Nano Hash - криптовалюты, майнинг, программирование

Firebase childEventListener вызывает отставание при использовании в классе обслуживания

я использовал firebase childEventListener в классе обслуживания. Именно то, что я делал в классе обслуживания, подобно этому коду question. Разница только в том, что я использовал вложенный childEventListener

Этот вложенный childEventListener получает данные от дочернего элемента дочернего элемента с неизвестным идентификатором. И сервис сделать липким, и этот сервис запускается MainActivity (это первая видимая активность).

Теперь проблема в том, что когда MainActivity запускает службу, устройство зависает до тех пор, пока firebase полностью не прослушивает все данные, и когда прослушивание завершено, устройство работает отлично. Есть ли какое-либо решение для этого отставания от класса обслуживания?

возможно ли, что вложенный childEventListener работает в другом потоке, чем, пожалуйста, помогите мне. Спасибо.

Ref.addChildEventListener(new ChildEventListener() {
        @Override
        public void onChildAdded(@NonNull DataSnapshot dataSnapshot, @Nullable String s)
        {
            final String uid=dataSnapshot.getKey();
            Ref.child(uid).addChildEventListener(new ChildEventListener()
            {
                @Override
                public void onChildAdded(@NonNull DataSnapshot dataSnapshot, @Nullable String s)
                {
                    Messages messages=dataSnapshot.getValue(Messages.class);
                    String pushKey=dataSnapshot.getKey();
                    if (!(pushKey ==null))
                    {
                        if(currentUid!=null)
                        { 
                            SomeMethods(messages,pushKey,myDbHandler,currentUid,uid);              
                        } 
                    }

                    @Override
                    public void onChildChanged(@NonNull DataSnapshot dataSnapshot, @Nullable String s)
                    {
                        SomeMethods(messages,pushKey,myDbHandler,currentUid,uid);
                    }

  • Где твой код? Мы не можем помочь вам иначе. Вы должны опубликовать минимальный воспроизводимый пример. 27.03.2020
  • Пожалуйста, подождите, пока я не напишу 27.03.2020
  • Слушатель уже работает в другом (фоновом) потоке. Почему ваше приложение зависает? 27.03.2020
  • этот код я добавляю в onStartCommand 27.03.2020
  • Почему ваше приложение зависает? это тоже мой вопрос 27.03.2020
  • Вы уверены, что это единственная проблема? Остальной код в порядке? 27.03.2020
  • Давайте продолжим обсуждение в чате. 27.03.2020

Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..