说明：以下中考成绩收集自各初中官网官微、媒体报道及家长分享~
转自：https://mp.weixin.qq.com/s/mbKVikYnokmQacK0KmIhow
上海80多所初中2020中考成绩汇总！
上海50多所高中2020高考成绩汇总！
市委属高中
徐汇区
杨浦区
闵行区
静安区
虹口区
浦东新区
松江区
奉贤区
宝山区
嘉定区
黄浦区
普陀区
长宁区
金山区
青浦区
崇明区
转自：https://mp.weixin.qq.com/s/hetp8bMMdGcLfoETaDefkA
教你一个小窍门，买房可立省几十万
“经营者定价，应当遵循公平、合法和诚实信用的原则。”
经营者不得有以下不正当价格行为：提供相同商品或者业务，对具有同等交易条件的其他经营者实行价格歧视；
收集、使用个人信息，应当遵循合法、正当、必要原则，公开收集、使用规则，明示收集、使用信息的目的、方式和范围，并经被收集者同意。
转自：https://mp.weixin.qq.com/s/PpkmYbFn0YDvm9trNwoLSQ
奶爸：学炒股的4次顿悟
股市有风险，投资需谨慎；
专注大趋势，不负好时代。
市场继续震荡，有人担心久盘必跌，我却并不怎么担心。
因为我知道，不管短期走势怎么样，如果把周期拉长看，后市极大概率会往上。无非，时间磨久点，过程曲折点。
这是我炒股生涯，第三次顿悟所悟到的。我在学炒股过程中，努力摸索，碰壁无数，一共有过4次顿悟，今晚和大家简单分享一下。
第一次顿悟，是从“缠师”那里学到了一句话，“走势终完美”。
这句话从辩证角度包含两重意思：第一，一个走势一旦形成，一定会走到结束；第二，一个走势不管持续多久，最终一定会结束。
对于前者，我从此理解了“趋势中继”；对于后者，我从此理解了“趋势转折”。后来我炒股，就只做“强势股的第二波”（趋势中继），或者只找那种“跌了一年半以上，股价放量站上年线再缩量回踩年线的”（趋势转折）。
第二次顿悟，是学会了放弃绝大部分普通的机会，只做非常有特色的机会。
理解了趋势中继和转折，却并没有给我炒股带来稳定盈利。对此，我百思不得其解。直到有一天，我又一次醒悟：原来炒股赚钱和亏钱是不对称的，净值从1涨到1.5需要赚50%，而净值从1.5跌回1只需要亏33%。
所以，我们必须尽量避免大量平庸的、可能给我们资金带来磨损的交易，去主动拥抱极有特色、非常犀利的交易。
比如做短线，怎么定义强势股？强势有两种表现：一是股价涨停，天天涨停；二是股价新高，天天新高。不是涨停和新高的股票，短线就没必要去碰。
比如做中线，怎么定义强势股？必须是某一段时间的明星股，是江湖到处谈论、人们津津乐道的股票。不是这种，也没必要去碰。
第三次顿悟，是学会做大周期，从此无招胜有招。
第二次顿悟以后，我开始持续稳定从股市赚钱，但也有个问题，就是赚得太辛苦。其实这根本不算问题，世间360行，没几个行业是不辛苦的，炒股已经算是比较轻松的手艺。
但我还是努力想如何去偷懒，偷懒是推动社会进步的重要原动力之一。过了很久，我终于找到了方法，就是：周期越大，市场越容易分析。并且，周期越大，对操盘手法的要求越低。
比如，从超大周期来看，A股几十年都是底部不断抬升的，那么只要选择指数定投，或者直接持有部分指数，几乎已经立于不败之地。所以后来我又越来越喜欢和推荐指数化交易（买指数ETF）。
周期做大以后，对买卖点的精准度也没什么要求了。只要牢牢把握“上升趋势逢低做多”“好的买点总在调整后”等几个简单口诀，就可以把股票炒好。因为，感觉大差不离的时候，分批买分批卖就行了，既无踏空，也无挨套。
另外，周期做大以后，还不再容易受市场短期波动所扰、所惑，心态也变得更好起来，这真是一个意外收获。
第四次顿悟，是跳出股市看股市，知道赚钱最重要，从哪里赚的不重要。
炒股赚钱重要的不是收益率，而是绝对数。假如你一共10万本金，某年大行情翻1倍，也就才赚10万。而假如林老板1000万本金，当然他远不止1000万本金，只要赚10%，就有百万进账。你觉得你翻1倍他赚10%，你就比他牛？显然不是的。
所以，其实并不需要拘泥于炒股，什么项目能赚钱，回报和投入的比率相对较高，就去做什么。炒股赚的1万元，只能当1万元花，做其他事情如果赚1万元，也能当1万元花，为什么非要把自己局限在股市里呢？
还有，股票为什么非要自己去炒？把钱交给一个专业的人去干，也许比自己干得更好。就算和自己干得差不多，至少自己的时间省出来，可以去做别的事积累更多本金……
悟到这里以后，我就开始不炒股了，把钱交给我们团队的基金经理何老师去打理，自己专心负责公司运营事务，去做服务和保障。
我的炒股历程，从不炒股开始，到最后回到不炒股，却经历了一个十几年的循环，一次十几年的升华。
