Drools 是一个 Java 的商业过程实现，这是 Bob McWhirter 所编写的一个开源项目，由 JBoss 和 Red Hat Inc 支持。 Drools 提供一个核心的 Business Rules Engine(BRE) 和一个网页编写规则的管理系统（Drools Workbench）和 一个 Eclipse IDE 的插件，一同构成完整的 Drools 生态。
Drools 是一个 Java 实现的开源[[规则引擎]] (Rule Engine)，或者又被称为 Business Rules Management System(BRMS) 。Drools workbench 被叫做 Drools-WB，KIE-WB（或者也叫 KIE Drools workbench) 组合了 Guvnor, Drools 和 jBPM 插件。1
简单地来说，Drools 是一系列的工具集合允许用户将业务逻辑和数据分离。
Kie Server 是一个模块化的，独立的组件，可以用来演示和执行规则和流程。
KIE 全称是 Knowledge Is Everything 2
Drools 大致可以分为两个部分：Authoring 和 Runtime
Authoring 包括：
Drools Runtime 需要告诉如何执行特定 jar，用户可以在不同的 Runtime 中执行程序。
Working Memory 是 Drools Engine 的核心要素：Facts 被插入的时候。Facts 是 plain Java Classes，被插入到 Working Memory 的 Facts 会被修改或者扩展。
在企业复杂项目演进过程中随着外部条件复杂化会造成不断变化的业务逻辑，在系统实现时需要考虑将应用开发实现和商业业务决策逻辑剥离。这些规则可以集中管理，也可以在运行时动态管理修改，规则引擎正是基于上面的背景诞生的解决方案。
Drools 用来解决复杂规则的问题。现实问题往往会有很多逻辑判断，而如果将这些逻辑判断都编码写死在代码逻辑中，不仅实现混乱，而不易于维护。Drools 可以让应用逻辑和数据逻辑分离，通过直观的规则编排将数据逻辑单独处理。
通常来讲，如果一个系统需要接受一系列的参数，根据这些参数做一些决策，那么 Drools 应该都能够处理。
规则引擎（BRMS）的特点：
可以这么理解规则引擎，是一种在应用程序中可嵌入的组件，将业务逻辑从应用代码中分离，使用行业特定的规则模块编写业务逻辑，接受数据输入，解释业务规则，并根据规则做出业务决策。
规则引擎并不万能，在业务中使用规则引擎需要预先分析业务的使用场景，规则引擎适用于下面的场景：
规则引擎描述做什么，而不是如何去做。规则可以对复杂问题进行简化，规则的事先声明也使得困难问题得以分步解决，并且可以通过规则来验证。不像程序代码，规则使用比较简单的语法规则书写，规则比编码更易读。
数据保存在系统对象，逻辑保存在规则，打破了面向对象编程系统中数据和逻辑耦合的问题。
当逻辑跨领域时更为有用，通过将逻辑规则集中在一起维护，取代了分散在代码中的问题。
Rete 算法，Leaps 算法，提供了系统数据对象有效的匹配。RETE 算法来自 Dr. Charles Forgy 在 1979 年的 《专家系统原理和编程》中 CIS587:The RETE Algorithm
通过规则，可以建立一个可执行的规则库，规则库代表着现实业务策略，理想情况下可读性高的规则还可以作为文档。
通过 DSL 领域特定语言，可以让编码者通过接近自然语言的方式来编写规则。这让非技术人员和领域专家可以使用自己的逻辑来理解和编写规则。
类似于 Eclipse 这样的工具提供了方法用来编辑和管理规则，并且可以用来提供反馈，校验。同时也有审计和调试的工具。
Rule 系统提供了方法可以记录决策的结果，以及如何被决策的过程。
规则引擎至少应该包括：
使用规则引擎遵循五个典型步骤：
一个开放的规则引擎可以被嵌在程序任何位置。
Google 搜索之后发现 drools-workbench 有下面两个版本，不带 showcase 的版本是设计用来扩展，可以增加自己的的配置的镜像，而如果想要直接使用，那么可以使用 drools-workbench-showcase:latest 这个镜像，这个镜像包含了一些默认的配置。
docker pull jboss/drools-workbench
docker pull jboss/drools-workbench-showcase
拉取镜像后
docker run -p 8080:8080 -p 8001:8001 -d --name drools-wb jboss/drools-workbench-showcase:latest
当应用启动后，可以访问 http://localhost:8080/drools-wb 来体验 workbench 功能。
下面是镜像中默认包含的用户和角色：
USER PASSWORD ROLE
*********************************************
admin admin admin,analyst,kiemgmt
krisv krisv admin,analyst
