weixin_39783771
weixin_39783771

hanlp 训练模型_hanlp学习三：自定义命名体识别

from pyhanlp import *

importosfrom pyhanlp.static importdownload, remove_file, HANLP_DATA_PATHimportzipfile

NERTrainer= JClass('com.hankcs.hanlp.model.perceptron.NERTrainer')

AbstractLexicalAnalyzer= JClass('com.hankcs.hanlp.tokenizer.lexical.AbstractLexicalAnalyzer')

PerceptronSegmenter= JClass('com.hankcs.hanlp.model.perceptron.PerceptronSegmenter')

CWSTrainer= JClass('com.hankcs.hanlp.model.perceptron.CWSTrainer')

PerceptronPOSTagger= JClass('com.hankcs.hanlp.model.perceptron.PerceptronPOSTagger')

PerceptronNERecognizer= JClass('com.hankcs.hanlp.model.perceptron.PerceptronNERecognizer')

POSTrainer= JClass('com.hankcs.hanlp.model.perceptron.POSTrainer')

PLANE_ROOT= 'C:\\Users\\DELL\\Desktop\\NL'PLANE_CORPUS= os.path.join(PLANE_ROOT, 'test_ner.txt')

PLANE_MODEL= os.path.join(PLANE_ROOT, 'model.bin')if __name__ == '__main__':#训练模型并保存模型

trainer = NERTrainer()#命令实体分词器

trainer.tagSet.nerLabels.clear() # 不识别nr、ns、nt

trainer.tagSet.nerLabels.add("purchaser") # 目标是识别purchase

trainer.train(PLANE_CORPUS, PLANE_MODEL).getModel() #生成命令实体分词模型，并保存

# #加载模型

recognizer = PerceptronNERecognizer(os.path.join(PLANE_ROOT, 'model.bin')) #加载命令实体分词模型

##分词训练 在NER预测前，需要一个分词器，最好训练自同源语料库CWS_CORPUS= 'C:\\Users\\DELL\\Desktop\\NL\\test_ner.txt'PLANE_EMPTY_MODEL='C:\\Users\\DELL\\Desktop\\NL\\cws.bin'

CWS_MODEL = CWSTrainer().train(CWS_CORPUS,PLANE_EMPTY_MODEL).getModel() #普通分词器训练后得到的分词模型并保存模型

CWS_MODEL = os.path.join(PLANE_ROOT, 'cws.bin')#分词模型保存路径#词性训练

corpus = 'C:\\Users\\DELL\\Desktop\\NL\\test_pos.txt'POS_MODEL= 'C:\\Users\\DELL\\Desktop\\NL\\pos.bin'

trainer = POSTrainer()

POSMODEL = trainer.train(corpus, POS_MODEL).getModel() # 标注训练并保存文件

POSMODEL = 'C:\\Users\\DELL\\Desktop\\NL\\pos.bin' #词性模型文件保存路径

analyzer=AbstractLexicalAnalyzer(PerceptronSegmenter(CWS_MODEL), PerceptronPOSTagger(POSMODEL), recognizer).enableCustomDictionary(True)print(analyzer.analyze("2、采购人名称：;福建福州人民医院;"))#print(analyzer.analyze("F-22横空出世。"))

你可能感兴趣的:(hanlp,训练模型)

