作为一名在工业软件领域摸爬滚打多年的老程序员，我发现很多开发者对观察者模式的理解往往停留在理论层面。最近在为某大型制造企业开发设备监控系统时，我深刻体会到了观察者模式在实际项目中的强大威力。想象一下：当生产线上的温度传感器数值异常时，监控大屏、报警系统、数据库记录模块都能第一时间收到通知并作出响应，这种松耦合的设计让系统既稳定又易于扩展。
今天就来分享一套完整的工业监控系统实现方案，帮你彻底掌握观察者模式的实战应用。
🤔 为什么传统的监控系统难以维护？
紧耦合带来的痛点
在没有使用观察者模式之前，我们通常会这样写代码：
C#// ❌ 传统的紧耦合写法
public class Sensor
{
private MonitorPanel panel;
private AlarmSystem alarmSystem;
private DatabaseLogger logger;
public void UpdateValue(double newValue)
{
this.value = newValue;
// 直接调用各个模块
panel.UpdateDisplay(this.name, newValue);
if(newValue > maxValue)
alarmSystem.TriggerAlarm(this.name, newValue);
logger.LogData(this.name, newValue);
}
}
这种写法存在明显问题：
- 维护噩梦：每次新增监控模块都要修改Sensor类
- 测试困难：无法独立测试各个组件
- 扩展性差：系统规模越大，耦合越严重
🎯 观察者模式：解耦的艺术
核心设计思想
观察者模式通过定义一对多的依赖关系，让多个观察者对象同时监听某一个主题对象，当主题状态发生变化时，所有观察者都会收到通知。
你是否遇到过这样的开发场景：需要在某个应用程序关闭后自动执行清理操作？或者开发自动化测试工具时，需要等待被测应用退出后生成测试报告？又或者在开发插件管理器时，需要在主程序关闭后清理临时文件？
这些看似复杂的需求，其实都指向一个核心问题：如何在C#中准确检测其他应用程序是否已经关闭。本文将为你提供6种实战级解决方案，从基础到高级，让你轻松应对各种监控场景。
🎯 核心问题分析
在实际开发中，我们经常需要监控其他应用程序的状态，主要痛点包括：
- 时效性要求：需要第一时间感知应用关闭事件
- 资源消耗：频繁轮询会造成性能开销
- 权限限制：某些监控方法需要特殊权限
- 多实例处理：同名应用的多个实例如何区分
针对这些问题，我们需要根据不同场景选择合适的监控策略。
🚀 方法一：Process类基础监控（推荐新手）
最直接的方法是使用.NET内置的System.Diagnostics.Process类：
C#using System.Diagnostics;
namespace AppProcessMonitor
{
internal class Program
{
static void Main(string[] args)
{
// 要监控的应用程序名称（不含.exe扩展名）
string processName = "notepad";
Console.WriteLine($"开始监控 {processName} 进程...");
// 首先检查进程是否正在运行
if (!IsProcessRunning(processName))
{
Console.WriteLine($"{processName} 进程未运行!");
return;
}
// 持续监控进程状态直到关闭
while (IsProcessRunning(processName))
{
Console.WriteLine($"{processName} 正在运行中...");
Thread.Sleep(1000); // 每秒检查一次
}
Console.WriteLine($"🎉 {processName} 已关闭!");
// 在这里执行应用关闭后的操作
}
/// <summary>
/// 检查指定名称的进程是否正在运行
/// </summary>
static bool IsProcessRunning(string processName)
{
Process[] processes = Process.GetProcessesByName(processName);
return processes.Length > 0;
}
}
}
前一篇文章介绍MasterMemory，这个组件讨论的网友挺多了，有网友单独问我，说想用这个替换sqlite，我肯定是不支持的，虽然官方对比sqlite的性能与存储提示不少，但绝对不是db的读取逻辑。所以有了这篇文章，按网友说他现在30w数据在sqlite中大该150M，我模拟写了以下程序，试了一下，30万条设备数据，复杂的多维度筛选，用户输入关键词的瞬间就能看到结果。至于大家用在什么场景还是自己拿主义了。