john john analyst,Accounting,PM
sales-rep sales-rep analyst,sales
katy katy analyst,HR
jack jack analyst,IT
如果想要自己扩展用户，那么可以尝试使用不带 showcase 的版本。
拉取镜像
docker pull jboss/kie-server-showcase
拉取完成后，如下启动：
docker run -p 8180:8080 -d --name kie-server --link drools-wb:kie_wb jboss/kie-server-showcase:latest
Drools 大体可以分为两个部分：Authoring 构建 和 Runtime 运行。
构建过程涉及到 .drl 规则文件创建，通过上面的 workbench 可以使用界面来创建规则。
运行时则是在执行规则的服务，kie 提供了 server 可以用来执行规则。
如果要 clone KIE 中的规则，那么在项目的 General Settings 中获取 SSH 地址
git clone ssh://0.0.0.0:8001/MySpace/example
这个地址需要注意，如果是使用 Docker 安装的，那么在 clone 的地址中需要加入用户
git clone ssh://admin@0.0.0.0:8001/MySpace/example
然后再使用密码即可。
Netty 是异步、事件驱动的网络框架，可以用于开发高性能的网络服务器程序。
传统的多线程服务端程序是 Blocking （阻塞的），也就是接受客户端连接，读数据，发送数据是阻塞的，线程必须处理完才能继续下一个请求。而 Netty 的 NIO 采用事件机制，将连接，读，写分开，使用很少的线程就能够异步 IO。Netty 是在 Java NIO 的基础上的一层封装。
Netty 的官方文档和入门手册已经非常详细了，几乎是手把手的实现了 DISCARD ，ECHO 和 TIMESERVER 的例子，把官方的例子实现一遍对 Netty 就会有一点的了解了。
首先要了解 TCP 的粘包和拆包，TCP 是一个流协议，是一串没有边界的数据，TCP 并不了解上层业务数据含义，他会根据 TCP 缓冲区实际情况进行包划分，所以业务上，一个完整的包可能被 TCP 拆分为多个包发送，也可能把多个小包封装为一个大数据包发送。
业界对 TCP 粘包和拆包的解决方案：
Netty 提供了半包解码器来解决 TCP 粘包拆包问题。
private class ChildChannelHandler extends ChannelInitializer<SocketChannel> {
@Override
protected void initChannel(SocketChannel arg0) throws Exception {
arg0.pipeline().addLast(new LineBasedFrameDecoder(1024));
arg0.pipeline().addLast(new StringDecoder());
arg0.pipeline().addLast(new TimeServerHandler());
}
}
对于使用者，只需要将支持半包解码的 Handler 添加到 ChannelPipeline 即可。
LineBasedFrameDecoder 原理是依次遍历 ByteBuf 中可读字节，判断是否有 \n 或 \r\n ，有则以此为结束，组成一行。
StringDecoder 是将接受到的对象转成字符串，然后调用后面的 Handler，LineBasedFrameDecoder 和 StringDecoder 组合就是按行切换的文本解码器。
就像上文说的 TCP 以流进行传输，上层应用对消息进行区分，采用的方式：
Netty 对这四种方式做了抽象，提供四种解码器来解决对应的问题。上面使用了 LineBasedFrameDecoder 解决了 TCP 的粘包问题，另外还有两个比较常用的 DelimiterBaseFrameDecoder 和 FixedLengthFrameDecoder。
DelimiterBaseFrameDecoder 是分隔符解码器，而 FixedLengthFrameDecoder 是固定长度解码器。
ch.pipeline().addLast(new DelimiterBasedFrameDecoder(1024, delimiter));
ch.pipeline().addLast(new FixedLengthFrameDecoder(20));
对应的源代码可以参考这里
Netty 在 RPC 框架中有大量的使用，提到 RPC 就不得不提 Java 的编解码。Java 序列化的主要目的：
但是 Java 序列化也有缺陷：
代码库：https://gitlab.com/einverne/netty-guide-book
在看 Java 的 Netty 的时候，了解到了 NIO，从 NIO 了解到了 C 语言实现的 libevent 。我们为什么需要这样一个库，他的出现是为了解决什么问题。对于熟悉网络编程，或者多线程的人来说，都会知道一个普遍存在的问题，CPU 要远远快过 IO。所以如果我们要同时处理多个任务，而当前的任务阻塞了 IO，那么理想的状态应该是让 CPU 执行其他任务，而让阻塞 IO 的任务放到后台执行。