  • 极客说｜Phi-4 模型的 4 位量化与 vLLM 高速推理 microsoft
    作者：魏新宇-微软AI全球黑带高级技术专家「极客说」是一档专注AI时代开发者分享的专栏，我们邀请来自微软以及技术社区专家，带来最前沿的技术干货与实践经验。在这里，您将看到深度教程、最佳实践和创新解决方案。关注「极客说」，与行业顶尖专家一起探索科技的无限可能！Phi-4的模型参数量是14B，这使它在推理的时候比较耗费内存。因此如果我们想要在边缘端运行，需要对它进行量化。量化的手段很多，此前也介绍过，
  • Cursor 收费太贵？3分钟教你接入超低价 DeepSeek-V3，代码质量逼近 Claude 3.5 人工智能
    DeepSeek-V3实在是太便宜了，就跟不要钱似的：每百万输入tokens0.1元(缓存命中)/1元(缓存未命中)，每百万输出tokens2元跟其他模型相比，DeepSeek-V3的性价比非常高，只能用“真香”来形容。Sealos推出的AI聚合代理服务SealosAIProxy为用户提供了便捷的AI模型访问通道，其中就包含了DeepSeek-V3模型。而且通过SealosAIProxy使用这些模
  • 内附源码｜头部基模企业信赖之选——DMS+Lindorm智能搜索方案 数据库阿里云data+ai
    本文为数据库「拥抱Data+AI」系列连载第6篇，该系列是阿里云瑶池数据库面向各行业Data+AI应用场景，基于真实客户案例&最佳实践，展示Data+AI行业解决方案的连载文章。本篇针对企业构建智能搜索服务的痛点，介绍如何利用阿里云Data+AI解决方案构建一站式AI搜索服务，深入分析了DMS+Lindorm的智能搜索解决方案。1、智能搜索成为信息消费的趋势近两年，AI大模型的迅速崛起为搜索产品注
  • 美国采取行动扩大人工智能出口限制 数据分析能量站 机器学习人工智能
    大幅拓展限制：美国政府（拜登执政末期提出）出台新规，显著扩大人工智能技术出口限制，构建针对先进芯片与模型获取的国际分级体系。出口限制范围：对多数国家限制出口人工智能芯片与模型，仅少数亲密盟友除外。新规创建三级体系，对不同国家区别对待，并首次限制大型AI模型封闭权重出口。规则运作方式意见征询与生效：新规在媒体曝光后发布，设120天公众意见征询期，供新政府参考调整，预计一年后生效。国家分级及限制一级国
  • MySQL-事务隔离级别与MVCC 事务快照视图mysqlmvcc
    大家好，我是半夏之沫一名金融科技领域的JAVA系统研发我希望将自己工作和学习中的经验以最朴实，最严谨的方式分享给大家，共同进步写作不易，期待大家的关注和点赞关注微信公众号【技术探界】前言本篇文章首先会对数据库事务的几个基础概念进行说明，主要是事务ACID模型，并发事务带来的问题和事务隔离级别。然后在此基础上，会对MySQL的InnoDB引擎中的一致性非锁定读取（ConsistentNonlocki
  • Python 调用 Ollama 库：本地大语言模型使用详解 kdayjj966 python
    ollama是一个用于调用本地大语言模型（LargeLanguageModels，LLMs）的Python库，旨在提供简单、高效的API接口，以便开发者能够方便地与本地的大语言模型进行交互。以下是关于如何在Python中使用ollama库的详细介绍。1.安装Ollama在使用库之前，请确保安装了ollama。你可以通过以下命令安装：pipinstallollama如果你尚未安装Python的包管理
  • AI大模型行业发展五大趋势 大模型. 人工智能语言模型深度学习自然语言处理架构大模型
    趋势一：大收敛与大分流，基础大模型向科技巨头收拢，而专业垂类模型“百花齐放”如果说2023年的大模型行业还主要是初创企业的天下，那么2024年最显著的特征之一即是互联网大厂加速入局，行业的水已被搅浑。未来的格局很可能是很少量的基础大模型（开源+闭源）加上各类专业模型、行业模型的局面。2023年可谓“AI元年”，AI视觉“四小龙”（商汤、旷世、依图、云从）和大模型“六小虎”（智谱AI、MiniMax
  • Multi-Head Latent Attention: Boosting Inference Efficiency 连理o LLM
    ContentsIntroductionMethodLow-RankKey-ValueJointCompressionDecoupledRotaryPositionEmbeddingReferencesIntroduction作者提出Multi-headLatentAttention(MLA)，通过将KV压缩为CompressedLatentKV，在减小KVcache的同时保持模型精度Method
  • Runway 推出全新 AI 图像生成器 Frames 百态老人 人工智能计算机视觉
