门球技术—练球的重点和顺序

门球技术—练球的重点和顺序（精选2篇）

门球技术—练球的重点和顺序 第1篇

门球技术—练球的重点和顺序

门球技术—练球的重点和顺序

凡打门球的人都想使自己成为一名优秀的队员，这就需要扎实的练好基本功。把球的各种打法归纳起来可以分成九类，即正击、闪击、偏撞击、接送球、双杆球、边角球、跳球、顶球、障碍球。如果能把这九种基本功都练好了，就能应对场上的各种复杂局面了。怎样练习好呢？当然不能一视同仁，而应有所侧重。我觉得应该按实战中各种球出现的机率来安排其训练的比重。

因为没有实战中各种球的统计资料，只能根据观察的印象用分析的方法来近似的估计其出现的机率了。

门球的打法可分为两大类：

一、击球类，主要包含三种打法：即正击球、偏撞击球和压打球，还有擦打、提拉、刨拉、切拉等打法，用得极少。正击球是指将目标的中心做为瞄准点的打法，偏撞击球的瞄准点则不是它球的中心，压打球则是指击球点在自球的后中上部的一种打法。

二、闪击类，包含闪带和闪送两类:压打球主要是打跳球、跟球和障碍球的特殊打法，实战中应用甚少，其出现的机率不到全场打球杆数的1%，分析中暂不考虑。九种基本功中的后六种打法均可归入前三种即正击、偏撞击、闪击中，只是有一些特殊的要求，难度也大些。这样我们就可以分析这三种球在实战中出现的比例了。由于击球类並不全是撞击球，正击球中60%以上是过门、撞柱、接球和定点球（打到场内某地），正击、偏撞击球约各有5%会擦空，正击球和偏撞击球出现机率大致相当，而闪击类只有在撞击后才打。根据上述条件可以得出：正击球和偏撞击球各占30%，闪击球占40%，日常的练习中可按上述比例进行安排。据我观察，闪击球的质量要比击球差，这说明日常练习不够，应予加强。

接送球包括接球和送球两类，接球属正击球，约占正击球的25%，即全场总杆数的7.5%，送球属闪击，约占闪击球的70%甚至更多，即总杆数的28%强。合起来占全场总杆数的36%。其重要性不言而谕。正击球、偏撞击球、跳球和双杆球都要有好的到位接应球才能成功。打接送球的击球员相当于排球的二传手。另外，打成双杆球后也常用接球的打法去吃对方球或打己方球再把它送到应去的地方。因此应拿出较多时间练习好接送球。

双杆球威力很大。摆造双杆球属接送球，多数是近距离的接送，对力度的要求很高。打双杆球正击、偏撞击和压打都有，正击用于打过门双杆和不影响行球路线的贴球双杆，偏撞击用于打角度双杆、眼镜双杆、撞柱双杆和影响行球路线的贴球双杆，压打用于跳球双杆和跟球双杆。双杆球在全场总杆数中占的比率较小，不到10%，但在出现压倒形势时一场球可以出现多个双杆。因此要会打各种双杆球。

跳球在实战中的比率很小，不到1%，这是因为跳球对接应球的要求很高，一般在30～50厘米为好，远了成功率大幅下降，同时打跳球的技术难度也比偏撞击球大，因此使用较少，但並不是跳球的作用小。试想，如果你掌握了跳球技术，接应球的位置又较好，对自球与接应球连线方向附近的球可以使用跳球或偏跳球攻打，对两侧的球可使用偏撞击球攻打，半个场地甚至大半个场地都成了你的控制范围，对方要躲避都很困难，其威力可想而知。所以不但要学会打跳球，还应多在实战中使用。

边角球是实战中使用较多的打法，约占全场总杆数的20%左右。水平较高的比赛应用的较多。边角易守难攻，可以作为根据地使用。将己方球布置在距边线１米以内的狭长地段，联系紧密，又不摆成眼镜球，常在边线打造角度双杆，或给己方下杆球接应，用偏撞击球或跳球攻击对方。不但要打好己方的边角球，还要会打对方的边角球，以最小的代价打掉较多的敌球。边角球包含了正击、闪击、偏撞击、接送球、双杆球等各种打法，由于距边线很近又多是近距离打、闪、接、送球，难度也较大，称之为小球技术。

