CodingFemy
CodingFemy

Flair-1

阅读动机：

发现他在NER progress屠榜了，ps:榜中的ontonotes和我做的89类的ontonotes不一样，是一个业界比较上心的18类的。

主要贡献：

贡献1：

contextual string embeddings：一个建模在字符级别上的语言模型（character language model）

image.png

训练的细节感觉也没什么可以说的。字符集别的嵌入，就这样。

贡献2：

是一个挺不错的框架，集成了各种不同的embedding
ps: 比较牛掰的是还写了一个stackEmbeddings, 这得省去多少代码啊，具体内容后面写
里面能够知道的XLNet、FlairEmbedding、Bert、Elmo、Word2vec等等，具体见上面链接

上手DEMO

下面代码中的load如果没有资源会自动下载到本地，比较坑的是这个文件没有vpn访问不了，醉了。当然自己下一下也是挺快的。
下载地址参考1-ner
下载地址参考2-onto-ner
可以靠着这个构造其他的下载链接
可以在下面的Sentence中设置tokenizer

from flair.data import Sentence
from flair.models import SequenceTagger

# make a sentence [sentence是一个类， list of token类]
sentence = Sentence('The George Washington went to Washington .')

# load the NER tagger model
# tagger = SequenceTagger.load('ner') 
tagger = SequenceTagger.load('/home/huyufeng/flair/flair/checkpoints/en-ner-conll03-v0.4.pt')
tagger = SequenceTagger.load('/home/huyufeng/flair/flair/checkpoints/en-ner-ontonotes-v0.4.pt')

# run NER over sentence
tagger.predict(sentence)

# print sentence with predicted tags
print(sentence.to_tagged_string())
#>>> The George  Washington  went to Washington  .

上面是打印比较简略的信息，下面是打印比较完整的信息：

>>> print(sentence.to_dict(tag_type='ner'))
{"text": "The George Washington went to Washington .",
 "labels": [],
 "entities": [{"text": "George Washington",
    "start_pos": 4, "end_pos": 21, "type": "PER",
    "confidence": 0.9787668585777283},
    {"text": "Washington",
    "start_pos": 30, "end_pos": 40, "type": "LOC",
    "confidence": 0.9987319111824036}]}
>>> 
>>> for entity in sentence.get_spans('ner'):
...     print(entity)
... 
PER-span [2,3]: "George Washington"
LOC-span [6]: "Washington"

例子结束，上面这个例子彰显了flair的方便，能够很快的部署模型，当然上面是直接Seq2Seq，句子直接得到标签，没有中间商...嗯。

--------------------第一阶段结束--------------------

构造数据集

当然，Sentence的结构既然固定了，那就需要构造数据集了。

sentence = Sentence('The grass is green .')
print(sentence)
sentence[3].add_tag('ner', 'color')
print(sentence.to_tagged_string())

Embedding

下面介绍了Glove, Elmo, Flair, bert 四种embedding

from flair.embeddings import WordEmbeddings, ELMoEmbeddings, FlairEmbeddings, BertEmbeddings
from flair.data import Sentence
s = Sentence("it was filthy to do such dirty work")

root = "/home/huyufeng/elmo/dataset/"
weight_file_path = "elmo_2x2048_256_2048cnn_1xhighway_weights.hdf5"
options_file_path = "elmo_2x2048_256_2048cnn_1xhighway_options.json"
elmo_embedding = ELMoEmbeddings(options_file=root+options_file_path , weight_file=root+weight_file_path)
elmo_embedding.embed(s)
for token in s:
    print(token)
    print(token.embedding)
    print(token.embedding.size())


glove_path = "/home/huyufeng/flair/flair/checkpoints/glove.gensim.vectors.npy"
glove_embedding = WordEmbeddings(glove_path)
glove_embedding.embed(s)
for token in s:
    print(token)
    print(token.embedding)
    print(token.embedding.size())


flair_embedding_forward = FlairEmbeddings('news-forward')
# flair_embedding_forward = FlairEmbeddings('news-backward')
flair_embedding_forward.embed(s)
for token in s:
    print(token)
    print(token.embedding)
    print(token.embedding.size())#3584  7*512


bert_path = "/home/huyufeng/glove/uncased_L-12_H-768_A-12"
bert_embedding = BertEmbeddings(bert_path)
bert_embedding.embed(s)
for token in s:
    print(token)
    print(token.embedding)
    print(token.embedding.size())#3072  3*1024

stacking——simutaneously-multi-embed

采用的concat的方法
直接参考link，后续真用上了再补。
直接一个函数搞定，很方便。

from flair.embeddings import ELMoEmbeddings, FlairEmbeddings, BertEmbeddings, StackedEmbeddings