转自：https://mp.weixin.qq.com/s/0iTFU2HnQ_uPF3_JBgMfVg
图解ElasticSearch 搜索原理
摘要
先自上而下，后自底向上的介绍ElasticSearch的底层工作原理，试图回答以下问题：
-
为什么我的搜索 *foo-bar* 无法匹配 foo-bar ？
-
为什么增加更多的文件会压缩索引（Index）？
-
为什么ElasticSearch占用很多内存？
版本
elasticsearch版本: elasticsearch-2.2.0
内容
图解ElasticSearch
云上的集群
集群里的盒子
云里面的每个白色正方形的盒子代表一个节点——Node。
节点之间
在一个或者多个节点直接，多个绿色小方块组合在一起形成一个ElasticSearch的索引。
索引里的小方块
在一个索引下，分布在多个节点里的绿色小方块称为分片——Shard。
Shard＝Lucene Index
一个ElasticSearch的Shard本质上是一个Lucene Index。
Lucene是一个Full Text 搜索库（也有很多其他形式的搜索库），ElasticSearch是建立在Lucene之上的。接下来的故事要说的大部分内容实际上是ElasticSearch如何基于Lucene工作的。
图解Lucene
Mini索引——segment
在Lucene里面有很多小的segment，我们可以把它们看成Lucene内部的mini-index。
Segment内部
有着许多数据结构
- Inverted Index
- Stored Fields
- Document Values
- Cache
最最重要的Inverted Index
Inverted Index主要包括两部分：
- 一个有序的数据字典Dictionary（包括单词Term和它出现的频率）。
- 与单词Term对应的Postings（即存在这个单词的文件）。
当我们搜索的时候，首先将搜索的内容分解，然后在字典里找到对应Term，从而查找到与搜索相关的文件内容。
查询“the fury”
自动补全（AutoCompletion-Prefix）
如果想要查找以字母“c”开头的字母，可以简单的通过二分查找（Binary Search）在Inverted Index表中找到例如“choice”、“coming”这样的词（Term）。
昂贵的查找
如果想要查找所有包含“our”字母的单词，那么系统会扫描整个Inverted Index，这是非常昂贵的。
在此种情况下，如果想要做优化，那么我们面对的问题是如何生成合适的Term。
问题的转化
对于以上诸如此类的问题，我们可能会有几种可行的解决方案：
-
* suffix -> xiffus *
如果我们想以后缀作为搜索条件，可以为Term做反向处理。
-
(60.6384, 6.5017) -> u4u8gyykk
对于GEO位置信息，可以将它转换为GEO Hash。
-
123 -> {1-hundreds, 12-tens, 123}
对于简单的数字，可以为它生成多重形式的Term。
解决拼写错误
一个Python库 为单词生成了一个包含错误拼写信息的树形状态机，解决拼写错误的问题。
Stored Field字段查找
当我们想要查找包含某个特定标题内容的文件时，Inverted Index就不能很好的解决这个问题，所以Lucene提供了另外一种数据结构Stored Fields来解决这个问题。本质上，Stored Fields是一个简单的键值对key-value。默认情况下，ElasticSearch会存储整个文件的JSON source。
Document Values为了排序，聚合
即使这样，我们发现以上结构仍然无法解决诸如：排序、聚合、facet，因为我们可能会要读取大量不需要的信息。
所以，另一种数据结构解决了此种问题：Document Values。这种结构本质上就是一个列式的存储，它高度优化了具有相同类型的数据的存储结构。
为了提高效率，ElasticSearch可以将索引下某一个Document Value全部读取到内存中进行操作，这大大提升访问速度，但是也同时会消耗掉大量的内存空间。
总之，这些数据结构Inverted Index、Stored Fields、Document Values及其缓存，都在segment内部。
搜索发生时
搜索时，Lucene会搜索所有的segment然后将每个segment的搜索结果返回，最后合并呈现给客户。
Lucene的一些特性使得这个过程非常重要：
-
Segments是不可变的（immutable）
-
Delete? 当删除发生时，Lucene做的只是将其标志位置为删除，但是文件还是会在它原来的地方，不会发生改变