libevent 库提供了一种事件响应机制，当事件发生在用户关心的文件描述符上时，通知用户，并且隐藏后台真正使用的方法（select,epoll,kqueue) ，这避免了让用户为各个平台书写不同代码的问题。
Linux 内核将所有外部设备看做一个文件来操作，对一个文件的读写操作会调用内核提供的命令，返回 file descriptor。对一个 socket 的读写也有相应的描述符，socketfd，描述符是一个数字，指向内核中一个结构体。
UNIX 网络编程对 IO 模型划分了 5 类：
更多的可以参考《UNIX 网络编程》这本书。
NIO 在 JDK 1.4 引入，弥补了 JAVA 原来的同步阻塞 IO 的不足。
Buffer 是一个对象，包含一些要写入或者要读的数据。在面向流的 IO 中，数据可以直接写入或者读取到 Stream 对象中，在 NIO 库中，所有的数据都是用缓冲区处理。
缓冲区实质上是数组，通常是字节数组 ByteBuffer，缓冲区也不仅是一个数组，缓冲区提供了数据结构化访问以及维护读写位置等信息。
最常用的是 ByteBuffer ，但是每一种 Java 基本类型都对应一个缓冲区。
网络数据通过 Channel 读写，通道和流不同的是通道是双向的，流只是一个方向的移动，通道可以同时用于读、写或者同时进行。
Channel 可以分为两类：
Selector 会不断轮询注册在上面的 Channel，如果某 Channel 发生读写时间，Channel 处于就绪状态，被 Selector 轮询出来，通过 SelectionKey 获取就绪 Channel 集合，进行后续 IO。
JVM 设计者将 JVM 内存结构划分为多个区域，每个内存区域有各自的用途，负责存储各自的数据类型。有些内存区生命周期和 JVM 一致，也有些和线程生命周期一致，伴随着诞生，伴随着消亡。
Java 源代码文件会被编译为字节码（.class)，然后由 JVM 中类加载器加载类字节码，加载完毕后，交给 JVM 执行引擎，整个程序郭晨中 JVM 会使用一段内存空间来存储执行过程中需要用到的数据和信息，这段空间一般被称为 Runtime Data Area，也就是 JVM 内存。
允许被所有线程共享访问的内存区，包括堆，方法区，运行时常量池三个内存区。
Java 堆区在 JVM 启动时被创建，在实际内存空间可以是不连续的。Java 堆用于存储对象实例，GC 执行垃圾回收重点区域。JVM 一些优化会将生命周期长的 Java 对象移动到堆外。所以 Java 堆不再是 Java 对象内存分配唯一的选择。
JVM 中的对象分为，生命周期比较短的瞬时对象和长时间的对象。针对不同的 Java 对象，采取不同的垃圾收集策略，分代收集。GC 分代收集，新生代 和 老年代。
-Xms 和 -Xmx 参数分别可以设置 JVM 启动时起始内存和最大内存。
方法区存储了每一个 Java 类结构信息，包括运行时常量池，字段和方法数据，构造函数，普通方法字节码内容以及类，实例，接口初始化需要用到的特殊方法等数据。
-XX:MaxPermSize 设置方法区内存大小，方法区内存不会被 GC 频繁回收，又称“永久代”。
运行时常量池属于方法区中一部分。有效的字节码文件包含类的版本信息、字段、方法和接口等描述信息之外，还包含常量池表（Constant Pool Table），运行时常量池就是字节码文件中常量池表的运行时表现形式。
和共享内存区不同，私有内存区是不允许被所有线程共享访问的。线程私有内存区是只允许被所属的独立线程进行访问的一类内存区域，包括 PC 寄存器，Java 栈，本地方法栈三个。
JVM 中的 PC 计数器（又被称为 PC 寄存器，不同于物理的寄存器，这里只是代称），JVM 中的 PC 寄存器是对物理 PC 寄存器的抽象，线程私有，生命周期和线程生命周期一致。
Java 虚拟机栈描述的是 Java 方法执行的内存模型：每个方法执行时会创建栈帧（Stack Frame）。
Java 虚拟机栈用于存储栈帧（Stack Frame），栈帧中所存储的是局部变量表，操作数栈，以及方法出口等信息。
Java 堆中存储对象实例，Java 栈中局部变量表用于存储各类原始数据类型，引用（reference）以及 returnAddress 类型。
Java 栈允许被实现为固定或者动态扩展内存大小，如果 Java 栈被设定为固定大小，一旦线程请求分配的栈容量超过 JVM 允许最大值，JVM 会抛出一个 StackOverflowError 异常，如果配置动态，则抛出 OutOfMemoryError。
本地方法栈（Native Method Stack）用于支持本地方法（native 方法，比如调用 C/C++ 方法），和 Java 栈作用类似。
一般来说，Java 对象引用涉及到内存三个区域：堆，栈，方法区
Object o = new Object()
