 已经是部署清单里必有的一项,再引入 RabbitMQ 或 Kafka,运维成本、监控成本和故障认知成本都会上升。能在一个核心组件里解决的问题,没必要拆成两个。

上面这种场景,用 List 做队列,三四天就能上线,不需要写复杂的配置,也不需要搭集群。我见过不少创业公司早期就用 LPUSH + BRPOP 撑过了第一轮业务验证,等量起来之后再切专业 MQ。

4.3 什么场景别碰 Redis 队列

反过来,有几种情况我会直接劝退。

第一类是资金相关、订单交易强一致性的链路。消息丢一条,账就对不上,这种需求应该交给支持事务消息、可靠 ACK 和消息回溯的 RocketMQ 或 Kafka。

第二类是需要死信队列、延迟队列、消息追踪、消费审计的场景。List 只能靠业务代码硬凑重试队列,延迟消息更是要自己写时间轮,成本高且容易出错。RabbitMQ 有现成的死信交换器和延迟消息插件,专业的事情交给专业的组件。

第三类是会出现消费端长期宕机的场景。如果消费者因为发布上线挂了两个小时,List 里的消息就以每小时几十万的速度积压,Redis 内存被打满,最终触发 OOM 或者大 key 阻塞,拖垮整个实例。Kafka 可以靠磁盘存海量数据,积压几天都不是问题;Redis 的内存模型决定了它不适合扛长时间积压。

选型时还要注意,Redis 不做消息过期清理。List 本身没有 TTL,消息积压了就只能靠消费端去消费,没有任何机制能自动淘汰旧消息。所以消息体里带上时间戳,消费时对超过处理时限的消息直接丢弃,是一种必要的自我保护。

5. 一套可落地的工程实践:带确认与监控的 List 队列

5.1 从零搭一个带伪 ACK 和幂等的完整队列

如果你决定用 List 队列,我建议代码不要停留在最小模型,至少把幂等、备份、重试、死信这些环节都考虑进去,否则上线后出现重复消费和消息丢失,你会非常被动。

先约定投递关系:生产端用 LPUSH 写入队列左侧,消费端用 BLMOVE 从队列右侧弹出,并把它放到备份队列左侧。业务成功后从备份队列删除。

生产端的实现我一般长这样:

PYTHON
def produce(order_id, content):
msg = {
"msg_id": str(uuid.uuid4()),
"order_id": order_id,
"content": content,
"create_time": int(time.time()),
}
r.lpush(QUEUE, json.dumps(msg, ensure_ascii=False))

消费端就是前面给出过的 consume_once 函数。这里补充两个细节。

一个是重试队列的处理。失败消息先推入 RETRY 队列,由单独的定时任务扫描重试队列,重新投递。如果重试超过 3 次,就直接进入 DEAD 队列,方便人工排查。重试队列本身也可以复用同样的备份确认机制,避免二次丢失。

另一个是幂等集合膨胀的问题。用 Set 记录已消费 ID 时,如果消息量很大,Set 会变得非常庞大,内存消耗不可忽视。我经常用按天分片的 key,并且对每条消息的幂等标记做 EXPIREAT,也就是让这个 key 在次日凌晨自动过期。这样做的好处是,你只关心最近一天内有没有处理过,更早的消息不需要永久记录。

5.2 队列积压监控与内存分析

List 队列最容易出事故的地方不是功能逻辑,而是积压。积压的直接后果是内存暴涨、消息延迟越来越大,严重时把 Redis 实例拖到 OOM。我建议把监控加进日常巡检脚本。

最简单的方法是周期性执行 LLEN 查看队列长度。

BASH
LLEN order:notify

如果长度长期超过你预设的阈值,比如 10 万条,就要告警了。不要等到半夜磁盘告警才反应过来。

内存层面,可以用 INFO memory 看 used_memory,也可以定期用 redis-cli --bigkeys 扫描大 key。注意:不要在业务高峰期执行 --bigkeys,它需要遍历整个 key 空间,会有性能开销。

如果积压一旦发生,加消费者不一定解决问题,因为 List 单 key 的消费是串行的。更快的做法是,先停掉生产端流量,把积压消息用一个临时消费者分页取出、按业务 ID 重新投递到多个分片队列,再让多个消费者并行处理。说白了就是通过分片把单队列压力拆开。

5.3 性能参数调整建议

List 队列相关的调参主要有三个方向。

第一是 list-max-listpack-size。消息都很小的时候,把默认的 128 调到 256 甚至更高,能减少链表节点数量,降低指针开销。消息体大就不要动了,单个 listpack 节点太大反而浪费内存。