    Runway全新图像生成器Frames简介著名的文生视频模型平台Runway发布了全新的AI图像生成器——Frames。这一模型于2024-11-27被发布出来，为图像生成领域带来了新的活力与可能。与传统的图像生成模型相比，Frames有着明显的独特性。传统的图像生成模型，例如DALL-E与StableDiffusion等，它们虽然能够生成高质量的图像，但局限性也较为明显。具体体现在维持风格的一致
  • Minimax 开源的 4 百万超长上下文模型 百态老人 人工智能大数据笔记
    MiniMax开源4百万超长上下文模型MiniMax开源模型概述2025年1月15日，MiniMax发布并开源了MiniMax-01全新系列模型，这一举措在人工智能领域引发了广泛关注。该系列包含基础语言大模型MiniMax-Text-01和视觉多模态大模型MiniMax-VL-01。MiniMax作为大模型六小强（或六小虎）企业之一，其推出的这一系列模型有着诸多独特之处。这一系列模型的开源是Min
  • 多头潜在注意力（MLA）是怎么来的，什么原理，能用简单的示例解释么 百态老人 学习
    多头潜在注意力（Multi-HeadLatentAttention，简称MLA）是一种改进的注意力机制，旨在提高自然语言处理（NLP）模型的推理效率和性能。其核心思想是通过低秩联合压缩键（Key）和值（Value），减少推理过程中所需的内存和计算资源，从而实现更高效的处理。MLA的原理在传统的多头注意力机制（MHA）中，每个输入token的键和值需要被缓存，这导致了巨大的内存开销。具体来说，对于每
  • DeepSeek-V2 百态老人 学习
    DeepSeek-V2是由幻方量化旗下的AI公司DeepSeek发布的第二代MoE（Mixture-of-Experts）大模型，具有显著的性能和成本优势。以下是关于DeepSeek-V2的详细分析：性能表现：DeepSeek-V2是一个参数量为2360亿的MoE模型，其性能接近GPT-4Turbo，并在多个基准测试中表现优异，如AlignBench、MT-Bench等，超越了GPT-4，与GPT
  • AI人工智能深度学习算法：高并发场景下深度学习代理的性能调优 AI天才研究院 计算AI大模型企业级应用开发实战ChatGPT计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    1.背景介绍1.1深度学习代理的兴起近年来，随着人工智能技术的飞速发展，深度学习在各个领域都取得了显著的成果。特别是在自然语言处理、图像识别、语音识别等领域，深度学习模型的性能已经超越了传统方法。为了更好地将深度学习技术应用于实际场景，深度学习代理应运而生。深度学习代理是一种将深度学习模型封装起来，并提供对外接口的服务。它可以接收来自客户端的请求，将请求数据输入到深度学习模型中进行推理，并将推理结
  • 从0到1打造企业AI知识库-课程目录 MaxCode-1 人工智能AIGC知识图谱LangchainXinference
    课程名称：「从0到1打造企业AI知识库：实用指南与生产落地」课程目录第一章：AI企业知识库的前景与价值1.企业知识库的概念与意义1.1什么是企业知识库？-企业知识库的核心组成-企业知识库的类型1.2企业知识库如何赋能内部协作与创新。2.AI在知识库中的作用AI赋能的核心技术：NLP、知识图谱、大模型。AI知识库的未来趋势与行业案例。第二章：搭建企业知识库的整体规划3.从需求分析到方案设计识别业务场
  • 语义缓存：提升 RAG 性能的关键策略 大模型之路 RAG缓存RAG检索增强生成LLM大模型
    检索增强生成（Retrieval-AugmentedGeneration，简称RAG）（RAG综述：探索检索增强生成技术的多样性与代码实践）技术已经成为构建高性能AI模型的重要基石。RAG通过结合先进的语言模型与外部知识检索，能够生成既准确又富含上下文的响应。然而，尽管RAG功能强大，但它也伴随着一系列挑战，如高令牌消耗（tokenconsumption）、运营成本的增加以及响应时间的延长。这些问
  • 零门槛一键生成PPT，利用人工智能快速提高办公效率（无需第三方插件） beautycountry88 powerpoint人工智能
    人工智能技术的发展正以惊人的速度改变着我们的世界，今天给大家介绍下利用ChatGPT快速生成PPT的方法，它能够帮助你一键生成PPT内容和漂亮的PPT文档，无需繁琐的设计和排版，只需要与ChatGPT交流，你就能轻松拥有一份令人赞叹的演示文稿。什么是ChatGPT？它是基于人工智能技术的语言模型，能够理解和生成自然语言。与传统的PPT制作方式不同，ChatGPT通过与你进行对话，理解你的需求和要点