o 是一个引用，存储在栈中new Object() 实例对象存在堆中常见的垃圾回收算法是引用计数法和根搜索法，引用计数虽然实现简单粗暴，但是无法解决相互引用，无法释放内存的问题，所以引入了根搜索算法。根搜索算法是以根对象集合作为起始点，按照从上到下的方式搜索被根对象集合所连接的目标对象是否可达，如果不可达，则对象死亡，标记为垃圾对象。
在 HotSpot 中，根对象集合包含：
垃圾回收分两个阶段，垃圾标记和内存释放，和下面要说的两种回收算法相比，标记清除效率低下，更重要的是，可能造成回收之后内存空间不连续。
为了解决标记压缩算法造成的内存碎片问题，JVM 设计者引入了复制算法。Java 堆区如果进一步细分，可以分为新生代，老年代，而新生代又可以分为 Eden 空间，From Survivor 和 To Survivor 空间。在 HotSpot 中，Eden 空间和另外两个空间默认比 8:1，可以通过 -XX:survivorRatio 来调整。执行 Minor GC（新生代垃圾回收）时，Eden 空间中的存活对象会被复制到 To 空间，之前经历过 Minor GC 并且在 From 空间中存活的对象，也会被复制到 To 空间。当下面两种特殊情况下，Eden 和 From 空间中的存活对象不会被复制到 To 空间：
-XX:MaxTenuringThreshold 所指定的阈值，直接晋升到老年代当所有存活对象复制到 To 空间或者变为老年代时，剩下都为垃圾对象，意味着 Minor GC，释放掉 Eden 和 From 空间。然后 From 和 To 空间互换。
复制算法适合高效率的 Minor GC，但是不适合老年代的内存回收。
因为以上两种算法都有或多或少的问题，所以 JVM 又引入了 标记压缩算法，在成功标记出内存的垃圾对象后，该算法会将所有的存活对象都移动到一个规整的连续的内存空间，然后执行 Full GC 回收无用对象内存空间。当算法成功之后，已用和未用空间各自存放一边。
和大多数强类型语言一样，Go 也有自己基本的类型系统。Go 语言的类型大致可以分为四大类：
numbers,strings,booleansarrays , structspointers , slices, maps, functions, channels ，他们都是程序变量或者状态的引用Go 数值类型包括整型，浮点数和复数。对于整型
rune 等同于 int32 用来表示 Unicodebyte 等同于 uint8 通常用来表示原始数据uintptr 无符号整数类型，用来存储指针，uintptr 通常用在更加底层编程注意 int 和 int32 不是同一类型。
书中这边还介绍了运算符优先级和类型转换，进制转换的具体问题，详情可以参考。
Go 提供了两种精度的浮点数 float32 和 float64 ，常量 math.MaxFloat32 表示 float32 能表示的最大数，math.MaxFloat64 同理。
float32 类型的浮点数可以提供大约 6 个十进制数的精度，而 float64 则可以提供约 15 个十进制数的精度；通常应该优先使用 float64 类型。
Go 语言提供了两种精度的复数类型：complex64(8 字节） 和 complex128(16 个字节），分别对应 float32 和 float64 两种浮点数精度。内置的 complex 函数用于构建复数，real 和 imag 函数用来返回实部和虚部：
var x complex128 = complex(1,2) // 1+2i
var y complex128 = complex(3,4) // 3+4i
fmt.Println(x*y) // "(-5+10i)"
fmt.Println(real(x*y)) // "-5"
fmt.Println(imag(x*y)) // "10"
布尔值只有两个值 true or false
字符串是不可变的字节序列，可以包含任何数据，通常文本会解释为 UTF8 编码 Unicode 。len 函数返回的是字节数目。
标准库中有四个包对字符串处理尤为重要：bytes、strings、strconv 和 unicode 包。strings 包提供了许多如字符串的查询、替换、比较、截断、拆分和合并等功能。
bytes 包也提供了很多类似功能的函数，但是针对和字符串有着相同结构的 []byte 类型。因为字符串是只读的，因此逐步构建字符串会导致很多分配和复制。在这种情况下，使用 bytes.Buffer 类型将会更有效，稍后我们将展示。
strconv 包提供了布尔型、整型数、浮点数和对应字符串的相互转换，还提供了双引号转义相关的转换。
unicode 包提供了 IsDigit、IsLetter、IsUpper 和 IsLower 等类似功能，它们用于给字符分类。每个函数有一个单一的 rune 类型的参数，然后返回一个布尔值。而像 ToUpper 和 ToLower 之类的转换函数将用于 rune 字符的大小写转换。所有的这些函数都是遵循 Unicode 标准定义的字母、数字等分类规范。strings 包也有类似的函数，它们是 ToUpper 和 ToLower，将原始字符串的每个字符都做相应的转换，然后返回新的字符串。
常量表达式在编译器计算，每种常量的潜在类型都是基础类型。
