星光下的赶路人

windows端口转发，可转发WSL端口

Mon, 27 Jul 2026 15:48:06 +0800

windows自带有端口转发命令，没必要安装其他管理软件

命令如下，将8003端口转发到WSL中的 8003 端口

netsh interface portproxy add v4tov4 listenport=8003 listenaddress=0.0.0.0 connectport=8003 connectaddress=127.0.0.1

查看全部的已配置的转发端口

netsh interface portproxy show all

有个服务必须启动

服务启动后执行以下命令设置开机启动

:: 立即启动 IP Helper 服务
sc start iphlpsvc

:: 设置服务开机自动启动（注意 start= 后面有空格，语法硬性要求）
sc config iphlpsvc start= auto

windwos和linux下获取当前使用的麦克风型号

Fri, 24 Jul 2026 14:17:39 +0800

需求是浏览器获取当前麦克风型号，对不支持的型号做限制，

最开始想的通过js后去麦克风型号，但是在windows下测试的没问题，到linux系统下就不行了

历览器输入以下地址可以看到支持的硬件信息

chrome://media-internals/

在windows下可以看到支持的型号，

但是在linux下看不到

windwo下需要使用 sounddevice 库，linux下使用 pulsectl

import sys

def get_windows_active_mic():
    """Windows 系统：通过 COM/pycaw 接口精确获取当前默认输入的麦克风型号"""
    import sounddevice as sd

    devices = sd.query_devices()

    default_in_id = sd.default.device[0]
    # print("默认录音设备ID：", default_in_id)
    # print("默认录音设备ID：", devices[default_in_id])
    
    return devices[default_in_id]['name']

def get_active_mic_pulsectl():
    import pulsectl
    try:
        with pulsectl.Pulse('get-mic-script') as pulse:
            # 1. 获取默认 Source 的名称
            server_info = pulse.server_info()
            default_source_name = server_info.default_source_name

            # 2. 遍历 Source 寻找描述信息
            for source in pulse.source_list():
                if source.name == default_source_name:
                    # 获取 friendly 名称
                    desc = source.proplist.get('device.description') or source.description
                    return desc
        return "未找到设备"
    except Exception as e:
        return f"获取失败: {e}"

def get_active_mic():
    print(sys.platform)
    """根据操作系统自动路由"""
    if sys.platform.startswith("win"):
        return get_windows_active_mic()
    elif sys.platform.startswith("linux"):
        return get_active_mic_pulsectl()
    else:
        return f"暂不支持的操作系统: {sys.platform}"

if __name__ == "__main__":
    print("当前正在使用的麦克风型号:", get_active_mic())

VLLM服务端启动ChineseErrorCorrector3-4B模型

Sun, 12 Jul 2026 21:46:23 +0800

先贴命令

vllm serve /www/models/Qwen/ChineseErrorCorrector3-4B \
    --max-model-len 10240 \
    --dtype float16 \
    --max-num-batched-tokens 10240 \
    --gpu-memory-utilization 0.4 \
    --max-num-seqs 512 \
    --host 0.0.0.0 \
    --port 8004 \
    --served-model-name csc-3B

这条命令的作用：用 vLLM 高性能推理框架，把中文纠错模型 ChineseErrorCorrector3-4B 启动成兼容 OpenAI 接口格式的 HTTP 推理服务，外部程序可通过 8004 端口调用文本纠错能力。

vllm servevLLM 提供的服务启动子命令，自动内置 OpenAI 兼容 REST API（/v1/completions、/v1/chat/completions），无需自己封装接口。

/www/models/Qwen/ChineseErrorCorrector3-4B本地模型权重文件路径，指向 4B 参数中文文本纠错模型（CSC 错别字校对模型）。

--max-model-len 10240

模型最大支持输入 + 输出总 token 长度 10240。

适合长文本纠错场景（长篇文档、案卷、文章批量校对），超过长度会截断输入。

--dtype float16模型权重 / 推理计算使用 FP16 半精度：

显存占用减半，相比 FP32 节省大量显存；速度更快，绝大多数 Nvidia GPU 原生支持 FP16 加速；纠错类模型对精度不敏感，FP16 不会明显降低校对准确率。