# create a StackedEmbedding object that combines elmo and forward/backward flair embeddings
stacked_embeddings = StackedEmbeddings([
                                        elmo_embedding,
                                        bert_embedding,
                                        flair_embedding_forward,
                                        flair_embedding_backward,
                                       ])

Document Embeddings

Word Embeding 得到的是words * dim
Docu Embeding 得到的是dim， 即整个句子的embedding
文章给出了两种方法：Pooling 和 RNN方法：
Pooling方法，默认是mean，有[mean, max, min]三个方法可选，立即可用。
RNN方法默认采用GRU，有['GRU', 'LSTM'], 问题：这里的GRU和LSTM可能需要训练过才有效。

from flair.embeddings import ELMoEmbeddings, FlairEmbeddings, BertEmbeddings, StackedEmbeddings, DocumentPoolEmbeddings, DocumentRNNEmbeddings

# create an example sentence
sentence = Sentence('The grass is green . And the sky is blue .')
sentence2 = Sentence('The grass is green . And the sky is blue .')

# initialize the document embeddings, mode = mean
document_embeddings = DocumentPoolEmbeddings([bert_embedding,
                                              flair_embedding_backward,
                                              flair_embedding_forward])
# embed the sentence with our document embedding
document_embeddings.embed(sentence)
print(sentence.get_embedding()) #7168
>>> tensor([-0.0132, -0.1393,  0.0427,  ..., -0.0013, -0.0026,  0.0170],
       grad_fn=)


document_embeddings_rnn = DocumentRNNEmbeddings([bert_embedding,
                                              flair_embedding_backward,
                                              flair_embedding_forward])
# embed the sentence with our document embedding
document_embeddings_rnn.embed(sentence2)
print(sentence2.get_embedding()) #7296
>>> tensor([-0.0651,  0.6252,  0.2668,  ..., -0.0013, -0.0026,  0.0170],
       grad_fn=)

Loading Training Data

有各种各样的数据集，感觉可以玩一玩。

数据集 描述 备注
'UD_ENGLISH' 普遍依赖树图资料库
'WIKINER_ENGLISH' WikiNER
'NEWSGROUPS' 文本分类 似乎和我的比较相似
‘IMDB' 咳咳 兴趣所在

导入数据

import flair.datasets
corpus = flair.datasets.IMDB()
news_corpus = flair.datasets.NEWSGROUPS()

打印数据

print(corpus) 
>>> Corpus: 10183 train + 1131 dev + 7532 test sentences
print(len(corpus.test)) #[train, test, dev]
print(corpus.test[0])
print(corpus.test[0].to_tagged_string('pos'))
print(corpus.test[0].labels)  # 这个是文本分类的（只有一个label），和上面不一样，还有ner的

数据采样 10 %

downsampled_corpus = flair.datasets.IMDB().downsample(0.1)

数据分析:会得到所有类别的详细的分析。结果见附录

stats = corpus.obtain_statistics()
print(stats)

Multi-Corpus

暂时不知道有什么用

from flair.data import MultiCorpus
multi_corpus = MultiCorpus([english_corpus, german_corpus, dutch_corpus])

读取数据不再上述中的列表：形如link 

George N B-PER
Washington N I-PER
went V O
to P O
Washington N B-LOC

pass

读取不再上述中的CSV数据：形如[link]

pass

歪楼

好像git上找一个函数的调用比VScode还要舒服一点，是时候转git了。

reference

git - flair

学习目录

  • Tutorial 1: Basics
  • Tutorial 2: Tagging your Text
  • Tutorial 3: Embedding Words
  • Tutorial 4: List of All Word Embeddings
  • Tutorial 5: Embedding Documents
  • Tutorial 6: Loading your own Corpus
  • Tutorial 7: Training your own Models
  • Tutorial 8: Optimizing your Models
  • Tutorial 9: Training your own Flair Embeddings

附录--句子分类

句子分类，顺便上手，利用其结果也许未来有用呢？ 这里举一个IMDB pos-neg的例子（用于舆情分析咯，除了情绪，还有检测攻击语言的，呼呼呼~）

sentence = Sentence('France is the current world cup winner.')