  • 53.Model理解 军训猫猫头 c#wpf
    在MVVM架构的Model层中，我们主要定义的是数据模型（或称为实体类），这些类通常与应用程序中的实际业务对象相对应。这些类包含了业务对象的状态（通过属性表示）和行为（虽然行为通常较少，但可能包括一些基本的数据验证或计算逻辑）。Model层的关键点：数据表示：Model类定义了应用程序中使用的数据结构。这些结构通常反映了现实世界中的实体，如用户、订单、产品等。现实依据：Model类是基于应用程序的
  • 汽车和工业用激光雷达行业分析 LPiling 汽车自动驾驶人工智能
    行业现状激光雷达（LiDAR）作为自动驾驶和智能驾驶领域的关键技术，近年来经历了显著的技术进步和成本下降。激光雷达通过脉冲激光照射目标并用传感器测量反射脉冲返回时间来测量目标距离，能够生成高分辨率的地图和三维模型。这种技术在汽车领域的应用已经从高端车型快速渗透到中低端市场，成为自动驾驶系统不可或缺的传感器之一。在工业领域，激光雷达支持机器人、工厂自动化和物流等多种应用。随着电子商务的蓬勃发展，消费
  • GPUStack使用 James506 AIServer人工智能GPULLMBGEGPU监控
    1.概述官网：https://github.com/gpustackOpen-sourceGPUclustermanagerforrunninglargelanguagemodels(LLMs)https://github.com/gpustack/gpustack，ManageGPUclustersforrunningAImodelsGPUStack是一个用于运行AI模型的开源GPU集群管理器。
  • Python中实现多层感知机（MLP）的深度学习模型 Echo_Wish Python笔记从零开始学Python人工智能python深度学习开发语言
    深度学习已经成为机器学习领域的一个热门话题，而多层感知机（MLP）是最基础的深度学习模型之一。在这篇教程中，我将向你展示如何使用Python来实现一个简单的MLP模型。什么是多层感知机（MLP）？多层感知机（MLP）是一种前馈神经网络，它包含一个输入层、一个或多个隐藏层以及一个输出层。每个层都由一系列的神经元组成，神经元之间通过权重连接。MLP能够学习输入数据的非线性特征，因此在复杂问题的建模中非
  • 深度学习-92-大语言模型LLM之基于langchain的模型IO的模型调用 皮皮冰燃 深度学习深度学习语言模型langchain
    文章目录1Model的输入输出2langchain支持的模型3调用Ollama模型3.1设置环境变量3.2大语言模型LLM(OllamaLLM)3.2.1生成文本补全3.2.2流式生成文本补全3.3聊天模型(ChatOllama)3.3.1内置的消息类型3.3.2HumanMessage和SystemMessage3.3.3元组方式构成消息列表3.3.4stream流式3.4文本嵌入模型(Olla
  • 增强大型语言模型（LLM）可访问性：深入探究在单块AMD GPU上通过QLoRA微调Llama 2的过程 109702008 人工智能#ROCm#python语言模型llama人工智能
    EnhancingLLMAccessibility:ADeepDiveintoQLoRAThroughFine-tuningLlama2onasingleAMDGPU—ROCmBlogs基于之前的博客《使用LoRA微调Llama2》的内容，我们深入研究了一种称为量化低秩调整（QLoRA）的参数高效微调（PEFT）方法。本次重点是利用QLoRA技术在单块AMDGPU上，使用ROCm微调Llama-2
  • AI Agent：深度解析与未来展望 码事漫谈 c++人工智能
    一、AIAgent的前世：从概念到萌芽（一）早期探索AIAgent的概念可以追溯到20世纪50年代，早期的AI研究主要集中在简单的规则系统上，这些系统的行为是确定性的，输出由输入决定。随着时间的推移，AI逐渐能够处理不确定性，1990年代机器学习的兴起为AIAgent的发展奠定了基础，神经网络技术的突破为深度学习的发展提供了可能。（二）技术突破2017年后，大语言模型（LLM）的出现推动了AIAg
  • 【深度学习基础】线性神经网络 | softmax回归的简洁实现 Francek Chen PyTorch深度学习深度学习神经网络回归softmax人工智能
    【作者主页】FrancekChen【专栏介绍】⌈⌈⌈PyTorch深度学习⌋⌋⌋深度学习(DL,DeepLearning)特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据
  • 【人工智能】Python常用库-Keras：高阶深度学习 API IT古董 深度学习人工智能Python人工智能python深度学习