--max-num-batched-tokens 10240

单次推理批处理中，所有并发请求的 token 总和上限 10240。

用来防止瞬间大量长文本请求撑爆显存，和 max-model-len 配套管控显存负载。

--gpu-memory-utilization 0.4限制模型 + KV 缓存最多占用40% GPU 显存（0.4 = 40%）。

预留 60% 显存给系统、其他进程、突发 KV 缓存；多模型混跑、显卡同时跑其他任务时常用低利用率；纯单模型独占显卡可调高至 0.8~0.95 提升并发。

--max-num-seqs 512服务同时允许最多 512 条并行推理序列（并发请求）。

短文本纠错场景可拉高，支持高 QPS；长文本场景建议降低，避免 KV 缓存暴涨 OOM。

--host 0.0.0.0监听本机所有网卡地址，允许局域网 / 其他服务器远程访问接口；若写 127.0.0.1 则仅本机可调用，外部无法连接。

--port 8004HTTP 服务监听端口，调用地址示例：http://服务器IP:8004/v1/chat/completions

--served-model-name csc-3B

API 请求时需要指定的 model 参数名称，不用填冗长模型路径。

调用示例请求体片段：

{
  "model": "csc-3B",
  "prompt": "需要纠错的原文"
}

windows右键管理

Wed, 27 May 2026 09:35:57 +0800

windows11设计之初是为了简化右键，但是很多功能都隐藏起来了，要不通过shift + 右键出来详细右键，要不就得点详情来看，通过以下方法可以直接换为旧版的右键菜单。

开始菜单搜索cmd，以管理员身份打开

运行以下命令

reg.exe add "HKCU\Software\Classes\CLSID\{86ca1aa0-34aa-4e8b-a509-50c905bae2a2}" /f
reg.exe add "HKCU\Software\Classes\CLSID\{86ca1aa0-34aa-4e8b-a509-50c905bae2a2}\InprocServer32" /f /ve

再执行

taskkill /f /im explorer.exe
start explorer.exe

然后点右键就是旧版的菜单了。

还有一个好用的右键菜单管理工具推荐。

ContextMenuManager

下载链接

下载完后不需要安装直接打开就能用

可以管理文件、文件夹、目录等等各种右键菜单。

我现在在目录里面右键就只剩下这些了。

简化了很多。

从其他linux服务器拉取文件到当前服务器

Mon, 18 May 2026 10:48:16 +0800

项目需要，当前服务器通过堡垒机连接，不知道密码，但是其他服务器密码知道，也不能上传文件，所以，只能通过其他服务器将文件传输到当前服务器，其他服务器也没有安装nginx等网络服务，因此只能从过scp命令传输文件

拉取单个文件

scp root@192.168.1.100:/data/test.txt ./

拉取整个文件夹

scp -r root@192.168.1.100:/data/abc /home/

把当前文件推送到远程服务器

scp ./test.txt root@192.168.1.100:/data/

从一台doris导入表结构和数据到另一台doris

Fri, 15 May 2026 09:14:47 +0800

Apache Doris 是一款开源、分布式、MPP 架构的 OLAP（在线分析型）数据库，主打海量数据实时多维分析、秒级 / 亚秒级查询、高并发报表与即席查询，非常适合构建实时数据仓库、BI 看板、用户行为分析、日志分析、湖仓融合等场景。

需要将数据从一台doris集群迁移到另一台doris服务器中，以下是操作步骤

一、迁移表结构

首先将数据库导出sql文件。在一台可以连接doris的linux服务器上执行以下命令

mysqldump -h192.168.1.10 -P9030 -uroot -p \
--no-tablespaces \
--no-data \
--skip-column-statistics \
--databases test_db \
> doris_ok.sql

接下来需要借助一点点AI的力量，把导出的文件交给AI，让它把sql修改成兼容doris数据库的语法，并且支持单个节点doris的（我这里新的doris是单节点的所以这么改，按照实际情况修改提示词），我使用的claude模型，效果比较好，一次就成功了，也可以使用国内模型试试。修改完后的代码保存成sql文件。

最后执行以下命令，导入到新库中

mysql -h192.168.1.45 -P9030 -uroot -p < doris_fixed.sql

二、同步数据

同步数据需要借助doris的CATALOG。“外部数据源的统一入口和命名空间”

它的作用是让 Doris 不只是查询自己内部的数据，还能像一个“数据中台”一样，直接访问 Hive、Iceberg、Hudi、MySQL、PostgreSQL、Elasticsearch 等外部数据源。