常量声明语句定义了常量的名字，常量值不能被修改。
const pi = 3.1415
或者
const (
e = 2.71
pi = 3.14
)
常量声明可以使用 iota 常量生成器初始化，用于生成一组相似规则初始化的常量，const 语句中，第一个声明常量所在行，iota 会被置为 0，然后每行加一。
type Weekday int
const (
Sunday Weekday = iota
Monday
Tuesday
Wednesday
Thursday
Friday
Saturday
)
手上的 VPS 多余一台的时候总是想着通过一个统一的界面来监控管理。
之前也有分享过两个很不错的服务器监控程序 nodequery 和 netdata。之后又陆陆续续发现了其他一些不错的监控程序，所以就顺手整理一下。
商业方案，也就是提供服务在线监控，并且如果超过一定使用量向用户收取一定费用的服务：
商业开源方案：
Netdata 也提供一个免费的云端 Netdata Cloud。
Self-hosted 方案，容器化方案，所有监控内容可以直接通过容器部署：
| [[2021-08-28-nezha-monitor | 哪吒监控安装及简单使用说明]] |
SyAgent 是我在 LET 上面看到的一个选项，不过该网站由个人运营维护。
EHEH 是一个闭源的监控平台，类似于 Nodequery，安全性待评估。
服务已经不存在。果然闭源的不可信啊。
一个容器化解决方案，集成了 Prometheus, Grafana, cAdvisor 等等。
Zabbix 是一个企业级的开源监控方案。
GPL 开源协议。
[[Cockpit]] 是一款开源的 Linux 服务器管理解决方案。可以执行如启动容器，管理存储，配置网络，检查日志等操作。它能够同时控制和监控多台服务器。它提供的主要功能如：可视化的监控系统性能，管理 Docker 容器，终端窗口中基于 Web，管理用户帐号，收集系统配置和诊断信息，修改网络设置等。它的配置文档也很实用，可以快速安装并开始监控服务器。
这一个产品只需要在服务器上安装一个脚本，该脚本会定时将 Linux 系统状态发送到 nodequery 的网站，在他的网站后台显示，界面非常简介，提供邮件报警服务，简单的使用完全没有任何问题。
唯一的问题就是该网站已经很多年没有更新，很担心后续是否能够继续使用。
担心的事情总是会发生，nodequery 已经停止了服务。
[[Netdata]] 是一款开源的监控程序，安装简单，安装之后会开启一个服务端口用来展示服务器状态，这个监控页面上各个参数都有非常好看的图表来展示。
主页：https://github.com/netdata/netdata
上面两种监控方案需要针对每一台服务器进行安装，如果有多台服务器需要在统一的后台进行监控，那么可以选择 ServerStatus ，ServerStatus 是一个开源的监控系统，可以在同一个页面同时检测多台服务器流量，硬盘，内存等多个参数。
主页：https://github.com/BotoX/ServerStatus 中文版：https://github.com/cppla/ServerStatus
一款非常轻便的服务器监控程序，PHP 脚本。同时提供了 Bash 和 Web 版本。
主页：https://www.ezservermonitor.com/ 源码：https://github.com/shevabam/ezservermonitor-web
[[nezha 哪吒面板]] 是一款使用 Go 编写的服务器内存，CPU，网络使用情况的开源监控面板。
Datadog 是一个企业级的服务监控，日志记录等等平台。
因为使用 YouTube 所以接触到了 WebM 格式，这个格式 Google 开源的一个媒体容器格式，常见的文件后缀名是 .webm，他设计的目标是为了给 HTML5 提供视频和音频。Google 发起的 WebM 项目还有一个姊妹项目 WebP 是提供图像编码的。BSD 协议开源。1
我们平常所见的媒体格式，有 avi，mp3，mp4，mkv 等等，但是这些都是媒体文件容器的扩展，WikiPedia 有一份比较完整的媒体容器列表，在这份列表中我们也能看到其实 webm 格式就是 Matroska 容器的一层“皮”，mkv 格式也是 Matroska 容器的。
而这里说的容器又被称为封装格式，就是将编码好的视频，音频按照一定的规范封装到一起。当然有些容器也支持字幕，脚本之类，同一种容器中可以放不同编码的视频。
容器格式和编码格式要区别开来，放在容器中的媒体可以有不同的编码格式，编码格式指的是用特定的压缩技术对视频，音频处理。但是有些容器也能够提供二次压缩处理。常见的编码格式有：mpeg-2,mpeg-4,h.263,h.264 等等。
下面简要的说一些常见的容器格式。
WebM 容器是 Matroska 一种特殊的 profile，可以封装 VP8 视频编码， Vorbis 音频编码。在 2013 年支持了 VP9 视频编码，和 Opus 音频编码。
WebM 官网 https://www.webmproject.org/