    Keras：高阶深度学习APIKeras是一个高效、用户友好的深度学习框架，作为TensorFlow的高级API，支持快速构建和训练深度学习模型。它以模块化、简单和灵活著称，适合研究和生产环境。Keras的发音为[ˈkerəs]，类似于“凯拉斯”或“克拉斯”。这个名字来源于希腊语κέρας(kéras)，意思是“角”或“角质物”。这个词与深度学习的灵感来源——大脑的神经网络结构有一定联系。Kera
  • 腾讯 Hunyuan3D-2： 高分辨率3D 资产生成 云樱梦海 Github开源项目3dHunyuan3D-2
    腾讯Hunyuan3D-2：高分辨率3D资产生成的突破前言在当今数字化时代，3D资产生成技术正变得越来越重要。无论是游戏开发、影视制作还是虚拟现实领域，高质量的3D模型和纹理都是创造沉浸式体验的关键。然而，传统的3D资产制作往往需要大量的时间和专业技能。幸运的是，腾讯的Hunyuan3D-2项目为我们带来了新的希望，它通过大规模扩散模型实现了高分辨率3D资产的高效生成。项目简介Hunyuan3D-
  • 小土堆学习笔记10（利用GPU训练于模型验证） 干啥都是小小白 pytorch学习——小土堆学习笔记深度学习
    1.利用GPU训练GPU可优化操作如下操作方法1方法2数据获取判断是否可以使用GPU，如果可以直接model.cuda()先设定device，用的时候直接model.to（“device”）损失函数1.1利用以前实战模型训练（经过完整测试最高到70%左右的正确率）实战模型如下：小土堆学习笔记5（sequential与小实战）-CSDN博客具体代码如下：classmymodel(Module):de
  • 【大模型应用开发 动手做AI Agent】AutoGen AI大模型应用之禅 AI大模型与大数据计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    【大模型应用开发动手做AIAgent】AutoGen关键词：自动生成(AutoGeneration)AI代理(Agent)大型语言模型AutoGen框架自定义任务生成1.背景介绍1.1问题的由来在当今的AI领域，大型语言模型因其强大的文本生成能力而受到广泛关注。这些模型通常在大规模文本数据集上进行预训练，以便能够生成与上下文相关的高质量文本。然而，对于特定领域或特定任务的需求，往往需要对这些通用模
  • 【Node.js] ADFVBM 面试学习路线阿里巴巴node.js
    一、概述Node.js是一个基于ChromeV8引擎的JavaScript运行环境，使用了一个事件驱动、非阻塞式I/O模型，让JavaScript运行在服务端的开发平台，它让JavaScript成为与PHP、Python、Perl、Ruby等服务端语言平起平坐的脚本语言。官网地址：https://nodejs.org/zh-cnNode.js学习路线：JavaScript基础语法+Node.js内
  • 【强化学习】Unity ML-Agents框架 大雨淅淅 人工智能unity游戏引擎机器学习人工智能深度学习学习
    目录一、UnityML-Agents简介二、安装与配置三、基础使用四、关键技术点五、进阶技巧与案例分析六、学习资源七、常见问题与解决方案八、实战项目与案例研究九、未来展望与发展趋势十、结语一、UnityML-Agents简介UnityML-Agents是一个由UnityTechnologies开发的开源项目，它允许开发者利用机器学习技术来训练虚拟环境中的智能代理（Agent）。无论是希望创建更逼真
  • ASM系列五 利用TreeApi 解析生成Class lijingyao8206 ASM字节码动态生成ClassNodeTreeAPI
       前面CoreApi的介绍部分基本涵盖了ASMCore包下面的主要API及功能，其中还有一部分关于MetaData的解析和生成就不再赘述。这篇开始介绍ASM另一部分主要的Api。TreeApi。这一部分源码是关联的asm-tree-5.0.4的版本。          在介绍前，先要知道一点， Tree工程的接口基本可以完
  • 链表树——复合数据结构应用实例 bardo 数据结构树型结构表结构设计链表菜单排序
    我们清楚：数据库设计中，表结构设计的好坏，直接影响程序的复杂度。所以，本文就无限级分类（目录）树与链表的复合在表设计中的应用进行探讨。当然，什么是树，什么是链表，这里不作介绍。有兴趣可以去看相关的教材。 需求简介： 经常遇到这样的需求，我们希望能将保存在数据库中的树结构能够按确定的顺序读出来。比如，多级菜单、组织结构、商品分类。更具体的，我们希望某个二级菜单在这一级别中就是第一个。虽然它是最后