在新doris库中执行以下命令，将旧库作为外部数据库连接到doris中。

CREATE CATALOG doris_source PROPERTIES (
    "type" = "jdbc",
    "user" = "root",
    "password" = "mysql.7334453",
    "jdbc_url" = "jdbc:mysql://192.168.1.10:9030/",
    "driver_url" = "https://repo1.maven.org/maven2/mysql/mysql-connector-java/8.0.25/mysql-connector-java-8.0.25.jar",
    "driver_class" = "com.mysql.cj.jdbc.Driver"
);

执行

SHOW CATALOGS;

看到以下doris_source，表示已经连接成功。

然后就可以像操作一个数据库的方式导入数据了

INSERT INTO hx_theme_data.t_license
SELECT * FROM doris_source.hx_theme_data.t_license

运行以下sql生成所有需要导入表sql。

SELECT 
    CONCAT(
        'INSERT INTO hx_theme_data.`', TABLE_NAME, '` ',
        'SELECT * FROM doris_source.hx_theme_data.`', TABLE_NAME, '`;'
    ) AS sync_sql
FROM information_schema.TABLES
WHERE TABLE_SCHEMA = 'hx_theme_data'
  AND TABLE_TYPE = 'BASE TABLE';

直接复制所有sql运行就可以导入全部数据了。

千万别用sql查询经纬度数据了，有更快的方式

Sat, 09 May 2026 17:27:05 +0800

最近需要查询学校周边的零售户有哪些，几千个学校，几十万零售户，用sql查询费了十几分钟才查询出来，后来问的AI，使用python代码，十几秒就能搞定。以下是完整的代码，可以作为参考。

def aaaaa():
    import numpy as np
    import pandas as pd
    from sklearn.neighbors import BallTree
    from time import time
    # 1. 从 Doris 读取数据
    from sqlalchemy import create_engine
    engine = create_engine(
        "mysql+pymysql://root:mysql.7334453@192.168.1.10:9030/hx_theme_data?charset=utf8mb4"
    )
    start_time = time()
    merchants = pd.read_sql("""
        SELECT retailer_uuid, label_ids, label_names, company_name,
               label_list_fields, lic_no,
               CAST(latitude AS DOUBLE) AS lat_d,
               CAST(longitude AS DOUBLE) AS lng_d
        FROM t_license
        WHERE longitude IS NOT NULL AND longitude != 0
          AND latitude  IS NOT NULL AND latitude  != 0
          AND lic_status IN ('01','02','10')
    """, engine)

    schools = pd.read_sql("""
        SELECT name, type,
               CAST(lat AS DOUBLE) AS lat_d,
               CAST(lng AS DOUBLE) AS lng_d
        FROM t_data_school_info
        WHERE lat IS NOT NULL AND lat != '' AND lat != '0'
          AND lng IS NOT NULL AND lng != '' AND lng != '0'
    """, engine)

    # 2. 构建 BallTree（使用弧度，haversine 距离）
    school_coords = np.radians(schools[['lat_d', 'lng_d']].values)
    tree = BallTree(school_coords, metric='haversine')

    # 3. 批量查询每个商家最近的学校，距离阈值 200m
    merchant_coords = np.radians(merchants[['lat_d', 'lng_d']].values)
    DISTANCE_M = 200
    EARTH_RADIUS = 6371000

    distances, indices = tree.query(merchant_coords, k=1)  # 找最近1所
    distances_m = distances[:, 0] * EARTH_RADIUS           # 转换为米

    # 4. 过滤距离 < 200m 的结果
    mask = distances_m < DISTANCE_M
    result = merchants[mask].copy()
    result['distance']   = distances_m[mask]
    result['school_name'] = schools.iloc[indices[mask, 0]]['name'].values
    result['school_type'] = schools.iloc[indices[mask, 0]]['type'].values
    result['school_lat']  = schools.iloc[indices[mask, 0]]['lat_d'].values
    result['school_lng']  = schools.iloc[indices[mask, 0]]['lng_d'].values

    # 5. 结果写回 Doris
    # result.to_sql('t_merchant_nearest_school', engine, if_exists='replace')
    print(f"耗时 {time() - start_time:.2f} 秒")
    print(f"找到 {len(result)} 个200m内有学校的商家")

Django + Doris CRC32 分表实战：问题汇总与解决方案

Wed, 06 May 2026 16:32:46 +0800

一次从零到一的 Django 分表实践，记录踩过的所有坑

前言

最近在做一个零售户管理系统，需要处理十亿级的数据。考虑到 Doris 的强大分析能力，使用 Doris 作为数据库，并基于 CRC32 算法实现自动分表。过程并不顺利，遇到了各种各样的问题。记录这些问题及解决方案，希望能帮助到有类似需求的开发者。