-
Update? 所以对于更新来说，本质上它做的工作是：先删除，然后重新索引（Re-index）
-
-
随处可见的压缩
Lucene非常擅长压缩数据，基本上所有教科书上的压缩方式，都能在Lucene中找到。
-
缓存所有的所有
Lucene也会将所有的信息做缓存，这大大提高了它的查询效率。
缓存的故事
当ElasticSearch索引一个文件的时候，会为文件建立相应的缓存，并且会定期（每秒）刷新这些数据，然后这些文件就可以被搜索到。
随着时间的增加，我们会有很多segments，
所以ElasticSearch会将这些segment合并，在这个过程中，segment会最终被删除掉
这就是为什么增加文件可能会使索引所占空间变小，它会引起merge，从而可能会有更多的压缩。
举个栗子
有两个segment将会merge
这两个segment最终会被删除，然后合并成一个新的segment
这时这个新的segment在缓存中处于cold状态，但是大多数segment仍然保持不变，处于warm状态。
以上场景经常在Lucene Index内部发生的。
在Shard中搜索
ElasticSearch从Shard中搜索的过程与Lucene Segment中搜索的过程类似。
与在Lucene Segment中搜索不同的是，Shard可能是分布在不同Node上的，所以在搜索与返回结果时，所有的信息都会通过网络传输。
需要注意的是：
1次搜索查找2个shard ＝ 2次分别搜索shard
对于日志文件的处理
当我们想搜索特定日期产生的日志时，通过根据时间戳对日志文件进行分块与索引，会极大提高搜索效率。
当我们想要删除旧的数据时也非常方便，只需删除老的索引即可。
在上种情况下，每个index有两个shards
如何Scale
shard不会进行更进一步的拆分，但是shard可能会被转移到不同节点上
所以，如果当集群节点压力增长到一定的程度，我们可能会考虑增加新的节点，这就会要求我们对所有数据进行重新索引，这是我们不太希望看到的，所以我们需要在规划的时候就考虑清楚，如何去平衡足够多的节点与不足节点之间的关系。
节点分配与Shard优化
- 为更重要的数据索引节点，分配性能更好的机器
- 确保每个shard都有副本信息replica
路由Routing
每个节点，每个都存留一份路由表，所以当请求到任何一个节点时，ElasticSearch都有能力将请求转发到期望节点的shard进一步处理。
一个真实的请求
Query
Query有一个类型filtered，以及一个multi_match的查询
Aggregation
根据作者进行聚合，得到top10的hits的top10作者的信息
请求分发
这个请求可能被分发到集群里的任意一个节点
上帝节点
这时这个节点就成为当前请求的协调者（Coordinator），它决定：
- 根据索引信息，判断请求会被路由到哪个核心节点
- 以及哪个副本是可用的
- 等等
路由
在真实搜索之前
ElasticSearch 会将Query转换成Lucene Query
然后在所有的segment中执行计算
对于Filter条件本身也会有缓存
但queries不会被缓存，所以如果相同的Query重复执行，应用程序自己需要做缓存
所以，
- filters可以在任何时候使用
- query只有在需要score的时候才使用
返回
搜索结束之后，结果会沿着下行的路径向上逐层返回。
参考
参考来源:
SlideShare: Elasticsearch From the Bottom Up
Youtube: Elasticsearch from the bottom up
Wiki: Document-term matrix
Wiki: Search engine indexing
Skip list
Standford Edu: Faster postings list intersection via skip pointers
StackOverflow: how an search index works when querying many words?
StackOverflow: how does lucene calculate intersection of documents so fast?
Lucene and its magical indexes
misspellings 2.0c: A tool to detect misspellings
结束
·END·
作者：Richaaaard
来源：www.cnblogs.com/richaaaard/p/5226334.html