# add a label to a sentence
sentence.add_label('sports')
# a sentence can also belong to multiple classes
sentence.add_labels(['sports', 'world cup'])
# you can also set the labels while initializing the sentence
sentence = Sentence('France is the current world cup winner.', labels=['sports', 'world cup'])
print(sentence)
for label in sentence.labels:
    print(label)

上面是为句子设类别，下面是正式的句子分类

from flair.models import TextClassifier
classifier = TextClassifier.load('/home/huyufeng/flair/flair/checkpoints/imdb-v0.4.pt')

s2 = Sentence('I feel bad about this movie')
s3 = Sentence('I feel really bad about characters\' suffering, It touched something deeply in my heart, absolutely, it is good')
# predict NER tags
classifier.predict([s2,  s3])

# print sentence with predicted labels
>>> print(s2.labels)
[NEGATIVE (0.9519780874252319)]
>>> print(s3.labels)
[POSITIVE (0.9950523972511292)]

附录——embedding 目录

方便自己找位置：246

model

root = /home/huyufeng/flair/flair/checkpoints
Positive-Negtive Class——imdb-v0.4.pt
NER-ontonotes——en-ner-ontonotes-v0.4.pt
NER——en-ner-conll03-v0.4.pt

Embeding目录

ELMO:
root = /home/huyufeng/elmo/dataset/
elmo_2x1024_128_2048cnn_1xhighway_weights.hdf5
elmo_2x1024_128_2048cnn_1xhighway_options.json
elmo_2x2048_256_2048cnn_1xhighway_weights.hdf5
elmo_2x2048_256_2048cnn_1xhighway_options.json
elmo_2x4096_512_2048cnn_2xhighway_5.5B_weights.hdf5
elmo_2x4096_512_2048cnn_2xhighway_5.5B_options.json

GLOVE
root = /home/huyufeng/flair/flair/checkpoints
glove.gensim.vectors.npy

FlairEmbedding
FlairEmbeddings('news-forward') #已经下载了，直接载入。

bertEmbedding
/home/huyufeng/glove/uncased_L-12_H-768_A-12
直接导入文件夹就好了，比较坑的是，必须把bert_config.json文件的名字改成config.json才行，浪费半小时。

附录——embedding 目录

方便自己找位置：246

root = /home/huyufeng/flair/flair/checkpoints/DATASET

数据集 位置
'WIKINER_ENGLISH' aij-wikiner-en-wp3.bz2
'NEWSGROUPS' 20news-bydate.tar.gz
‘IMDB' aclImdb_v1.tar.gz 
import flair.datasets
corpus = flair.datasets.IMDB()

PS

学习到了一个代码的写法，再文件夹下面写init.py
然后在里面写导入文件，就可以直接导入了。

image.png 

import flair.datasets
corpus = flair.datasets.UD_ENGLISH()

附录——数据分析

{
    "TRAIN": {
        "dataset": "TRAIN",
        "total_number_of_documents": 10183,
        "number_of_documents_per_class": {
            "rec.motorcycles": 535,
            "comp.sys.mac.hardware": 513,
            "comp.windows.x": 530,
            "sci.electronics": 523,
            "talk.politics.mideast": 526,
            "misc.forsale": 533,
            "talk.politics.guns": 487,
            "soc.religion.christian": 535,
            "rec.autos": 534,
            "alt.atheism": 435,
            "comp.os.ms-windows.misc": 529,
            "sci.med": 535,
            "rec.sport.baseball": 528,
            "sci.crypt": 540,
            "comp.graphics": 535,
            "talk.religion.misc": 339,
            "rec.sport.hockey": 535,
            "comp.sys.ibm.pc.hardware": 533,
            "talk.politics.misc": 418,
            "sci.space": 540
        },
        "number_of_tokens_per_tag": {},
        "number_of_tokens": {
            "total": 3397464,
            "min": 22,
            "max": 13487,
            "avg": 333.6407738387509
        }
    },
 "TEST": {...