作为C#开发者，你是否遇到过这些痛点：
- 数据库查询慢如蜗牛，用户体验糟糕
- 复杂的索引设计让人头疼
- 高并发下数据库压力山大
MasterMemory 优点
🚀 性能优势
- 毫秒级查询响应：30万数据查询速度<1ms，比传统数据库快200-500倍
- 零序列化开销：直接操作C#对象，无需序列化/反序列化过程，这个优势还是明显的。
- 预构建索引：启动时一次性构建所有索引，查询时直接使用
- 内存查询：避免磁盘I/O瓶颈，全内存操作
- 基本是source code 预编译的，这个可以看我以住的这个系列，算是写的比较清楚了。
💻 开发优势
- 类型安全：编译时检查，运行时高效，避免SQL语句错误。
- 强类型支持：原生C#对象操作，智能提示完整
- 复合索引支持：支持多字段联合索引，优化复杂查询
- 线程安全：只读特性天然保证线程安全
🔧 技术优势
- 支持复杂查询：范围查询、多条件筛选、模糊搜索等
- 高并发友好：避免数据库连接池压力
- 序列化持久化：支持二进制序列化保存到磁盘
MasterMemory 缺点
📝 功能限制
- 只读特性：数据更新需要重建整个数据库实例，不支持实时增删改，你想用这个替换db需要考虑的东西就多了，要是有时间我可以试试扩展一下它的写。
- 内存占用：30万数据约占用50-100MB内存，大数据集内存压力大
- 数据一致性：更新时需要全量重建，存在数据一致性时间窗口
🔧 技术限制
- 学习成本：需要掌握MessagePack序列化、索引设计等概念
- 过多索引开销：索引数量过多会增加内存占用和构建时间
- 依赖管理：需要额外引入MessagePack等第三方包
💾 存储限制
- 内存依赖：所有数据必须能装入内存
- 持久化复杂：数据持久化需要额外的序列化/反序列化逻辑
- 版本管理：数据结构变更时需要考虑兼容性问题
官方性能对比图
作为一名C#开发者，你是否在项目中遇到过这样的痛点：需要频繁查询配置数据、游戏数据或者静态资源数据，但传统数据库的性能瓶颈让应用卡顿不已？今天要为大家介绍的MasterMemory，正是为解决这一问题而生的革命性方案。
这个由Cysharp团队开发的开源项目，不仅在性能上碾压传统方案（比SQLite快4700倍！有点吹牛逼），更在类型安全和易用性上做到了极致。本文将深入解析MasterMemory的核心特性，并提供实战代码示例，让你快速掌握这个强大的内存数据库工具。
🎯 传统数据库方案的三大痛点
💔 性能瓶颈严重
传统的SQLite在处理频繁查询时，每次查询都需要进行文件I/O操作，在高并发场景下性能急剧下降。特别是在游戏开发、配置管理等需要大量读取操作的场景中，这种性能损耗是致命的。
🔍 缺乏类型安全
使用传统数据库时，SQL查询是字符串形式，编译期无法检查错误，只有在运行时才能发现问题。这不仅增加了调试难度，也容易引入生产环境的bug。
📦 内存占用过高
传统方案往往需要额外的ORM层，加上数据库引擎本身的开销，内存占用居高不下。对于嵌入式应用或移动端开发，这是个严重问题。
🛡️ MasterMemory：完美解决方案的五大优势
1. 🏃♂️ 极致性能表现
- 查询速度：比SQLite快4700倍
- 零内存分配：每次查询实现零GC压力
- 文件大小：相同数据量下，比SQLite小94%（SQLite 3560KB vs MasterMemory 222KB）
2. 🔒 100%类型安全
通过Source Generator技术，在编译期自动生成强类型API，彻底告别字符串拼接的查询方式。
3. 💾 内存高效利用
- 自动字符串驻留（String Interning）
- 只存储实际数据，无额外开销
- 支持并行构建优化
4. 🎮 跨平台支持
完美支持.NET和Unity，满足桌面应用、移动应用、游戏开发等多种场景需求。
5. 🔧 灵活查询能力
支持主键查询、多键组合查询、范围查询、最近值查询等多种查询方式。
你还在为批量处理大量图片而头疼吗？设计师需要将几百张产品图片统一缩放，运营同学要批量压缩社交媒体素材，开发者要为移动端适配不同尺寸的图标...
今天，我将分享一个完整的C#批量图片处理解决方案，让你1分钟处理1000张图片，彻底告别重复劳动！
🎯 痛点分析：为什么需要批量图片处理？
在实际开发中，我们经常遇到这些场景：
- 电商系统：产品图片需要生成多种尺寸的缩略图
- 移动应用：图标适配不同分辨率的设备
- 网站优化：批量压缩图片提升加载速度
- 内容管理：统一调整图片尺寸和格式
手动处理这些任务不仅效率低下，还容易出错。今天我们就用C#打造一个专业级的批量处理工具！
💡 解决方案：基于SkiaSharp的高性能图片处理
🔧 技术选型
我们选择SkiaSharp作为图片处理库，原因如下：
- 跨平台支持：Windows、Linux、macOS全覆盖
- 高性能：基于Google Skia引擎，GPU加速
- 功能丰富：支持多种图片格式和高质量缩放算法
- 内存优化：自动管理内存，避免内存泄漏