無量空所
無量空所

文本预处理时Resource punkt/stopwords/averaged_perceptron_tagger_eng/wordnet not found报错解决方式--亲测有效

文本预处理时Resource punkt/stopwords/averaged_perceptron_tagger_eng/wordnet not found报错解决方式--亲测有效_第1张图片

报错如上图所示，此时在安装nltk包的情况下运行下方代码即可（缺哪个文件填哪个文件名）

import nltk
import os

# 设置下载目录
nltk.data.path.append('此处填写上述报错中给出的好几个红色目录中的一个')

# 下载 stopwords
nltk.download('缺失文件名，这里填stopwords')

你可能感兴趣的:(NLP,nlp)

  • 神奇的平静 漫步的小马驹
    我们七组色香味俱全的特色菜百家宴我们七组的仙女们仙女们在舞动上图是今晚上海nlp课堂的晚会照片。熟悉的场地，熟悉的伙伴们。只是，我从画面里，跑到了画面外。决定不去二阶的时候，我以为在这样的时刻，我会有很多情绪：郁闷、遗憾、羡慕、纠结……没想到，这一刻真的来临的时候，我心里是满满的喜悦、平静。其实，在读到惠安的时，我内心有些小波动：惠安和我工作类似，她也面临突击检查，她因为领导的理解、同事的护援而得
  • 使用中转API在Python中调用大型语言模型 (LLM) 的实践** qq_37836323 python语言模型开发语言
    **在人工智能技术中，大型语言模型(LLM)已成为自然语言处理(NLP)和生成任务的重要工具。然而，由于网络限制，直接访问OpenAI的API在中国可能面临挑战。因此，本文将介绍如何使用中转API地址http://api.wlai.vip来调用LLM，并提供相关的demo代码。什么是大型语言模型(LLM)？大型语言模型是一种深度学习模型，训练于大量文本数据上，能够生成、总结、翻译和回答问题等。Op
  • 【AI大模型：前沿】43、Mamba架构深度解析：为什么它是Transformer最强挑战者？ 无心水 架构transformerMambaMamba架构AI大模型系统开发实战AI大模型高手开发AI大模型系统实战
    Transformer架构自2017年诞生以来，一直是NLP、计算机视觉等领域的“统治级”模型架构。但随着序列长度需求的增长（如128K长文本处理、基因组学超长序列分析），其自注意力机制的O(n2)O(n^2)O(n2)计算复杂度成为难以逾越的瓶颈。2023年底，由AlbertGu和TriDao等人提出的Mamba架构，通过创新的“选择性状态空间模型（SelectiveSSM）”实现了线性复杂度（
  • 【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 微博文章数据可视化分析-文章分类下拉框实现 java1234_小锋 NLPNLLP微博舆情分析python自然语言处理flask
    大家好，我是java1234_小锋老师，最近写了一套【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts)视频教程，持续更新中，计划月底更新完，感谢支持。今天讲解微博文章数据可视化分析-文章分类下拉框实现视频在线地址：2026版【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts+爬虫)视频教程（火爆连载更
  • Rouge：面向摘要自动评估的召回导向型指标——原理、演进与应用全景 大千AI助手 深度学习人工智能神经网络Rouge文本摘要Summary评估
    “以n-gram重叠量化文本生成质量，为摘要评估提供可计算标尺”Rouge（Recall-OrientedUnderstudyforGistingEvaluation）是由南加州大学信息科学研究所（ISI）的Chin-YewLin于2004年提出的自动文本摘要评估指标，其核心思想是通过计算生成文本与参考摘要之间的n-gram重叠率，量化摘要的内容覆盖度与忠实度。作为自然语言处理（NLP）领域最权威
  • 甘超波：NLP权谋中谈判流程 甘超波