附录——为什么选择flair

与Facebook的FastText甚至谷歌的AutoML自然语言平台不同，使用Flair进行文本分类仍然是一项底层的工作。我们可以通过设置诸如学习率、批量大小、退火因子（anneal factor）、损失函数、优化选择等参数来完全控制文本嵌入和训练的方式…为了获得最佳表现，需要调整这些超参数。Flair为我们提供了一个有名的超参数调优库Hyperopt的封装器，我们可以使用它来对超参数进行调优以获得最佳的性能。

在本文中，为了简单起见，我们使用了默认的超参数。在大多数默认参数下，我们的Flair模型在10个训练周期后获得了0.973的f1-score。

为了进行对比，我们使用FastText和AutoML自然语言平台训练了一个文本分类模型。首先我们使用默认参数运行FastText，并获得了0.883的f1-score，这意味着模型在很大程度上优于FastText。然而，FastText只需要几秒钟的训练时间，而我们训练的Flair模型则需要5分钟。

我们将结果与在谷歌的AutoML自然语言平台上获得的结果进行了比较。平台首先需要20分钟来解析数据集。之后，我们开始了训练过程，这几乎花了3个小时完成，但却获得了99.211的f1-score——这比我们自己训练的模型稍微好一点。

你可能感兴趣的:(Flair-1)