AVI 全称 Audio Video Interleaved 音频视频交错格式，微软在 1992 年推出，采用有损压缩，压缩高，因此画质相对较差，但是应用仍然非常广泛，但是随着技术发展，逐渐被淘汰了。
MOV 是 QuickTime 格式，是 Apple 公司开发的音频、视频格式，和 AVI 格式几乎同一时间出现，现在也处于被淘汰状态。
这个格式是 Real Networks 公司所指定的音频视频压缩规范，可以根据不同的网络传输速率，而指定不同的压缩比率，从而实现低速率网络上的音视频实时传送，早起的 RMVB 格式是为了在有限带宽下在线播放视频而研发，曾经一度普及整个互联网。但现在也已经被淘汰。
MKV 是 Matroska Video 的简称，MKV 最大的特点就是能够容纳多种不同类型的视频、音频、和字幕格式。
Matroska 官网 https://www.matroska.org
MPG 又被称为 MPEG (Moving Pictures Experts Group)，是国际标准化组织认可的媒体封装格式，MPEG 一般指的是容器格式，而 MPEG-1， MPEG-2 一般是指编码格式。
一般的 MPEG4 容器封装了 H.264 编码格式，AAC 音频编码格式
Ogg 是一个自由且开放标准的容器格式，Ogg 可以放入各种自由和开放源代码的编解码器 2， Ogg 通常用于一下编码
通常情况下未编码的音频和视频内容都非常庞大，1080p 的视频一帧 1920*1080 像素大小，假设是 8 bit，一个像素 1 字节，那么一帧的大小就是 2M 大小，一般视频 1 秒为 30 帧，那么未压缩的视频几十秒钟就会达到 1Gb 大小，所以在存储时需要经过压缩。下面就是一些常见的视频压缩算法。关于更多视频编码概念的内容可以参考这里
在 1992 年制定标准，针对 1.5Mbps 以下数据传输速率而设计的国际标准，也是 VCD 制作格式。用 MPEG-1 压缩算法，大致可以将 120 分钟的电影压缩到 1.2 GB 左右大小。
标准定于 1994 年，设计目标为更高工业标准的图像质量和更高的传输速率，这种压缩算法主要用于 DVD 和 SVCD 制作，在高清电视和视频编辑也有广泛的应用。使用 MPEG-2 算法可以把 120 分钟的电影压缩到 4 到 8 GB 大小。
标准定于 1998 年，为播放高清流媒体而设计，可以利用窄带宽，通过帧重建技术，压缩和传输数据，可以用最少的数据获得最清晰的图像质量。这种压缩算法包含了 MPEG 标准不具备的可变比特率，版权保护等功能。
这边可以额外说一下 mp3 音频压缩，指的是 MPEG-1 或者 MPEG-2 音频压缩的 Layer III3，并不是 MPEG-3。而为什么没有 MPEG-3 是因为 MPEG-2 已经足够满足 MPEG-3 提出的目标 4，所以这个 MPEG-3 标准就被废除了。
H.264 也是 MPEG-4 第十部分，因此也叫 ISO/IEC 14496-10，或者叫做 MPEG-4 AVC，MPEG-4 Part 10 。H.264 也是 MPEG-4 的一部分。
H.264 最大的优势是很高的压缩比率，在同等画质下，H.264 压缩比是 MPEG-2 的 2 倍以上，是 MPEG-4 的 1.5 到 2 倍。H.264 需要授权付费使用。
是 H.264 的升级版，在保证画质的情况下拥有更高的压缩率。也是授权使用。
通常情况一个媒体文件必定是有视频和音频的，而上面提到的媒体容器中有些也是支持多音频编码轨的，比如说常见的电影可能包含多个国家语言音轨，而常见的 KTV 媒体格式可能需要包含一个原声轨，一个音频轨道。
AAC 是 Advanced Audio Coding，高级音频编码，出现于 1997 年，基于 MPEG-2 音频编码技术，由 Fraunhofer IIS、杜比实验室、AT&T、Sony（索尼）等公司共同开发，目的是取代 MP3 格式。2000 年，MPEG-4 标准出现后，AAC 重新集成了其特性，加入了 SBR 技术和 PS 技术，为了区别于传统的 MPEG-2 AAC 又称为 MPEG-4 AAC. 相关的规范标准分别是 ISO/IEC 13818-7,ISO/IEC 14496-3 作为一种高压缩比的音频压缩算法，AAC 压缩比通常为 18：1，也有数据说为 20：1，远胜 mp3。
在音质方面，由于采用多声道，和使用低复杂性的描述方式，使其比几乎所有的传统编码方式在同规格的情况下更胜一筹。AAC 可以支持多达 48 个音轨，15 个低频（LFE）音轨，5.1 多声道支持，更高的采样率（最高可达 96kHz，音频 CD 为 44.1kHz）和更高的采样精度（支持 8bit、16bit、24bit、32bit，音频 CD 为 16bit）以及有多种语言的兼容能力，更高的解码效率，一般来说，AAC 可以在对比 MP3 文件缩小 30% 的前提下提供更好的音质
Digital Audio Compression Standard 杜比实验室出品，有损压缩，可以包含 6 个独立声道。最著名的是 5.1 声道， 5 代表 5 个基本声道，可以独立连接五个不同音箱，右前 RF，中 C，左前 LF，右后 RR，左后 LR，1 则代表一个低频声效，连接低音辅助音箱（20 到 120Hz），开源解码库 liba52.