顶球是用自球顶撞它球或用被闪球闪顶它球，使它球按预定方向运动的一种打法，常用于顶球过门、自造双杆、顶对方球出界等，实战中使用较少，不到全场总杆数的1%。

障碍球是指站位、击球、行球路线受阻时的打球方法，常用刨拉、切拉、槌边平行于瞄准线击球、斜敲闪击等特殊打法，使用也较少，不到总杆数的1%。

上述各种打法在总杆数中所占的比例有很多重叠，将其从通用的基本功中扣除，可得到下列的比例，正击11%，闪击11%，偏撞击24%，接送球25%，双杆球10%，跳球1%，边角球17%，顶球和障碍球共1%。教练在安排日常练习时可以作为参攷。

下面谈一下基本功的训练顺序。

对于初学者应首先练习正击、闪击两项，这是基本功的基本功，要按要领一丝不苟的练，击、闪不准时应及时找出原因，克服不良习惯。在练习准确的同时要并重力度。在这两项练习有了较好的基础以后才能练习其它基本功。

第三项应练习接送球，其地位重要，在赛场上用得最多。练习接送球也可以使正击和闪击得到近一步复习和巩固。由于闪送球多于正击接球，时间可按接球40%、闪送球60%安排。要打好接送球必须知道接应点的位置，并能接送到位，因此对准确和力度的要求都很高。练习方法是接球练粘球，送球练贴球。在远近不同的距离摆放一个它球，击自球或闪它球与之密贴，这种方法即练准确，又练力度。观察发现，有相当多的人对接送球重视不够，练得较少，在赛场上则认为只要打到被接球附近即可。要知道叫你把球送去并不是只为打这个球，而是要借助它去完成既定任务。接应点是一个极小的範围，距被接球应在１米以内，最好是30-50厘米，且有合适的角度，远了成功率就会降低。这不但要求有扎实的基本功，还要求认真打球，其难度是很高的。

第四项练习偏撞击球，又称擦边球、分球。厚擦球，多用于调位和打双杆，薄擦边球还能用于长途奔袭。是门球打法中常用的进攻手段。也是赛场上用得最多的一种打法。其练习难点有两个，一是瞄准点的选取，一是力度的掌控。这必须要精准的掌握两球撞击后的运动规律。练习时可从被擦球较近（如0.3米）开始，选择不同的瞄准点，观察撞击后两球的走向和行程的远近，逐步掌握其规律。然后练习不同角度和目的地不同远近的情况下能使自球到达目的地附近。在近距离擦球练好以后可逐步加长与被擦球的距离，可练到２米甚至更远。最后再练薄擦球，这是远攻的主要手段，其瞄准点多在球边外3-3.7厘米，难度很大，只有多练才能打好。

第五项练习双杆球，使用最多的是过门双杆、角度双杆和眼镜双杆，跳球双杆、跟球双杆、贴球双杆和撞柱双杆用得相对较少。除了过门双杆和部分贴球双杆可远距离打之外大都是近距离的，属于小球范围。在接送球和偏撞击球有了一定基础以后，造、打双杆球困难并不大。只要练习各种双杆球的摆法和打法即可。还有，就是要多练习小球的打、送方法。跳球双杆和跟球双杆是用压打法完成的，可并入跳球练习。

第六项练习边角球，边角球在前面几种打法都有应用，只是靠近边线，对力度要求较高，难度大些。要克服畏难情绪，敢打边线球。打得多了就不难了。同时要学会用擦打法、提拉法压线、蹭球出界、闪带多球出界、闪挤它球进场等打法。