问题1：Doris 数据库连接失败

错误信息：

django.db.utils.OperationalError: (2003, "Can't connect to MySQL server on 'xxx'")

问题原因：

Doris 使用 MySQL 协议，但端口不是默认的 3306
防火墙未开放 Doris 端口
未安装 PyMySQL 驱动

解决方案：

# settings.py
DATABASES = {
    'doris': {
        'ENGINE': 'django.db.backends.mysql',
        'NAME': 'your_database',
        'USER': 'your_user',
        'PASSWORD': 'your_password',
        'HOST': 'your_doris_host',
        'PORT': '9030',  # Doris 默认 MySQL 协议端口
        'OPTIONS': {
            'init_command': "SET sql_mode='STRICT_TRANS_TABLES'",
            'charset': 'utf8mb4',
        },
    }
}

关键点：

Doris 的 MySQL 协议端口通常是 9030（不是 3306）
需要安装 pymysql：pip install pymysql
在 __init__.py 中添加：import pymysql; pymysql.install_as_MySQLdb()

问题2：NameError: name ‘BaseLicense’ is not defined

错误信息：

NameError: name 'BaseLicense' is not defined

问题原因：

在 router.py 中使用了 BaseLicense 但没有导入或定义
模型定义顺序导致引用问题

解决方案：

方案一：在 router.py 中定义（简单但不推荐）

# router.py
class BaseLicense(models.Model):
    class Meta:
        abstract = True

方案二：分离模型和路由逻辑（推荐）

# models.py
class BaseLicense(models.Model):
    # 字段定义...
    class Meta:
        abstract = True

# router.py
from .models import BaseLicense  # 正确导入

最佳实践：

将所有模型定义在 models.py 中
路由逻辑单独放在 router.py 或 shard_router.py
使用明确的导入路径

问题3：no such table: t_license_8

错误信息：

django.db.utils.OperationalError: no such table: t_license_8

问题原因：

Django 默认使用 default 数据库连接
default 配置的是 SQLite，但实际表在 Doris 中
未指定使用 Doris 数据库

解决方案：

方案一：每次查询指定数据库（简单直接）

result = model.objects.using('doris').get(lic_no=lic_no)

方案二：配置数据库路由器（优雅）

# db_router.py
class DorisRouter:
    def db_for_read(self, model, **hints):
        if model.__name__.startswith('License_'):
            return 'doris'
        return None

# settings.py
DATABASE_ROUTERS = ['your_app.db_router.DorisRouter']

知识点：

using() 方法用于指定数据库
数据库路由器可以实现自动化路由
记得在 settings 中注册路由器

问题4：Unknown column ‘id’ in ‘t_license_8’

错误信息：

django.db.utils.OperationalError: (1054, "errCode = 2, detailMessage = Unknown column 'id' in 't_license_8'")

问题原因：

Django 模型默认会自动添加一个名为 id 的自增主键字段
Doris 表使用 retailer_uuid 作为主键，没有 id 字段

解决方案：

class BaseLicense(models.Model):
    # ✅ 必须明确指定主键字段
    retailer_uuid = models.CharField(
        max_length=96, 
        primary_key=True,  # 关键：指定为主键
        verbose_name='零售户UUID'
    )
    lic_no = models.CharField(max_length=60, null=True)
    # ... 其他字段

    class Meta:
        abstract = True
        managed = False  # 禁止 Django 管理表结构

关键点：

必须用 primary_key=True 标记主键字段
设置 managed = False 避免 Django 尝试创建/修改表
abstract = True 让基类不创建实际表

问题5：Object of type License_t_license_8 is not JSON serializable

错误信息：

TypeError: Object of type License_t_license_8 is not JSON serializable

问题原因：

Django ORM 返回的是模型对象，不是字典
JSON 序列化器无法处理 Django 模型实例

解决方案对比：

方案	代码	优点	缺点
使用 values()	`model.objects.filter().values().first()`	直接返回字典，性能好	返回的是字典，不是模型实例
使用 model_to_dict	`model_to_dict(obj)`	可转换已有模型实例	需要先获取实例
手动构建字典	`{'field': obj.field}`	完全可控	代码冗长
使用 Django 序列化器	`serializers.serialize('json', queryset)`	功能完整	返回格式特殊