第二是持久化策略。前面说过,appendonly 一定要开,appendfsync 配置成 everysec 是可靠性和性能的折中。如果对可靠性要求高到连 1 秒都不能丢,那就 everysec,同时接受 TPS 下降的现实。Redis 的消息队列本质上是内存队列,不要跟它硬碰硬追求不丢。

第三是客户端超时参数。BRPOP 和 BLMOVE 的 timeout 不要设置成 0 永久阻塞。很多客户端库里,永久阻塞一旦遇到网络闪断,重连逻辑反而会变得不可控。我习惯设置 5 秒以内的超时,超时后返回空,循环继续,这样也能更早暴露连接异常。

6. 常见问题排查与命令细节备忘

6.1 高频排障速查表

用 List 做队列的时间久了,我总结了一张自己的排障速查表,每次出问题先照着排查一遍,大部分都能定位到根因。

现象 大概率原因 排查手段 处理方案
Redis 重启后队列消息全没了 未开启 appendonly 持久化 config get appendonly 开启 appendonly yes
BRPOP 一直等待但队列里有数据 生产端和消费端方向不一致,一边 LPUSH 一边 LPOP LRANGE 看列表内容和方向 统一一头进一头出的约定
队列积压快速增长 消费者宕机或消费速度跟不上 LLEN 看积压量,INFO clients 看消费者连接 扩容分片队列,排查消费者线程
同一条消息被处理多次 生产端重复投递,或者备份恢复时重复消费 检查消息 msg_id 和幂等日志 消费端做幂等去重
LRANGE 取全列表导致 Redis 卡顿 大 key 加上大范围遍历 redis-cli --bigkeys 扫描 分批取数,消息量级大时避免一次性拉取
备份队列里的消息删不掉 LREM 的 count 参数传错 检查 count 正值负值 count=0 删除全部匹配

第二类现象特别常见。你写了一个队列,LRANGE 看到的列表顺序好像没问题,但消费者就是取不到某些消息,其实是因为同一端进出把队列变成了栈。遇到问题第一步不是改代码,而是用 LRANGE 0 -1 看看列表的真实顺序,再对着生产端和消费端的命令方向检查一遍,通常一分钟就能发现问题。

6.2 几个容易记混的进阶命令

LPOS 是 Redis 6.0.6 引入的查找命令,可以找出某个元素在列表里的位置。它支持 RANK 指定从哪一侧开始找,COUNT 指定最多返回几个匹配位置,MAXLEN 限制扫描长度。要找一个值是不是大列表里存在,LPOS 比 LRANGE 全量扫描聪明得多。

LMPOP 是 Redis 7.0 引入的多元素弹出命令,可以一次从多个 key 里弹出指定数量的元素。它的典型场景是批量消费:一次取 50 条消息,减少网络往返。但要注意,批量取出后一旦业务崩溃,这 50 条消息都停在备份队列里,恢复逻辑要按批次处理,幂等集合依然是最重要的兜底。

BLMOVE 从 Redis 6.2 开始成为 BRPOPLPUSH 的升级替代。它最大的改进是可以自由指定源队列和目标队列的左右端点。如果你还在用旧客户端或者担心版本兼容问题,BRPOPLPUSH 也没问题,语义上是它的一个子集。

Stream 是 Redis 5.0 引入的消息队列全新数据类型,支持消费组、pending 列表、XACK、XCLAIM,从能力和可靠性上完全不同于 List 队列。如果团队用的是 Redis 5.0 以上版本,而且业务开始出现“多个消费组”或“消费状态精细管理”的需求,Stream 是比 List 更合适的选择。

最后再分享一个我自己的习惯:只要是用 Redis 做队列,监控脚本里一定会带上 LLEN 和队列积压增长率的检查,任何一个 key 的长度在短时间内翻倍,我宁可先报警再说,也不想等出事了再去翻日志。用 List 做队列的性价比在于轻,但也正因为它轻,消息丢失、重复、积压这些问题的防线全部要自己搭。前期花一点时间把备份、幂等、死信、监控四个环节补齐,后面能省掉无数个被线上故障支配的深夜。这套链路跑熟之后,再切换到 Stream 或者专业 MQ,你对“可靠性”的理解也会完全不一样。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
安捷伦示波器实战指南:从基础操作到精准触发
本文详细介绍了安捷伦示波器的基础操作与高级功能,包括精准触发配置、波形分析和常见问题排查。通过实战技巧和优化建议,帮助工程师快速掌握示波器的核心功能,提升调试效率。特别适合电子工程师和测试技术人员参考使用。
weixin_30839881