  • 为啥要用位运算代替取模呢 chenchao051 位运算哈希汇编
        在hash中查找key的时候，经常会发现用&取代%，先看两段代码吧，     JDK6中的HashMap中的indexFor方法： /** * Returns index for hash code h. */ static int indexFor(int h, int length) {
  • 最近的情况 麦田的设计者 生活感悟计划软考想
          今天是2015年4月27号      整理一下最近的思绪以及要完成的任务             1、最近在驾校科目二练车，每周四天，练三周。其实做什么都要用心，追求合理的途径解决。为
  • PHP去掉字符串中最后一个字符的方法 IT独行者 PHP字符串
    今天在PHP项目开发中遇到一个需求，去掉字符串中的最后一个字符 原字符串1,2,3,4,5,6, 去掉最后一个字符","，最终结果为1,2,3,4,5,6 代码如下： $str = "1,2,3,4,5,6,"; $newstr = substr($str,0,strlen($str)-1); echo $newstr;
  • hadoop在linux上单机安装过程 _wy_ linuxhadoop
    1、安装JDK     jdk版本最好是1.6以上，可以使用执行命令java -version查看当前JAVA版本号，如果报命令不存在或版本比较低，则需要安装一个高版本的JDK，并在/etc/profile的文件末尾，根据本机JDK实际的安装位置加上以下几行：    export JAVA_HOME=/usr/java/jdk1.7.0_25  
  • JAVA进阶----分布式事务的一种简单处理方法 无量 多系统交互分布式事务
    每个方法都是原子操作： 提供第三方服务的系统，要同时提供执行方法和对应的回滚方法 A系统调用B,C,D系统完成分布式事务 =========执行开始======== A.aa(); try { B.bb(); } catch(Exception e) { A.rollbackAa(); } try { C.cc(); } catch(Excep
  • 安墨移动广 告：移动DSP厚积薄发 引领未来广 告业发展命脉 矮蛋蛋 hadoop互联网
    　　“谁掌握了强大的DSP技术，谁将引领未来的广 告行业发展命脉。”2014年，移动广 告行业的热点非移动DSP莫属。各个圈子都在纷纷谈论，认为移动DSP是行业突破点，一时间许多移动广 告联盟风起云涌，竞相推出专属移动DSP产品。 　　到底什么是移动DSP呢? 　　DSP(Demand-SidePlatform)，就是需求方平台，为解决广 告主投放的各种需求，真正实现人群定位的精准广
  • myelipse设置 alafqq IP
      在一个项目的完整的生命周期中，其维护费用，往往是其开发费用的数倍。因此项目的可维护性、可复用性是衡量一个项目好坏的关键。而注释则是可维护性中必不可少的一环。 注释模板导入步骤  安装方法： 打开eclipse/myeclipse 选择 window-->Preferences-->JAVA-->Code-->Code
  • java数组 百合不是茶 java数组
    java数组的   声明  创建  初始化；   java支持C语言      数组中的每个数都有唯一的一个下标 一维数组的定义 声明： int[] a = new int[3];声明数组中有三个数int[3] int[] a 中有三个数，下标从0开始，可以同过for来遍历数组中的数
  • javascript读取表单数据 bijian1013 JavaScript
    利用javascript读取表单数据，可以利用以下三种方法获取： 1、通过表单ID属性：var a = document.getElementByIdx_x_x("id"); 2、通过表单名称属性：var b = document.getElementsByName("name"); 3、直接通过表单名字获取：var c = form.content.
  • 探索JUnit4扩展：使用Theory bijian1013 javaJUnitTheory
    理论机制（Theory） 一.为什么要引用理论机制（Theory）         当今软件开发中，测试驱动开发（TDD — Test-driven development）越发流行。为什么 TDD 会如此流行呢？因为它确实拥有很多优点，它允许开发人员通过简单的例子来指定和表明他们代码的行为意图。 TDD 的优点：     &nb
  • [Spring Data Mongo一]Spring Mongo Template操作MongoDB bit1129 template