推荐方案：

# 方案一：直接使用 values()（推荐）
@router.get("/license")
def get_license(request, lic_no: str):
    model = get_model_for_license(lic_no)
    result = model.objects.using('doris').filter(
        lic_no=lic_no
    ).values().first()  # 直接返回字典
    return result

# 方案二：使用 model_to_dict
from django.forms.models import model_to_dict

@router.get("/license")
def get_license(request, lic_no: str):
    model = get_model_for_license(lic_no)
    obj = model.objects.using('doris').get(lic_no=lic_no)
    return model_to_dict(obj)  # 转换为字典

一键删除所有Anaconda虚拟环境（安全、干净、彻底）

Mon, 27 Apr 2026 16:52:44 +0800

最安全、最简单、直接清空所有环境的方法，不用一个个删，也不会弄坏你的 base 环境。

核心命令（直接复制运行）

先打开 Anaconda Prompt（Windows）或终端（Mac/Linux），执行：

1. 查看所有环境（确认一下）

conda env list

2. 批量删除所有自定义环境

for /f "skip=1 tokens=1" %i in ('conda env list ^| findstr /v "base"') do conda remove -n %i --all -y

上面这行是 Windows 专用命令，直接复制粘贴运行即可。

运行后它会自动逐个删除所有非 base 的环境，全程不需要你手动确认。

Mac / Linux 系统用这个命令

conda env list | grep -v 'base' | awk '{print $1}' | xargs -I {} conda remove -n {} --all -y

重要提醒

不会删除 base 环境（你的 Anaconda 本体不会坏）
不会删除 Anaconda 软件
只删除你自己创建的所有虚拟环境
删完后执行 conda env list，只会剩下 base

删完后彻底清理缓存（释放大量空间）

环境删完后，再运行这个清理缓存，能多出几个G空间：

conda clean -a -y

总结

Windows 用我给的 for /f 命令一键清空所有环境
Mac/Linux 用对应的 bash 一键清空
最后用 conda clean -a -y 彻底清理
全程安全、不会损坏 Anaconda

Django 操作 Redis 完整教程

Sat, 25 Apr 2026 09:21:59 +0800

Redis 是一款高性能的内存数据库，Django 中常用来做缓存、会话存储、计数器、消息队列等。下面我带你从安装配置 → 基础使用 → 高级操作完整掌握 Django 操作 Redis 的方法。

一、环境准备

1. 安装依赖包

Django 操作 Redis 最常用的库是 django-redis（官方推荐）：

pip install django-redis redis

2. 本地/服务器启动 Redis

确保你的设备已经安装并启动了 Redis 服务：

Windows：下载 Redis 安装包，启动 redis-server.exe
Mac/Linux：brew install redis 或 apt install redis-server，执行 redis-server 启动

二、Django 配置 Redis

打开项目的 settings.py，添加以下配置：

1. 核心配置（最常用）

# settings.py

# 配置 Redis 为缓存后端
CACHES = {
    "default": {
        "BACKEND": "django_redis.cache.RedisCache",
        # Redis 地址：格式 redis://:密码@主机:端口/数据库编号
        # 无密码：redis://127.0.0.1:6379/1
        "LOCATION": "redis://127.0.0.1:6379/1",
        "OPTIONS": {
            "CLIENT_CLASS": "django_redis.client.DefaultClient",
            # 连接池配置（优化性能）
            "CONNECTION_POOL_KWARGS": {"max_connections": 100}
        }
    }
}

# 可选：将 Django 会话存储到 Redis
SESSION_ENGINE = "django.contrib.sessions.backends.cache"
SESSION_CACHE_ALIAS = "default"

三、基础操作（缓存/键值对）

django-redis 封装了 Django 原生缓存 API，无需手动连接 Redis，直接调用即可。

1. 导入缓存对象

from django.core.cache import cache

2. 常用命令

# 1. 设置缓存（key, value, 过期时间/秒）
cache.set("username", "zhangsan", timeout=60)  # 60秒后过期
cache.set("age", 20)  # 不写timeout：永久有效

# 2. 获取缓存
name = cache.get("username")  # 存在返回值，不存在返回None
age = cache.get("age", 0)  # 不存在时返回默认值0

# 3. 删除缓存
cache.delete("username")  # 删除指定key
cache.clear()  # 清空当前数据库所有缓存（谨慎使用！）

# 4. 判断key是否存在
cache.has_key("username")

# 5. 自增/自减（适合做计数器、点赞数）
cache.set("view_count", 0)
cache.incr("view_count")  # +1 → 1
cache.incr("view_count", 5)  # +5 → 6
cache.decr("view_count")  # -1 → 5