APE 是 Monkey’s Audio 提供的一种无损压缩格式，APE 可以无损失高音质地压缩和还原。APE 的压缩率相当高，并且音质保持得很好，获得了不少发烧用户的青睐
DTS 是 Digital Theater Systems ，数码影院系统，由 DTS 公司开发，是一种多通道音频技术，低损，环绕立体声，被广泛应用入 DVD 等高清片源上。需要授权，和杜比公司是竞争对手，常见的是 DTS 5.1，保存 5 条音频通道数据用于立体环绕声，分别是 center, left-front, right-front, left-rear, and right-rear。
FLAC 是 Free Lossless Audio Codec，开源无损压缩编码格式，不会破坏任何原有音频，可以还原光碟音质，被很多软件硬件产品支持。
官网： http://flac.sourceforge.net/
MPEG-1 or MPEG-2 Audio Layer III 经常被称作 MP3，是目前最流行的音频编码格式，有损压缩，相关的规范标准在 ISO/IEC 11172-3, ISO/IEC 13818-3。它设计用来大幅度地降低音频数据量，将音乐以 1:10 甚至 1:12 压缩。mp3 的比特率是可变的，在高声中包含的原始信息越多，回放时品质也越高。
根据比特率，MP3 可以分为
Opus 是一个有损编码格式，适用于网络低延迟，实时声音传输，标准 RFC 6716。Opus 是开放格式，没有专利和限制，目标希望去代替 Speex 和 Vorbis。
2018 年 10 月，Xiph.Org 基金会开发了 Opus 1.3 版本，改进了语音和音乐质量，兼容 RFC 6716，该版本首次加入环绕立体声格式 Ambisonics 支持。5
在归纳了目前市面上常见的媒体文件容器和编码之后，我们应该知道 WebM 是一个媒体容器，在 YouTube 上应用广泛。WebM 容器可以放入不同编码的音视频流，所以在下载了一个 webm 的文件之后可以使用
ffmpeg -i file.webm
来查看容器中的媒体文件，就我个人情况，因为 YouTube 很大一部分是用户上传，所以有些情况下 YouTube 的音频还是会选用 aac 编码，当然我也遇到过 opus。
9 月份一次出门在路上看了这篇万字采访，这篇文章主要以 Osterloh （Google 硬件部门 Leader）为脉络梳理了 Google 这几年在 硬件方面的尝试。文章中的观点并不是那么直白，但是看完却有一股气憋在心中不得不抒。作为用 Google 产品这么多年的忠实用户，Galaxy Nexus，Nexus 6 也是陪我度过了很多年，而 Google Glass 当年如何的红火，但是不得不说在 Google 在硬件确实不如其软件行业的发展，现在音箱被 Amazon Echo 压着打，手机不管是 Nexus 还是 Pixel 丝毫无法动摇 iPhone 的地位，更不用说失败的 Nexus Q，Android TV，等等。
这篇文章其实并没有直接点明为什么 Google 做不好硬件，但是文章展示的一些细节中我们就能看出一些端倪。其中很重要的一点就是 Google 企业文化的障碍。文中这样说
发布和迭代根本不适用于硬件
Google 更擅长的是快速发布产品，在迭代中快速更新产品，然而硬件不是软件，不能直接通过云端更新就让设备焕然一新，文章中说的，调整每一个细节都有可能需要改变供应商的时间表。
在苹果，软件管理人员总是在考虑特定的产品；软件工程高级副总裁 Craig Federighi 的目标是让 iPhone 变得更棒；而 Google 优先事项总是试图同时支持自己的产品，合作伙伴和整个互联网。
上面这番话让我对软硬件区别有了更深的了解，习惯了软件思维，所以总是想着尽快地发布，但其实不论做软件产品还是做硬件产品，只有当产品足够完美再去发布。近十几年的软件行业总是越来越快，恨不得今天的电子，明天就要发布。然而事实上观察那些成功的产品，总会在发布的最初的版本就定下了未来几年甚至十几年的形态，发布之后最多也只是修修补补，反而是那些不怎么成功的产品，每隔几个月增加一些功能，每隔一年改一次版，或许有人也要反驳，正是互联网的快速迭代更新的能力，才有了让产品试错的可能，才能让产品在试错中找到发展的道路。但其实往往这样的产品，在迭代过程中丢失了初衷，在一次次尝试过程中磨损了激情和动力。
Google Glass，Nexus Q 本来可以更完美，但却在一个错误的时间，错误的场合发布，最终不了了之。
有些时候确实无法去反驳这一条看似真理的话，将硬件设备和机器学习，AI 相结合，在文章中提到
在语音技术的早期阶段，用户很难找出语音助手除了设置定时器和播放音乐之外可以做什么。
