『壹』 java，ajax登陸無響應
我看著你的ajax請求寫的沒什麼問題，首先你再發送ajax請求之前，有一個beforeSend，就是在發送ajax之前將登陸按鈕失效（變灰），然後發送ajax請求，請求成功之後，回調函數function（data）{ alert(data);}，這個data是從服務端返回的數據。所以，我覺得你現在先確定幾點，再看看：1.ajax請求發送成功了嗎？這個可以看一下控制台狀態碼是不是200，或者在服務端syso一下ajax是不是發送過去數據了；2.看看服務端代碼（我看不到），是不是能夠執行正確，能不能給前端返回所謂的data，so就這些了吧，求分，不懂再問
『貳』 以下哪個選項是目前利用大數據分析技術無法進行有效支持的
大數據分析是指對規模巨大的數據進行分析。大數據可以概括為5個V， 數據量大(Volume)、速度快(Velocity)、類型多(Variety)、Value（價值）、真實性(Veracity)。大數據是指無法在一定時間內用常規軟體工具對其內容進行抓取、管理和處理的數據集合。大數據技術，是指從各種各樣類型的數據中，快速獲得有價值信息的能力。適用於大數據的技術，包括大規模並行處理（MPP）資料庫，數據挖掘電網，分布式文件系統，分布式資料庫，雲計算平台，互聯網，和可擴展的存儲系統。大數據有四個基本特徵：一、數據體量巨大（Vomule），二、數據類型多樣（Variety），三、處理速度快（Velocity），四、價值密度低（Value）。在大數據的領域現在已經出現了非常多的新技術，這些新技術將會是大數據收集、存儲、處理和呈現最強有力的工具。大數據處理一般有以下幾種關鍵性技術：大數據採集、大數據預處理、大數據存儲及管理、大數據分析及挖掘、大數據展現和應用（大數據檢索、大數據可視化、大數據應用、大數據安全等）。大數據處理之一：採集。大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。大數據處理之二：導入和預處理。雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。大數據處理之三：統計和分析。統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。大數據處理之四：挖掘。與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。大數據的處理方式大致分為數據流處理方式和批量數據處理方式兩種。數據流處理的方式適合用於對實時性要求比較高的場合中。並不需要等待所有的數據都有了之後再進行處理，而是有一點數據就處理一點，更多地要求機器的處理器有較快速的性能以及擁有比較大的主存儲器容量，對輔助存儲器的要求反而不高。批量數據處理方式是對整個要處理的數據進行切割劃分成小的數據塊，之後對其進行處理。重點在於把大化小——把劃分的小塊數據形成小任務，分別單獨進行處理，並且形成小任務的過程中不是進行數據傳輸之後計算，而是將計算方法（通常是計算函數——映射並簡化）作用到這些數據塊最終得到結果。當前，對大數據的處理分析正成為新一代信息技術融合應用的節點。移動互聯網、物聯網、社交網路、數字家庭、電子商務等是新一代信息技術的應用形態，這些應用不斷產生大數據。通過對不同來源數據的管理、處理、分析與優化，將結果反饋到上述應用中，將創造出巨大的經濟和社會價值。大數據也是信息產業持續高速增長的新引擎。面對大數據市場的新技術、新產品、新業態會不斷涌現。在硬體與集成設備領域，大數據將對晶元、存儲產業產生重要影響，還將催生一體化數據存儲處理伺服器、內存計算等市場。在軟體與服務領域，大數據將引發數據快速處理分析、數據挖掘技術和軟體產品的發展。大數據利用將成為提高核心競爭力的關鍵因素。各行各業的決策正在從「業務驅動」轉變為「數據驅動」。對大數據的分析可以使零售商實時掌握市場動態並迅速做出應對；可以為商家制定更加精準有效的營銷策略提供決策支持；可以幫助企業為消費者提供更加及時和個性化的服務；在醫療領域，可提高診斷准確性和葯物有效性；在公共事業領域，大數據也開始發揮促進經濟發展、維護社會穩定等方面的重要作用。大數據時代科學研究的方法手段將發生重大改變。例如，抽樣調查是社會科學的基本研究方法。在大數據時代，可通過實時監測，跟蹤研究對象在互聯網上產生的海量行為數據，進行挖掘分析，揭示出規律性的東西，提出研究結論和對策。目前大數據在醫療衛生領域有廣為所知的應用，公共衛生部門可以通過覆蓋全國的患者電子病歷資料庫進行全面疫情監測。5千萬條美國人最頻繁檢索的詞條被用來對冬季流感進行更及時准確的預測。學術界整合出2003年H5N1禽流感感染風險地圖，研究發行此次H7N9人類病例區域。社交網路為許多慢性病患者提供了臨床症狀交流和診治經驗分享平台，醫生藉此可獲得院外臨床效果統計數據。基於對人體基因的大數據分析，可以實現對症下葯的個性化治療。在醫葯研發方面，大數據的戰略意義在於對各方面醫療衛生數據進行專業化處理，對患者甚至大眾的行為和情緒的細節化測量成為可能，挖掘其症狀特點、行為習慣和喜好等，找到更符合其特點或症狀的葯品和服務，並針對性的調整和優化。在醫葯研究開發部門或公司的新葯研發階段，能夠通過大數據技術分析來自互聯網上的公眾疾病葯品需求趨勢，確定更為有效率的投入產品比，合理配置有限研發資源。除研發成本外，醫葯公司能夠優化物流信息平台及管理，更快地獲取回報，一般新葯從研發到推向市場的時間大約為13年，使用數據分析預測則能幫助醫葯研發部門或企業提早將新葯推向市場。在疾病診治方面，可通過健康雲平台對每個居民進行智能採集健康數據，居民可以隨時查閱，了解自身健康程度。同時，提供專業的在線專家咨詢系統，由專家對居民健康程度做出診斷，提醒可能發生的健康問題，避免高危病人轉為慢性病患者，避免慢性病患者病情惡化，減輕個人和醫保負擔，實現疾病科學管理。對於醫療衛生機構，通過對遠程監控系統產生數據的分析，醫院可以減少病人住院時間，減少急診量，實現提高家庭護理比例和門診醫生預約量的目標。武漢協和醫院目前也已經與市區八家社區衛生服務中心建立遠程遙控聯系，並將在未來提供「從醫院到家」的服務。在醫療衛生機構，通過實時處理管理系統產生的數據，連同歷史數據，利用大數據技術分析就診資源的使用情況，實現機構科學管理，提高醫療衛生服務水平和效率，引導醫療衛生資源科學規劃和配置。大數據還能提升醫療價值，形成個性化醫療，比如基於基因科學的醫療模式。在公共衛生管理方面，大數據可以連續整合和分析公共衛生數據，提高疾病預報和預警能力，防止疫情爆發。