    什么是Spring Data Mongo Spring Data MongoDB项目对访问MongoDB的Java客户端API进行了封装，这种封装类似于Spring封装Hibernate和JDBC而提供的HibernateTemplate和JDBCTemplate，主要能力包括 1. 封装客户端跟MongoDB的链接管理 2. 文档-对象映射，通过注解:@Document(collectio
  • 【Kafka八】Zookeeper上关于Kafka的配置信息 bit1129 zookeeper
    问题： 1. Kafka的哪些信息记录在Zookeeper中 2. Consumer Group消费的每个Partition的Offset信息存放在什么位置 3. Topic的每个Partition存放在哪个Broker上的信息存放在哪里 4. Producer跟Zookeeper究竟有没有关系？没有关系！！！   //consumers、config、brokers、cont
  • java OOM内存异常的四种类型及异常与解决方案 ronin47 java OOM 内存异常
          　OOM异常的四种类型： 　　　 　　一：　StackOverflowError ：通常因为递归函数引起（死递归，递归太深）。-Xss 128k 一般够用。     　  二：　out Of memory: PermGen Space：通常是动态类大多，比如web 服务器自动更新部署时引起。-Xmx
  • java-实现链表反转-递归和非递归实现 bylijinnan java
    20120422更新： 对链表中部分节点进行反转操作，这些节点相隔k个： 0->1->2->3->4->5->6->7->8->9 k=2 8->1->6->3->4->5->2->7->0->9 注意1 3 5 7 9 位置是不变的。 解法： 将链表拆成两部分： a.0-&
  • Netty源码学习-DelimiterBasedFrameDecoder bylijinnan javanetty
    看DelimiterBasedFrameDecoder的API，有举例： 接收到的ChannelBuffer如下： +--------------+ | ABC\nDEF\r\n | +--------------+ 经过DelimiterBasedFrameDecoder(Delimiters.lineDelimiter())之后，得到： +-----+----
  • linux的一些命令 -查看cc攻击-网口ip统计等 hotsunshine linux
    Linux判断CC攻击命令详解 2011年12月23日 ⁄ 安全 ⁄ 暂无评论 查看所有80端口的连接数 netstat -nat|grep -i '80'|wc -l 对连接的IP按连接数量进行排序 netstat -ntu | awk '{print $5}' | cut -d: -f1 | sort | uniq -c | sort -n 查看TCP连接状态 n
  • Spring获取SessionFactory ctrain sessionFactory
    String sql = "select sysdate from dual"; WebApplicationContext wac = ContextLoader.getCurrentWebApplicationContext(); String[] names = wac.getBeanDefinitionNames(); for(int i=0; i&
  • Hive几种导出数据方式 daizj hive数据导出
    Hive几种导出数据方式   1.拷贝文件   如果数据文件恰好是用户需要的格式，那么只需要拷贝文件或文件夹就可以。 hadoop fs –cp source_path target_path   2.导出到本地文件系统   --不能使用insert into local directory来导出数据，会报错 --只能使用
  • 编程之美 dcj3sjt126com 编程PHP重构
    我个人的 PHP 编程经验中，递归调用常常与静态变量使用。静态变量的含义可以参考 PHP 手册。希望下面的代码，会更有利于对递归以及静态变量的理解   header("Content-type: text/plain"); function static_function () { static $i = 0; if ($i++ < 1
  • Android保存用户名和密码 dcj3sjt126com android