  • Flair-1 CodingFemy
    阅读动机：发现他在NERprogress屠榜了，ps:榜中的ontonotes和我做的89类的ontonotes不一样，是一个业界比较上心的18类的。主要贡献：贡献1：contextualstringembeddings：一个建模在字符级别上的语言模型（characterlanguagemodel）image.png训练的细节感觉也没什么可以说的。字符集别的嵌入，就这样。贡献2：是一个挺不错的框架
  • 设计模式介绍 tntxia 设计模式
    设计模式来源于土木工程师 克里斯托弗 亚历山大（http://en.wikipedia.org/wiki/Christopher_Alexander）的早期作品。他经常发表一些作品，内容是总结他在解决设计问题方面的经验，以及这些知识与城市和建筑模式之间有何关联。有一天，亚历山大突然发现，重复使用这些模式可以让某些设计构造取得我们期望的最佳效果。 亚历山大与萨拉-石川佳纯和穆雷 西乐弗斯坦合作
  • android高级组件使用(一) 百合不是茶 androidRatingBarSpinner
    1、自动完成文本框（AutoCompleteTextView） AutoCompleteTextView从EditText派生出来，实际上也是一个文本编辑框，但它比普通编辑框多一个功能：当用户输入一个字符后，自动完成文本框会显示一个下拉菜单，供用户从中选择，当用户选择某个菜单项之后，AutoCompleteTextView按用户选择自动填写该文本框。 使用AutoCompleteTex
  • [网络与通讯]路由器市场大有潜力可挖掘 comsci 网络
              如果国内的电子厂商和计算机设备厂商觉得手机市场已经有点饱和了,那么可以考虑一下交换机和路由器市场的进入问题.....        这方面的技术和知识,目前处在一个开放型的状态,有利于各类小型电子企业进入  &nbs
  • 自写简单Redis内存统计shell 商人shang Linux shell统计Redis内存
    #!/bin/bash address="192.168.150.128:6666,192.168.150.128:6666" hosts=(${address//,/ }) sfile="staticts.log" for hostitem in ${hosts[@]} do ipport=(${hostitem
  • 单例模式(饿汉 vs懒汉) oloz 单例模式
    package 单例模式; /* * 应用场景:保证在整个应用之中某个对象的实例只有一个 * 单例模式种的《 懒汉模式》 * */ public class Singleton { //01 将构造方法私有化，外界就无法用new Singleton()的方式获得实例 private Singleton(){}; //02 申明类得唯一实例 priva
  • springMvc json支持 杨白白 json springmvc
    1.Spring mvc处理json需要使用jackson的类库，因此需要先引入jackson包 2在spring mvc中解析输入为json格式的数据:使用@RequestBody来设置输入 @RequestMapping("helloJson") public @ResponseBody JsonTest helloJson() {
  • android播放，掃描添加本地音頻文件 小桔子
            最近幾乎沒有什麽事情，繼續鼓搗我的小東西。想在項目中加入一個簡易的音樂播放器功能，就像華為p6桌面上那麼大小的音樂播放器。用過天天動聽或者QQ音樂播放器的人都知道，可已通過本地掃描添加歌曲。不知道他們是怎麼實現的，我覺得應該掃描設備上的所有文件，過濾出音頻文件，每個文件實例化為一個實體，記錄文件名、路徑、歌手、類型、大小等信息。具體算法思想，
  • oracle常用命令 aichenglong oracledba常用命令
    1 创建临时表空间 create temporary tablespace user_temp  tempfile 'D:\oracle\oradata\Oracle9i\user_temp.dbf' size 50m  autoextend on  next 50m maxsize 20480m  extent management local
  • 25个Eclipse插件 AILIKES eclipse插件
    提高代码质量的插件1. FindBugsFindBugs可以帮你找到Java代码中的bug，它使用Lesser GNU Public License的自由软件许可。2. CheckstyleCheckstyle插件可以集成到Eclipse IDE中去，能确保Java代码遵循标准代码样式。3. ECLemmaECLemma是一款拥有Eclipse Public License许可的免费工具，它提供了
  • Spring MVC拦截器+注解方式实现防止表单重复提交 baalwolf spring mvc
    原理：在新建页面中Session保存token随机码，当保存时验证，通过后删除，当再次点击保存时由于服务器端的Session中已经不存在了，所有无法验证通过。   1.新建注解：   ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
  • 《Javascript高级程序设计(第3版)》闭包理解 bijian1013 JavaScript
    “闭包是指有权访问另一个函数作用域中的变量的函数。”--《Javascript高级程序设计(第3版)》         看以下代码： <script type="text/javascript"> function outer() { var i = 10; return f
  • AngularJS Module类的方法 bijian1013 JavaScriptAngularJSModule
            AngularJS中的Module类负责定义应用如何启动，它还可以通过声明的方式定义应用中的各个片段。我们来看看它是如何实现这些功能的。 一.Main方法在哪里         如果你是从Java或者Python编程语言转过来的，那么你可能很想知道AngularJS里面的main方法在哪里？这个把所
  • [Maven学习笔记七]Maven插件和目标 bit1129 maven插件
    插件(plugin)和目标(goal) Maven，就其本质而言，是一个插件执行框架，Maven的每个目标的执行逻辑都是由插件来完成的，一个插件可以有1个或者几个目标，比如maven-compiler-plugin插件包含compile和testCompile，即maven-compiler-plugin提供了源代码编译和测试源代码编译的两个目标   使用插件和目标使得我们可以干预
  • 【Hadoop八】Yarn的资源调度策略 bit1129 hadoop
    1. Hadoop的三种调度策略 Hadoop提供了3中作业调用的策略， FIFO Scheduler Fair Scheduler Capacity Scheduler 以上三种调度算法，在Hadoop MR1中就引入了，在Yarn中对它们进行了改进和完善.Fair和Capacity Scheduler用于多用户共享的资源调度   2. 多用户资源共享的调度
  • Nginx使用Linux内存加速静态文件访问 ronin47
    Nginx是一个非常出色的静态资源web服务器。如果你嫌它还不够快，可以把放在磁盘中的文件，映射到内存中，减少高并发下的磁盘IO。 先做几个假设。nginx.conf中所配置站点的路径是/home/wwwroot/res，站点所对应文件原始存储路径：/opt/web/res shell脚本非常简单，思路就是拷贝资源文件到内存中，然后在把网站的静态文件链接指向到内存中即可。具体如下：