第七项练习跳球，跳球是使自球跳离地面的一种打法，一般使用压打法，常用来打擦顶球、越顶球和跟球。擦顶球、偏擦顶球可称之为立体分球，具有很强的攻击性。其难点在要找好自球与接应球的距离、力度（取决于目的地的远近）、击打角度三者之间的关系，而且地面的软硬也有很大影响，这只有多练取得经验了。在练熟跳球以后，可以练习跳球双杆和跟球双杆，这两种球难度很大，成功率较低。

第八项练习顶球，主要练习瞄准点的选择。它的瞄准点取决于被撞它球的走向，而不是自球的走向，可按打台球的方法选瞄准点。

第九项练习障碍球，应该学会几种特殊打法，同时建议多学几种打球姿势，常用姿势受限时用另一种姿势可能就行了。八、九两项实战用得较少，学会打法即可，不必投入过多精力。

各项基本功练熟以后可以按4、3、3的比例和各项基本功的比重安排日常练习。

老队员除了对各项基本功进行复习之外，应加强对自己的弱项的训练，改正不良习惯，使自己成为全面手。

门球技术—练球的重点和顺序 第2篇

网络应用的普及对海量数据的存储和操作处理以及各种处理能力的可扩展性、可靠性和高效性提出了很大的挑战,而现有数据模型和相关技术已不能胜任[1]。为了应对上述挑战,业界提出了No SQL数据库。这些No SQL数据库可以模型化为分布式顺序表(DOT)系统,但是DOT系统对SQL规范中查询特性的支持并不完美[2]。

随着网络的发展,数据量出现爆炸式的增长,现有的关系型数据库处理这些大数据已经出现瓶颈。进而有了DOT系统的出现,但现有的DOT系统对SQL查询特性的支持并不是特别的理想[3]。

1 类SQL语句的设计与解析实现

在实现过程中首先根据SQL的设计规范,设计出一套适用于DOT系统的类SQL语句。用户根据类SQL规范提交查询请求,然后系统对类SQL查询语句进行词法分析、语法分析和语义分析,建立原始查询树。最后根据DOT的特点实现查询树的优化。对于语法分析中各操作语句类型的判断,采取保留类SQL语句第一个关键词的方法进行查询类型的匹配来识别具体的查询类型的方法来实现。类SQL语句解析流程如图1所示。

经过词法语法解析后正确的类SQL语句,将解析出的操作类型、表名、行健、列族、列、值等采用字符串数组对其进行保存[4],存储方式如下:

对整条SQL语句解析的难点在于对where查询关系式的解析,实现过程中本文首先通过正则表达式匹配出where查询关系式,然后对该查询式进行词法分析、语法分析。传入的SQL语句字符串sql,经过sql.trim()和sql.split("")将整条SQL语句进行首位去空格并按空格分隔存入elements[]数组中[5]。

1.1 查询关系式的词法分析

利用有限自动机的方法对识别过程进行建模。通过词法分析自动机对where_list查询条件进行分析后就能够得到查询条件中的所有关键词,然后根据关键字出现的顺序确定输入是否符合语法分析的语法规定。根据需求,本自动机识别的关键字有关系符号、括号、整数、浮点数、字符串值、变量名[6]。

词法分析的结果记录在下面三个数组中:

key Word List[word Index],记录condition条件中的查询列。

key Value List[value Index]=sear SQL.substring(beg Index,end Index),记录查询列的起始范围的值。

key Value Type[value Index]=Data Type,记录查询列的范围值的数据类型。

stoken List[list Index++],记录condition条件中出现的每一个字符的标记token,token分为五类:逻辑与或非,查询条件列,条件列范围的起始值,范围起始值的类型和比较符号。

1.2 查询关系式的语法分析

类SQL语句和传统的SQL语句类似,包含固定的关键字和各关键字的出现顺序,并且每个关键字所起的引导作用也很清晰。本系统中的类SQL的语法表即是通过正则表达式实现的。语法中定义了类SQL语句的各关键词的出现顺序,并根据不同的关键字触发不同的动作。类SQL查询语句的正则表达式如下:

在语法分析中还包括对查询条件中括号的匹配。待整个SQL语句的语法语义分析正确后,将语句中涉及的语法正确的tablename,select_list,condition等信息存储到响应的string数组里面。在词法语法分析正确的基础上对SQL语句中涉及的表和列是否存在部分完整性检查,如有错误,即时反馈错误信息。

1.3 查询树的构建

文中类SQL的查询关系式查询树的构建是用二叉查询树构建的。建立的二叉查询树为中序遍历二叉树,通过对查询树进行中序遍历可以得到查询关系式。在查询树的构建中,根据二叉树的特点采用递归算法,先判断出左右子树的范围并完成构建,然后完成其父节点的构建,组成树结构。

2 查询树的优化

DOT系统为分布式结构,所有的数据均存储在集群中,在并行操作中具有很强的性能优势。为了提高查询统计的速度,让查询开启多线程进行并行化查询是较好的解决方案。本文并行化的解决方案是将查询关系式解析成析取范式的形式,程序为每一个析取项启动一个查询线程,首先将查询关系式转化成析取范式矩阵。为了不让并行化执行的查询进程之间出现重复的结果,即并行化执行的析取查询项之间没有交集,最后需要将查询关系式解析成等价的主析取范式矩阵。

2.1 查询关系式并行化优化

2.1.1 查询关系式优化成析取范式矩阵

对整个二叉查询树的优化算法思想为:

(1)自根节点遍历整个查询树;

(2)如果没有发现父节点是and节点或or节点则优化完成,程序返回;否则,定义发现的or节点为当前节点,跳转到(3);

(3)对当前节点的各个分支按下文中三种逻辑节点(与或非)中的一种进行方式转换,对查询树进行旋转,完成后跳转到(1)。

对查询树的优化采用递归调用的流程来实现,对于每一个节点采用先优化左子树,再优化右子树,后优化当前节点的优化流程。

2.1.2 查询关系式逻辑“或”节点的优化

逻辑“或”节点的优化和逻辑“与”节点的优化不同。它只有当其左右孩子都为数据节点且数据节点为同一个变量的表达式的情况下,逻辑“或”节点才需要进行优化。如图2为整棵树的一部分,节点B为逻辑节点,节点m和n为数据节点,A节点为B节点的父节点。

因为数据节点m和n为同一个变量的关系式,这样的话数据节点m和n与逻辑节点B就可能存在合并成一个数据节点mn的情况,从而可以简化树结构。例如,B节点为“或”节点,m节点为-6<a<-2,n节点为1<a<4,这种情况下就需要进行优化。

2.1.3 查询关系式逻辑“非”节点的优化

逻辑“非”节点的优化目标是消除非节点,将非节点等价转化成逻辑“与或”节点连接数据节点的形式。在建立查询树时,规定了逻辑“非”节点的孩子为左子树,并且逻辑“非”节点的孩子只是一个节点。根据孩子节点的类型可以将非节点的优化分为两种情况:该逻辑“非”的孩子节点为数据节点;该逻辑“非”的孩子节点为逻辑节点。为便于后续继续优化处理,在本类SQL查询技术中用矩阵表示最终的析取范式,具体实现算法如下:

(1)读入要转换的树结构;

(2)若当前节点为“或”节点,则对左右子树分别转入(1);

(3)若当前节点为“与”节点,则开始遍历该节点下的所有子节点,组成一个条件的“与”集合;

(4)作为数组的一行。若当前节点为叶子节点,则当前节点为一个“与”集合;

(5)最后收集所有的“与”集合,构成所要的析取范式。

2.2 查询关系式算术优化

当一个用户的输入含有冗余的where查询条件,如a>1 or a>3或者b<3 and b>4时,底层根据这些条件也可以执行查询并返回正确结果。对于数据少的情况下,查询速度可以忽略,但当数据量很庞大时,查询的速度就会受影响。本系统中实现的条件冗余优化分为以下几种情形:or节点的左右子节点是同一变量并且变量的数据范围集合有交集;and节点的左右子节点是同一变量并且变量的数据范围有交集;在从析取范式转化成主析取范式的过程中,冗余条件的产生。