    哈喽，大家好我是甘超波，是一名NLP爱好者，每天一篇原创文章或视频，分享我的实战经验和案例，希望给你些启发和帮助今天主要分享权谋中的谈判流程一:什么是谈判？有的伙伴认为:谈判就是勾心斗角有的伙伴认为:只有商业和国家用到谈判还有的伙伴认为:谈判是一种很高大上的方法和技巧这是不同的伙伴对谈判的看法，这些都是不全面的到底什么是谈判？谈判:处理事情设计出一系列巧妙的方法、技巧、流程，让对方配合你、支持你的
  • 百度文心大模型ERNIE全面解析 KENYCHEN奉孝 python实践大全AIERNIE人工智能后端文心大模型python
    百度文心大模型ERNIE概述百度推出的文心大模型（ERNIE，EnhancedRepresentationthroughkNowledgeIntEgration）系列是结合知识增强技术的预训练大模型，涵盖自然语言处理（NLP）、跨模态、行业应用等多个方向。其开源版本为开发者提供了可商用的大模型能力支持。ERNIE的核心技术特点知识增强：通过多源知识图谱（如百度百科、专业领域数据）注入，提升模型对实
  • AI办公（综合）课程内容框架 建模中… AI-native
    AI办公（综合）课程内容框架：深度挖掘与分析一、课程定位深化：从“技能学习”到“价值创造体系构建”传统办公课程聚焦单点工具，本课程定位突破技能培训边界，构建“技术-场景-价值”闭环：-技术穿透性：不局限于AI工具表层操作，深入讲解自然语言处理（NLP）、生成式对抗网络（GANs）等技术在办公场景的底层逻辑，让学员理解“AI为何能优化流程”，而非仅知“如何用工具”。-场景延展性：覆盖内容运营、协作管
  • 自然语言处理技术应用领域深度解析：从理论到实践的全面探索
    1.引言：自然语言处理的技术革命与应用前景自然语言处理（NaturalLanguageProcessing，NLP）作为人工智能领域的核心分支，正在以前所未有的速度改变着我们的数字化生活。从最初的规则基础系统到如今基于深度学习的大语言模型，NLP技术经历了从理论探索到实际应用的深刻变革。在当今信息爆炸的时代，人类每天产生的文本数据量达到了惊人的规模，如何让计算机理解、处理和生成人类语言，已经成为推
  • 大语言模型原理与工程实践：RLHF 实战框架 AI天才研究院 AI大模型企业级应用开发实战AI大模型应用入门实战与进阶AI人工智能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
    大语言模型原理与工程实践：RLHF实战框架1.背景介绍1.1人工智能的崛起人工智能(AI)技术在过去几年中取得了令人瞩目的进展,尤其是在自然语言处理(NLP)和计算机视觉(CV)等领域。大型语言模型(LLM)的出现,使得人工智能系统能够生成逼真的自然语言输出,从而在多个应用场景中发挥重要作用。1.2大语言模型的挑战然而,训练出高质量的大语言模型并非易事。传统的监督学习方法需要大量高质量的标注数据,
  • 主要分布在背侧海马体（dHPC）CA1区域（dCA1）的时空联合细胞对NLP中的深层语义分析的积极影响和启示 金井PRATHAMA 脑神经科学与NLP自然语言处理人工智能神经网络
    时空联合细胞（SpatiotemporalConjunctiveCells）主要分布在背侧海马体CA1区（dCA1），其核心功能是同步编码空间位置、时间信息和行为意图，形成动态的情景记忆表征。这种神经机制为自然语言处理（NLP）中的深层语义分析提供了突破性的启示，尤其在解决语义连贯性、上下文建模和长期依赖等核心挑战上。以下是具体影响和技术实现路径：一、时空联合细胞的核心机制及其NLP关联背侧海马体
  • Transformer：颠覆NLP的自注意力革命 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythontransformer自然语言处理深度学习
    Transformer：颠覆NLP的自注意力革命Transformer是自然语言处理领域中极具影响力的深度学习模型架构，以下是对其的详细介绍：提出背景与应用：2017年，Vaswani等人在《AttentionIsAllYouNeed》论文中首次提出Transformer架构，它主要用于处理序列到序列的任务，如机器翻译、文本生成等。核心原理：文本生成的Transformer模型原理是“预测下一个词