公共衛生部門則可以通過覆蓋區域的衛生綜合管理信息平台和居民信息資料庫，快速監測傳染病，進行全面疫情監測，並通過集成疾病監測和響應程序，進行快速響應，這些都將減少醫療索賠支出、降低傳染病感染率。通過提供准確和及時的公眾健康咨詢，將會大幅提高公眾健康風險意識，同時也將降低傳染病感染風險。在居民健康管理方面，居民電子健康檔案是大數據在居民健康管理方面的重要數據基礎，大數據技術可以促進個體化健康事務管理服務，改變現代營養學和信息化管理技術的模式，更全面深入地從社會、心理、環境、營養、運動的角度來對每個人進行全面的健康保障服務，幫助、指導人們成功有效地維護自身健康。另外，大數據可以對患者健康信息集成整合，在線遠程為診斷和治療提供更好的數據證據，通過挖掘數據對居民健康進行智能化監測，通過移動設備定位數據對居民健康影響因素進行分析等等，進一步提升居民健康管理水平。在健康危險因素分析方面，互聯網、物聯網、醫療衛生信息系統及相關信息系統等普遍使用，可以系統全面地收集健康危險因素數據，包括環境因素（利用GIS系統採集大氣、土壤、水文等數據），生物因素（包括致病性微生物、細菌、病毒、真菌等的監測數據），經濟社會因素（分析經濟收入、營養條件、人口遷徙、城鎮化、教育就業等因素數據），個人行為和心理因素，醫療衛生服務因素，以及人類生物遺傳因素等，利用大數據技術對健康危險因素進行比對關聯分析，針對不同區域、人群進行評估和遴選健康相關危險因素及製作健康監測評估圖譜和知識庫也成為可能，提出居民健康干預的有限領域和有針對性的干預計劃，促進居民健康水平的提高。大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計 學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如 果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。數據存取： 關系資料庫、NOSQL、SQL等。基礎架構： 雲存儲、分布式文件存儲等。數據處理： 自然語言處理(NLP，Natural Language Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。統計分析： 假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、 卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、 因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。數據挖掘： 分類 （Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity grouping or association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)模型預測 ：預測模型、機器學習、建模模擬。結果呈現： 雲計算、標簽雲、關系圖等。大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的 數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除 此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶 來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間 進行負載均衡和分片的確是需要深入的思考和設計。雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這 些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使 用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通 的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於 MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數 據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於 統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並 且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。
『叄』 前端怎麼優化大數據頁面
來源:前端的性能優化都有哪些東西?作者:野次前端性能優化是個巨大的課題,如果要面面俱到的
『肆』 滑鼠點擊無響應
換個滑鼠
『伍』 前端開發未來的發展前景怎麼樣
web前端開發前景還是比較好的。具體您可以通過以下幾個方面去看看。
工作年限與工資也是呈現正比現象（這個正比現象是您在工作之後依舊堅持不斷的學習web前端最新技術而呈現的）。加上大型企業對於用戶界面體驗的要求的高度重視，前端人才的需求也在增加。
所以Web前端的工作無法被替代，發展趨勢是可見的，客戶需求是存在，前景是巨大的。但還是要提醒您應該時刻記住只有不斷的自我學習更新，才不會被行業所淘汰。
第三、web前端與其他編程相對比
web前端如果跟java、大數據相比的話，我個人不建議您比，因為的確沒什麼可比性。它們各自的工作方向不同，主要還是根據您自身的情況，一方面看一下自己喜歡哪個，另一方面看自己適合哪個。最終再做決定。
但有一點可以肯定的是無論學web前端、java還是大數據前景都不錯，最最重要的是您自己需做以下步驟：
1、自己是否真的喜歡
2、自己是否適合
3、自己是否能即便參加工作之後保持長期學習的狀態
如果都沒有問題，選擇自己喜歡的即可。
最後、無論是學哪個，「自學」也好，報班學習也罷，跟您自己的努力是分不開的，因此養成堅持長期不斷學習的習慣是很有必要的。
『陸』 大數據需要學習前端嗎
大數據不需要學習前端的，需要學習Java。因為Java具有的眾多特性，特別適合作為大數據應用的開發語言，當下Hadoop以及其他大數據處理技術很多都是用Java，Java是大數據技術的主要支持言語，當下學大數據技術之前都會先學Java語言。
『柒』 用電腦在網頁上設置路由器連接網路時 經常會顯示伺服器未響應 請問是
這種問題，大多數是前端設備的問題，包括水晶頭，網線等問題。
『捌』 如何讓大數據與前端結合
大數據裡面有一個課叫數據可視化，這就是結合的一個過程