具体的实现方法和过程如下:在处理三种逻辑节点“与或非”的过程中,冗余节点的合并剪枝;在析取范式向主析取范式的转化过程中,表示各析取项的数组中,数组行与行之间的重复项的优化和行内析取项的代数冗余优化。

3 多种数据类型查询优化

3.1 Int,Long类型数据的正负号支持优化

Int和Long类型的数据在转换成Bytes之后,会造成所有负数比所有正数大的情况。通过对原有关系式进行变换来保证查询条件在转换成Bytes之后与原数据进行比较的正确性。

为保证查询关系式转换成字节流之后可以直接通过字节流进行比较就能得到正确的结果,将原来的一个关系式单元分成两个关系式单元,并且这两个关系式单元之间是逻辑“或”的关系。在真实比较的过程中首先将int数据转换成字节流存储到数据库中,然后将转换后的比较条件转换成字节流与扫描到数据库中的字节流进行比较,如表1所示。

表1中,-10,-20代表全体负数,10和20代表全体正数,在这里0归入正数处理。当原查询关系式范围中既有负数也有正数时,转化成Bytes范围时的逻辑关系为“或”。表1中代表了所有的情况,将原查询关系式按照上述表格进行转换就可以保证其转化成Bytes之后进行比较的正确性。

Long与Int类型的转换方式是一样的,可以参考Int类型数据转换的表格进行转换,只需要将表格中的Int.Max和Int.Min分别换成Long.Max和Long.Min即可。

3.2 Double类型数据的正负号支持优化

与上述Int类型和Long类型的分析方法一样,首先将Double转换成Bytes之后同样会造成负数比正数大的问题[7]。

类似于关系式a>-1.0 and a<2.0,其余的各种情况都能根据上述方法找到关系式转换后的结果。Double类型关系式添加正负号后的转换规则如表2所示。

表2中-1.0和-2.0代表负数,1.0和2.0代表正数,0归入正数来处理。这样就可以代表所有可能出现的情况,按照此表格将关系式进行转换,保证转换成字节流之后进行比较仍然能够保证正确性。

4 类SQL查询技术索引优化

建立索引的目的即为了要加快查询速率,以可以接受的空间消耗来换取良好的查询时间性能,影响查询速度的因素有:索引的类型;用户所要返回的结果集所含的列(属性),是否能在索引表中直接获取;每个查询条件的覆盖范围,即满足查询条件的数据所覆盖region的比例。

系统设计的索引优化策略是利用本地服务器的映射关系来估算每个逻辑子查询结果的大小,选择结果集最小的一个子查询,对相应索引表发出查询请求,再对结果集按其他条件列的条件进行过滤。预估用户查询各条件列所要扫描的数据量,其权重打分策略如图3所示。

5 系统优化结果的实验和验证

实验1:查询计划优化效果分析

查询语句条件中无rowkey情况的查询语句如下,其设计用意在于验证类SQL语句的解析和三种优化能够正确执行,其中:查询语句为selectf1:c2,f3:c8fromt6where(f3:c8>2andf3:c8<7);数据总量为10亿;优化前的查询时间为40 789 238 ms;优化后的查询时间为92 596 ms。

按照查询条件where_list,f1:c3>1000andf1:c3>100andf3:c9>10存在冗余的情况下,在没有优化前的查询平均时间为395 266 ms,经过冗余和并行化优化后,速度明显提高了一个数量级,查询平均时间是97 025 ms,优化后查询时间减少了75.45%。

实验2:索引优化效果分析

(1)优化后选择CCIndex索引表

该查询的数据分布情况为:数据分布f1:c1<10 000的数据占列数据总量的1%,f3:c8<10 000的数据占f3:c8列数据总量的1%,f2:c5=’Maria’的数据量占f2:c5列数据总量的4%。