  • 关于Unity3D中的Shader的知识 brotherlamp unityunity资料unity教程unity视频unity自学
    首先先解释下Unity3D的Shader，Unity里面的Shaders是使用一种叫ShaderLab的语言编写的，它同微软的FX文件或者NVIDIA的CgFX有些类似。传统意义上的vertex shader和pixel shader还是使用标准的Cg/HLSL 编程语言编写的。因此Unity文档里面的Shader，都是指用ShaderLab编写的代码，然后我们来看下Unity3D自带的60多个S
  • CopyOnWriteArrayList vs ArrayList bylijinnan java
    package com.ljn.base; import java.util.ArrayList; import java.util.Iterator; import java.util.List; import java.util.concurrent.CopyOnWriteArrayList; /** * 总述： * 1.ArrayListi不是线程安全的，CopyO
  • 内存中栈和堆的区别 chicony 内存
    1、内存分配方面：     堆：一般由程序员分配释放， 若程序员不释放，程序结束时可能由OS回收 。注意它与数据结构中的堆是两回事，分配方式是类似于链表。可能用到的关键字如下：new、malloc、delete、free等等。     栈：由编译器(Compiler)自动分配释放，存放函数的参数值，局部变量的值等。其操作方式类似于数据结构中
  • 回答一位网友对Scala的提问 chenchao051 scalamap
    本来准备在私信里直接回复了，但是发现不太方便，就简要回答在这里。 问题 写道 对于scala的简洁十分佩服，但又觉得比较晦涩，例如一例，Map("a" -> List(11,111)).flatMap(_._2)，可否说下最后那个函数做了什么，真正在开发的时候也会如此简洁？谢谢    先回答一点，在实际使用中，Scala毫无疑问就是这么简单。
  • mysql 取每组前几条记录 daizj mysql分组最大值最小值每组三条记录
    一、对分组的记录取前N条记录：例如：取每组的前3条最大的记录 1.用子查询： SELECT * FROM tableName a  WHERE 3> (SELECT COUNT(*) FROM  tableName b WHERE b.id=a.id AND b.cnt>a. cnt) ORDER BY a.id,a.account DE
  • HTTP深入浅出 http请求 dcj3sjt126com http
      HTTP(HyperText Transfer Protocol)是一套计算机通过网络进行通信的规则。计算机专家设计出HTTP，使HTTP客户（如Web浏览器）能够从HTTP服务器(Web服务器)请求信息和服务，HTTP目前协议的版本是1.1.HTTP是一种无状态的协议，无状态是指Web浏览器和Web服务器之间不需要建立持久的连接，这意味着当一个客户端向服务器端发出请求，然后We
  • 判断MySQL记录是否存在方法比较 dcj3sjt126com mysql
    把数据写入到数据库的时，常常会碰到先要检测要插入的记录是否存在，然后决定是否要写入。 　　我这里总结了判断记录是否存在的常用方法： 　　sql语句： select   count ( * )  from  tablename; 　　然后读取count(*)的值判断记录是否存在。对于这种方法性能上有些浪费，我们只是想判断记录记录是否存在，没有必要全部都查出来。
  • 对HTML XML的一点认识 e200702084 htmlxml
    感谢http://www.w3school.com.cn提供的资料 HTML 文档中的每个成分都是一个节点。 节点 根据 DOM，HTML 文档中的每个成分都是一个节点。 DOM 是这样规定的： 整个文档是一个文档节点 每个 HTML 标签是一个元素节点 包含在 HTML 元素中的文本是文本节点 每一个 HTML 属性是一个属性节点 注释属于注释节点 Node 层次
  • jquery分页插件 genaiwei jqueryWeb前端分页插件
    //jquery页码控件// 创建一个闭包    (function($) {      // 插件的定义      $.fn.pageTool = function(options) {        var totalPa
  • Mybatis与Ibatis对照入门于学习 Josh_Persistence mybatisibatis区别联系
    一、为什么使用IBatis/Mybatis         对于从事 Java EE 的开发人员来说，iBatis 是一个再熟悉不过的持久层框架了，在 Hibernate、JPA 这样的一站式对象 / 关系映射（O/R Mapping）解决方案盛行之前，iBaits 基本是持久层框架的不二选择。即使在持久层框架层出不穷的今天，iBatis 凭借着易学易用、
  • C中怎样合理决定使用那种整数类型？ 秋风扫落叶 c数据类型
    如果需要大数值(大于32767或小于32767), 使用long 型。 否则, 如果空间很重要 (如有大数组或很多结构), 使用 short 型。 除此之外, 就使用 int 型。 如果严格定义的溢出特征很重要而负值无关紧要, 或者你希望在操作二进制位和字节时避免符号扩展的问题, 请使用对应的无符号类型。 但是, 要注意在表达式中混用有符号和无符号值的情况。    &nbs
  • maven问题 zhb8015 maven问题
      问题1： Eclipse 中 新建maven项目 无法添加src/main/java 问题    eclipse创建maevn web项目，在选择maven_archetype_web原型后，默认只有src/main/resources这个Source Floder。     按照maven目录结构，添加src/main/ja
  • (二)androidpn-server tomcat版源码解析之--push消息处理 spjich javaandrodipn推送
    在 (一)androidpn-server tomcat版源码解析之--项目启动这篇中，已经描述了整个推送服务器的启动过程，并且把握到了消息的入口即XmppIoHandler这个类，今天我将继续往下分析下面的核心代码，主要分为3大块，链接创建，消息的发送，链接关闭。 先贴一段XmppIoHandler的部分代码 /** * Invoked from an I/O proc
  • 用js中的formData类型解决ajax提交表单时文件不能被serialize方法序列化的问题 中华好儿孙 JavaScriptAjaxWeb上传文件FormData
    var formData = new FormData($("#inputFileForm")[0]); $.ajax({ type:'post', url:webRoot+"/electronicContractUrl/webapp/uploadfile", data:formData, async: false, ca
  • mybatis常用jdbcType数据类型 ysj5125094 mybatismapperjdbcType
      MyBatis 通过包含的jdbcType 类型 BIT         FLOAT      CHAR          
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他