智能助手 Siri 被提出之后，Amazon 有 Alex， Google 曾经有过 Google Now，Google Now on Tap，最后演变为 Google Assistant，语音助手真正成为了一个手机不可或缺的一部分。但是观察近些年这些巨头对这个“产品”的态度可以明显的看到差别，因为 Alex 并没有大规模的在手机上使用，就略过，就现在两大操作系统 Android 和 iOS 上的 Google Assistant 和 Siri 来看。Google 一心想要将 Assistant 打造的无所不能，无所不在，而 Siri 却慢慢的将控制的权利交给用户，比如在 iOS 12 中让用户自定义“捷径”。就两个产品的进化而言其实都没有错，但是无疑在 AI 并不完善的现在让 AI 不知所措甚至不如让 AI 遵循用户定义好的快捷方式来的有效。
无可置疑 Google 助手的能力要远远强于 Siri ，然而在使用的过程中非常直观的体验就是，让 Google Assistant 关掉 Wifi 都那么费劲（当然这是说的早期的时候）。或许这也是 Google 无法控制硬件带来的问题。很多人对比这些助手的时候总是哪一些，金门大桥多长多长，现在的总统是谁来提问，然而现实中大部分的问题这些助手都无法回答，而从地球到月球有多远这样的问题出现频率又有多高呢？
我想象中的手机助手至少应该能够控制手机中频繁操作的功能，比如设置提醒，设置日历，发送 SNS 消息，又比如控制 Wifi，流量开关等等。我曾记得之前看到过一些文章，介绍了产品功能在设计的时候要考虑到用户的期待。比如说用户按下一个按钮之后会发生什么，再比如说用户问完一个问题之后期待的答案。iOS 在 12 中更新的捷径，让用户自定义助手的处理，虽然门槛稍高，但却完美的避免了这一个答非所问的尴尬。
苹果公司近两年的一系列收购，Workflow，音乐识别应用 Shazam1，音乐分析引擎 Asaii 2，可以预期的是这些产品会和 Siri 甚至是 iPhone 整个产品线结合的更加紧密。这一方面弥补了软件方面的不足，另一方面也让硬件产品更加完美。
废话说了那么多，这只是对最近 Google 关停 Google+，又是审查版搜索不满的一顿发泄而已。Google 已经不是那个时候的 Google 了，倒是如今的微软，苹果更值得关心一下。
Jupyter 是一个为了支持多语言交互式编程的项目， Jupyter Notebook 是一个开源的网络程序，允许用户创建和分享包含代码，视图，方程式，文本的文档。
Jupyter 支持超过 40 中编程语言，可以轻松通过各种格式分享笔记，代码可以生成丰富的交互输出，包括 HTML，图像，视频，LaTeX 等等。
如果有 Python 环境，比较简答，可以按照官方的文档执行
简单的安装：
pip install jupyter
或者使用官方推荐的 Anaconda 安装。
执行如下代码运行
jupyter notebook
jupyter 是支持 TAB 补全的。
Jupyter 能够
在开发服务端接口的时候接触到 GraphQL 这个名词，故而有了这篇文章。因为初始，所以整理过程难免有些错误和疏漏，请留言告知。在我们面对一个新的名词，或者一门新的技术时，了解的过程可以分成这么几部分，他是什么，他解决了什么问题，他和目前同类型的技术相比优势在哪里，这样几个部分去看也就能够比较粗略，但是快速的了解一样新东西了。所以这篇文章的组织结构也以这样的方式进行。
GraphQL，很容易让人想起来 SQL，其实也很类似，可以理解为是一门查询语句，但和 SQL 不同的是，SQL 是查询关系型数据库，而 GraphQL 是查询 WEB 服务数据。GraphQL 是有 Facebook 开发开源，设计主要是为了解决 RESTful 接口的不足。
RESTful 在设计时，将互联网上的每一个内容都理解为资源，通过 HTTP 不同的请求方法来对资源进行增删改查，而 GraphQL 则是通过客户端自主使用查询语句来获得资源。GraphQL 并不是一门语言或者框架，而是请求数据的一种规范，协议。GraphQL 本身并不直接提供存储管理功能，也不和任何数据库绑定。
RESTful 接口遇到的问题
GraphQL 有如下特点：
GraphQL 对外提供只有一个接口，所有请求通过该接口处理，GraphQL 内部做了路由处理。查询语句主要分为两大类，Query 查询，Mutation 修改（非幂等操作，post，put，delete 等）
比如客户端有如下查询语句
query {
user(id: 1) {
id
name
}
}
服务端返回
{
"data": {
"user": {
"id": "1",
"name": "Uncle Charlie"
}
}
}
服务端会返回一个和查询一致的 JSON 字串。
关于 GraphQL 的类型系统，标量类型，对象类型那就自行查看文档即可。
如果你看到这里想要亲手体验一下，那么可以访问 GitHub 提供的在线查询工具
针对上面 RESTful 出现的问题 GraphQL 的解决方案：
使用 GraphQL 接口设计获取数据步骤：