  • Swin Transformer原理与代码精讲 bai666ai 深度学习之计算机视觉transformerswinCV深度学习图像分类
    课程链接：SwinTransformer原理与代码精讲--计算机视觉视频教程-人工智能-CSDN程序员研修院Transformer在许多NLP(自然语言处理)任务中取得了最先进的成果。SwinTransformer是在ViT基础上发展而来，是Transformer应用于CV（计算机视觉）领域又一里程碑式的工作。它可以作为通用的骨干网络，用于图片分类的CV任务，以及下游的CV任务，如目标检测、实例分
  • 深入探讨 Transformer 模型架构 年纪轻轻头已凉 transformer深度学习人工智能
    ```html深入探讨Transformer模型架构深入探讨Transformer模型架构Transformer是一种革命性的神经网络架构，由Vaswani等人在2017年提出，并在自然语言处理（NLP）领域取得了显著的成功。与传统的循环神经网络（RNN）和卷积神经网络（CNN）不同，Transformer完全依赖于自注意力机制（Self-AttentionMechanism），这使得它在处理长序
  • 星图云开发者平台新功能速递|AI大模型赋能开发应用效率提升三倍！ 星图易码 人工智能
    还在为技术文档检索耗费数小时？还在重复编写基础CRUD代码？星图云开发者平台发布「三大AI核心能力」，将自然语言大模型深度融入开发全流程。这不是替代开发者，而是让每位工程师拥有超级辅助——从此复杂算法封装、接口调试、业务逻辑设计效率全面跃升。一、智能化多源知识问答技术当开发者以自然语言形式提出技术问题时，多模态自然语言处理（NLP）模型与知识图谱融合技术，实现三重突破：1.跨域知识检索：联动平台专
  • 基于自然语言处理的财报分析：量化价值投资新视角 AI量化价值投资入门到精通 自然语言处理easyui人工智能ai
    基于自然语言处理的财报分析：量化价值投资新视角关键词：自然语言处理；财报分析；量化价值投资；文本挖掘；金融科技摘要：本研究聚焦于基于自然语言处理（NLP）的财报分析，为量化价值投资开辟了新的视角。首先介绍了该领域的背景与历史发展，明确了问题空间和关键术语。接着从第一性原理推导构建理论框架，分析其局限性与竞争范式。阐述了系统架构设计、实现机制，涵盖算法复杂度、代码实现等。探讨了在实际应用中的策略、集
  • 奥威BI+AI：绘就企业决策智能的新诗篇
    一、技术交响：BI与AI的浪漫邂逅在技术的浩瀚宇宙中，‌奥威BI+AI‌正引领一场前所未有的智慧风暴。这是一场‌技术革命‌，巧妙地将商业智能（BI）与人工智能（AI）深度融合，编织出独一无二的“双引擎”分析平台梦想。智能数据治理、预测建模与自然语言交互，三大核心功能如璀璨星辰，照亮企业前行的道路。·‌智能数据治理‌：通过NLP技术，非结构化数据得以自动清洗，ETL效率飙升300%，数据治理从未如此
  • PyTorch中的词嵌入层(nn.Embedding)详解与实践指南 慕婉0307 自然语言处理pytorchembedding人工智能
    一、词嵌入(WordEmbedding)简介词嵌入是自然语言处理(NLP)中的一项核心技术，它将离散的词语映射到连续的向量空间中。通过词嵌入，语义相似的词语在向量空间中的位置也会相近。为什么需要词嵌入？解决维度灾难：传统one-hot编码维度等于词汇表大小，而词嵌入维度可自定义捕捉语义关系：通过向量空间中的距离反映词语间的语义关系迁移学习：预训练的词嵌入可以在不同任务间共享二、PyTorch中的n
  • 甘超波：NLP权谋的谋略思维 甘超波
    哈喽，大家好我是甘超波，是一名NLP爱好者，每天一篇原创文章或视频，分享我的实战经验和案例，希望给你些启发和帮助今天我们主要来分享一下NLP中权谋的谋略思维对于权谋这个词，相信很多人都不陌生，有一部分伙伴可能在电视上看一些后宫剧，对权谋有所认识、有一部分伙伴可能在看过相关权谋书籍，对权谋有所了解有一部分伙伴可能在自媒体看过权谋文章，对权谋有了解这是不同的伙伴对权谋的认知，那我们今天就来看一下NLP
  • 基础NLP | 01 机器学习 深度学习基础介绍 是娜个二叉树！ NLP自然语言处理机器学习深度学习