四、直接操作原生 Redis 命令（进阶）

Django 封装的 API 不够用时，可以获取原生 Redis 连接，执行 Redis 所有原生命令（哈希、列表、集合等）。

1. 获取原生 Redis 客户端

from django_redis import get_redis_connection

# 获取连接（使用settings.py中配置的default连接）
redis_conn = get_redis_connection("default")

2. 原生 Redis 常用操作

# 字符串
redis_conn.set("name", "lisi")
print(redis_conn.get("name").decode())  # 二进制转字符串

# 哈希（适合存储对象）
redis_conn.hset("user:1", "name", "wangwu")
redis_conn.hset("user:1", "age", 25)
print(redis_conn.hgetall("user:1"))  # 获取所有字段

# 列表
redis_conn.lpush("task_list", "任务1")
redis_conn.rpush("task_list", "任务2")
print(redis_conn.lrange("task_list", 0, -1))  # 获取所有元素

# 设置过期时间
redis_conn.expire("user:1", 300)  # 5分钟后过期

# 删除key
redis_conn.delete("name")

五、实战：Django 视图中使用 Redis

示例：文章浏览量统计（防刷新）

# views.py
from django.shortcuts import render
from django.core.cache import cache

def article_detail(request, article_id):
    # 浏览量key
    view_key = f"article:{article_id}:views"

    # 自增浏览量
    cache.incr(view_key)

    # 获取浏览量
    view_count = cache.get(view_key, 0)

    return render(request, "article.html", {"views": view_count})

示例：缓存热门数据（优化数据库查询）

def hot_articles(request):
    # 先从缓存取
    hot_list = cache.get("hot_article_list")

    # 缓存不存在，查询数据库并写入缓存
    if not hot_list:
        hot_list = Article.objects.filter(is_hot=True)
        cache.set("hot_article_list", hot_list, timeout=60*10)  # 缓存10分钟

    return render(request, "hot.html", {"articles": hot_list})

六、常用场景总结

缓存页面/数据：减少数据库压力，提升响应速度
会话存储：SESSION_ENGINE 配置后，Django 会话自动存在 Redis
计数器：点赞数、浏览量、签到统计（incr 命令）
分布式锁：解决高并发下的数据安全问题
消息队列：配合 celery 做异步任务

总结

安装：pip install django-redis redis
配置：settings.py 中配置 CACHES
简单使用：from django.core.cache import cache 调用封装方法
高级使用：get_redis_connection() 获取原生连接，执行所有 Redis 命令
核心用途：缓存、计数器、会话、高并发优化

星光下的赶路人

windows端口转发，可转发WSL端口

windwos和linux下获取当前使用的麦克风型号

VLLM服务端启动ChineseErrorCorrector3-4B模型

windows右键管理

从其他linux服务器拉取文件到当前服务器

从一台doris导入表结构和数据到另一台doris

一、迁移表结构

二、同步数据

千万别用sql查询经纬度数据了，有更快的方式

Django + Doris CRC32 分表实战：问题汇总与解决方案

前言

问题1：Doris 数据库连接失败

问题2：NameError: name ‘BaseLicense’ is not defined

问题3：no such table: t_license_8

问题4：Unknown column ‘id’ in ‘t_license_8’

问题5：Object of type License_t_license_8 is not JSON serializable

一键删除**所有**Anaconda虚拟环境（安全、干净、彻底）

核心命令（直接复制运行）

1. 查看所有环境（确认一下）

2. 批量删除所有自定义环境

Mac / Linux 系统用这个命令

重要提醒

删完后彻底清理缓存（释放大量空间）

总结

Django 操作 Redis 完整教程

一、环境准备

1. 安装依赖包

2. 本地/服务器启动 Redis

二、Django 配置 Redis

1. 核心配置（最常用）

三、基础操作（缓存/键值对）

1. 导入缓存对象

2. 常用命令

四、直接操作原生 Redis 命令（进阶）

1. 获取原生 Redis 客户端

2. 原生 Redis 常用操作

五、实战：Django 视图中使用 Redis

示例：文章浏览量统计（防刷新）

示例：缓存热门数据（优化数据库查询）

六、常用场景总结

总结

一键删除所有Anaconda虚拟环境（安全、干净、彻底）