    转自：http://www.2cto.com/kf/201401/272336.html 我们不管在开发一个项目或者使用别人的项目，都有用户登录功能，为了让用户的体验效果更好，我们通常会做一个功能，叫做保存用户，这样做的目地就是为了让用户下一次再使用该程序不会重新输入用户名和密码，这里我使用3种方式来存储用户名和密码 1、通过普通 的txt文本存储 2、通过properties属性文件进行存
  • Oracle 复习笔记之同义词 eksliang Oracle 同义词Oracle synonym
    转载请出自出处：http://eksliang.iteye.com/blog/2098861 1.什么是同义词       同义词是现有模式对象的一个别名。       概念性的东西，什么是模式呢？创建一个用户，就相应的创建了 一个模式。模式是指数据库对象，是对用户所创建的数据对象的总称。模式对象包括表、视图、索引、同义词、序列、过
  • Ajax案例 gongmeitao Ajaxjsp
    数据库采用Sql Server2005 项目名称为:Ajax_Demo 1.com.demo.conn包 package com.demo.conn; import java.sql.Connection;import java.sql.DriverManager;import java.sql.SQLException; //获取数据库连接的类public class DBConnec
  • ASP.NET中Request.RawUrl、Request.Url的区别 hvt .netWebC#asp.nethovertree
      如果访问的地址是：http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree%3C&n=myslider#zonemenu那么Request.Url.ToString() 的值是：http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree<&
  • SVG 教程 （七）SVG 实例，SVG 参考手册 天梯梦 svg
    SVG 实例 在线实例 下面的例子是把SVG代码直接嵌入到HTML代码中。 谷歌Chrome，火狐，Internet Explorer9，和Safari都支持。 注意：下面的例子将不会在Opera运行，即使Opera支持SVG - 它也不支持SVG在HTML代码中直接使用。   SVG 实例 SVG基本形状 一个圆 矩形 不透明矩形 一个矩形不透明2 一个带圆角矩
  • 事务管理 luyulong javaspring编程事务
    事物管理 spring事物的好处 为不同的事物API提供了一致的编程模型 支持声明式事务管理 提供比大多数事务API更简单更易于使用的编程式事务管理API 整合spring的各种数据访问抽象 TransactionDefinition 定义了事务策略 int getIsolationLevel()得到当前事务的隔离级别 READ_COMMITTED 
  • 基础数据结构和算法十一：Red-black binary search tree sunwinner AlgorithmRed-black
      The insertion algorithm for 2-3 trees just described is not difficult to understand; now, we will see that it is also not difficult to implement. We will consider a simple representation known
  • centos同步时间 stunizhengjia linux集群同步时间
    做了集群，时间的同步就显得非常必要了。 以下是查到的如何做时间同步。 在CentOS 5不再区分客户端和服务器，只要配置了NTP，它就会提供NTP服务。 1)确认已经ntp程序包： # yum install ntp 2)配置时间源（默认就行，不需要修改） # vi /etc/ntp.conf server pool.ntp.o
  • ITeye 9月技术图书有奖试读获奖名单公布 ITeye管理员 ITeye
    ITeye携手博文视点举办的9月技术图书有奖试读活动已圆满结束，非常感谢广大用户对本次活动的关注与参与。 9月试读活动回顾：http://webmaster.iteye.com/blog/2118112本次技术图书试读活动的优秀奖获奖名单及相应作品如下（优秀文章有很多，但名额有限，没获奖并不代表不优秀）：      《NFC：Arduino、Andro
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他