新闻详情

新闻详情

首页 / 资讯中心 / 详情

python自定义“雪花算法”ID工具类

发布时间:2026/11/19 0:38:09来源:尧图网络
python自定义“雪花算法”ID工具类
注意机器码参数配置# 虚拟环境py3_8_20_patent_env # 自定义雪花算法 import time import threading class SnowflakeGenerator: def __init__(self, machine_id: int): 初始化雪花ID生成器 :param machine_id: 机器ID (0~1023)需确保不同节点唯一 if machine_id 0 or machine_id 1024: raise ValueError(machine_id 必须在 0~1023 之间) self.machine_id machine_id # 10位机器ID self.sequence 0 # 12位序列号 self.last_timestamp -1 # 上次生成时间戳 self.lock threading.Lock() # 线程锁确保线程安全 # 自定义起始时间可调整为系统上线时间延长ID有效期 self.epoch 1609459200000 # 默认2021-01-01 00:00:00 def generate(self) - int: 生成唯一ID with self.lock: timestamp self._current_time() # 处理时间回拨 if timestamp self.last_timestamp: raise ValueError(f时间回拨当前时间 {timestamp} 上次时间 {self.last_timestamp}) # 同一毫秒内生成 if timestamp self.last_timestamp: self.sequence (self.sequence 1) 0xFFF # 12位序列号自增 if self.sequence 0: # 当前毫秒序列号用尽 timestamp self._wait_next_millis() else: self.sequence 0 self.last_timestamp timestamp # 组合各部分的二进制位 return ( ((timestamp - self.epoch) 22) | # 41位时间差 (self.machine_id 12) | # 10位机器ID self.sequence) # 12位序列号 def parse(self, snowflake_id: int) - dict: 解析雪花ID结构 :return: 包含时间戳、机器ID、序列号的字典 timestamp (snowflake_id 22) self.epoch machine_id (snowflake_id 12) 0x3FF # 0x3FF 二进制 1111111111 (10位) sequence snowflake_id 0xFFF # 0xFFF 二进制 111111111111 (12位) return { timestamp: timestamp, machine_id: machine_id, sequence: sequence, datetime: time.strftime(%Y-%m-%d %H:%M:%S, time.localtime(timestamp / 1000)) } def _current_time(self) - int: 获取当前时间戳毫秒 return int(time.time() * 1000) def _wait_next_millis(self) - int: 等待下一毫秒 timestamp self._current_time() while timestamp self.last_timestamp: time.sleep(0.001) timestamp self._current_time() return timestamp # 使用示例 if __name__ __main__: # 初始化生成器machine_id 需全局唯一 generator SnowflakeGenerator(machine_id1) # 生成ID snowflake_id generator.generate() print(f生成的ID: {snowflake_id}) # 输出如 1318958301703372800 # 解析ID print(解析结果:, generator.parse(snowflake_id)) # 输出: {timestamp: 1715586304000, machine_id: 1, sequence: 0, datetime: 2024-05-12 14:25:04}
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