如图4查询结果显示,优化后的时间和f2:c5列建立的CCIndex索引表的时间接近,可以认为经过优化后,查询条件结果集预估算法选择了以f2:c5列建立的索引表进行了扫描和条件筛选。其查询速度只占f3:c8和f1:c1建立的Imp Secondaryindex索引表和Secondaryindex索引表查询时间的0.192%和0.195%,分别提高了521.6倍和512.3倍。

(2)优化后选择部分聚簇索引表

选择部分聚簇索引表的结果,如图5所示。查询语句中数据的分布情况为:数据分布f1:c1<10 000的数据占列数据总量的10%,f3:c8=195的数据占f3:c8列数据总量的0.000 1%,f2:c5=’Maria’的数据量占f2:c5列数据总量的4%。测试结果中,符合查询条件的数据共有3 781条。优化后的时间和f3:c8列建立的Imp Secon daryindex索引表的时间接近,可以认为经过优化后,查询条件结果集预估算法选择了以f3:c8列建立的索引表进行了扫描和条件筛选。其查询速度占f2:c5和f1:c1建立的CCIndex索引表和Secondaryindex索引表查询时间的4.2%和0.004 09%,分别提高了23.91倍和13 349.337倍。

(3)优化后选择二级索引表

选择二级索引表的查询语句中数据分布情况为数据分布f1:c1=1 624的数据占列数据总量的0.000 1%,f3:c8<10 000的数据占f3:c8列数据总量的1%,f2:c5=’Maria’的数据量占f2:c5列数据总量的4%。优化后的时间和f1:c1列建立的Secondaryindex索引表的时间接近,可以认为经过优化后,查询条件结果集预估算法选择了以f1:c1列建立的索引表进行了扫描和条件筛选。其查询速度占f2:c5和f3:c8建立的CCIndex索引表和Imp Secondaryindex索引表查询时间的4.47%和0.007 6%,分别提高了22.37倍和13 027.32倍。

综合上面三组实验,索引优化后的查询结果和中等索引时间提高的倍数分别是512.3,23.91和22.37倍,取三者的平均值为186倍。

6 结论

本文完成了分布式顺序表类SQL查询技术的实现和优化工作。给DOT系统设计了一套类似SQL的查询语句,并结合传统数据库和DOT系统的特点,实现了该套类SQL查询语句的语法语义分析,构建查询树并对查询关系式进行了算术优化、并行化优化和加多种数据类型查询优化三方面的优化内容。最后在典型的DOT系统,即Apache HBase上实现了整个类SQL的解析和优化,并针对中科院在DOT系统上实现的三种索引机制进行了优化,使得整个系统的查询性能得到了显著的提升。最后通过实验,分析验证了查询优化和索引优化后查询速度明显提升。

参考文献

[1]郭珉.Oracle数据库SQL优化原则[J].计算机应用系统,2010,19(4):171-173.

[2]SILBERSCHATZ A,KORTH H F.数据库系统概念[M].北京:机械工业出版社,2006:293-400.

[3]CHANG F,DEAN J,GIHEMAWAT S,et al.Bigtable:a distributed storage system for structured data[C]//Proceedings of2006 USENIX Symposium on Operation System Design and Implementation.Berkeley:ACM,2006:205-218.

[4]COOPER B F,RAMAKRISHNAN R,SRIVASTAVA U,et al.PNUTS:Yahoo!'s hosted data serving platform[J].Proceedings of the VLDB endowment,2008,1(2):1277-1288.

[5]ZOU Y Q,LIU J,WANG S,et al.CCIndex:a complemental clustering index on distributed ordered tables for multi-dimensional range queries[C]//Proceedings of 2010 IFIP International Conference on Network and Parallel Computing.Zhengzhou,China:Springer,2010:247-261.

[6]江凌,杨平利,杨梅,等.基于ADO.NET技术访问SQL Server数据库的编程实现[J].现代电子技术,2014,37(8):95-98.

[7]谭龙丹,郭睿志,王帅,等.基于C#与SQL Server的装备电子档案系统的设计与实现[J].现代电子技术,2014,37(14):40-42.