    文章目录机器学习简介有监督学习无监督学习一般流程常用概念深度学习简介隐含层/中间层例子and流程如果想要猜测的又快又准，调整的方向有哪些？随机初始化损失函数导数与梯度梯度下降优化器MiniBatchepoch流程深度学习的基本思想机器学习简介有监督学习核心目标：建立一个模型（函数），来描述输入（X）和输出（Y）之间的映射关系价值：对于新的输入，通过模型给出预测的输出要点：有一定数量的训练样本输入和
  • 【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 主页-评论用户时间占比环形饼状图实现
    大家好，我是java1234_小锋老师，最近写了一套【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts)视频教程，持续更新中，计划月底更新完，感谢支持。今天讲解主页-评论用户时间占比环形饼状图实现视频在线地址：2026版【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts+爬虫)视频教程（火爆连载更新中.
  • NLP--自然语言处理学习-day1 啊波阿波波 自然语言处理学习easyui
    一.初步认识NLP自然语言处理（NaturalLanguageProcessing,NLP）是计算机科学和人工智能（AI）的一个交叉领域，旨在使计算机能够理解、分析、生成和处理人类语言的能力。它结合了计算语言学、人工智能、机器学习和语言学等多个领域的知识。NLP的主要任务文本分类：将文本内容分配到一个或多个类别中，例如垃圾邮件分类、情感分析等。命名实体识别（NER）：从文本中识别出特定类型的实体，
  • Python 解析 RAG（检索增强生成）的核心概念 产品挨打师 python开发语言
    ```htmlPython解析RAG（检索增强生成）的核心概念Python解析RAG（检索增强生成）的核心概念RAG（Retrieval-AugmentedGeneration，检索增强生成）是一种结合了检索和生成能力的模型架构，广泛应用于自然语言处理（NLP）领域。RAG模型通过从外部知识库中检索相关信息，并将其与生成模型相结合，从而实现更高质量的文本生成任务。本文将介绍RAG的核心概念及其在P
  • 主要分布在背侧海马体（dHPC）CA1区域（dCA1）的时间细胞对NLP中的深层语义分析的积极影响和启示 金井PRATHAMA 脑神经科学与NLP神经网络自然语言处理人工智能知识图谱
    时间细胞（timecells）作为海马体CA1区域中编码时间信息的神经元，其工作机制对自然语言处理（NLP）中的深层语义分析具有多方面的启示。这些神经元通过整合时空信息、动态竞争机制和序列编码能力，为解决NLP中语义连贯性、上下文依赖性和长期依赖等挑战提供了生物神经基础。以下是具体的影响和启示：一、时间细胞的特性与深层语义分析的挑战关联时间编码的动态性与语义上下文依赖时间细胞通过速率编码（firi
  • 【2025版】最新大模型就业方向，零基础入门到精通，收藏这篇就够了 程序员_大白 大模型程序员职业与发展大模型人工智能
    大模型就业方向主要集中在以下几个核心领域：数据治理方向：涉及爬虫、数据清洗、ETL、DataEngine、Pipeline等工作，确保数据质量和可用性，支持模型训练和运行。平台搭建方向：负责分布式训练、大模型集群以及工程基建，构建高效的模型运行平台，支持高性能计算。模型算法方向：专注于开发新的预训练模型和优化算法，提升模型的准确性和效率，适用于NLP、语音助手、对话机器人等领域。部署落地方向：包括
  • AI产品经理面试宝典第48天：产品设计与用户体验优化策略 TGITCIC AI产品经理一线大厂面试题产品经理AI产品经理面试大模型产品经理面试大模型面试AI面试AI产品
    1.用户体验分析与产品设计逻辑1.1问：如何通过用户反馈优化AI产品体验？答：建立反馈闭环机制：通过应用内评分、用户访谈、行为埋点三维度收集数据，例如某语音助手产品通过NLP分析用户纠错语句，发现"误唤醒"问题占比37%；优先级排序模型：采用Kano模型量化需求，将"语音响应延迟降低至200ms内"列为基本型需求，"方言识别"设为期望型需求；敏捷迭代验证：针对某智能客服产品，采用灰度发布策略，先在
  • LoRA中的低秩矩阵估计
    LoRA（Low-RankAdaptation）是一种用于微调大型语言模型（LLM）的高效方法，尤其在资源有限的环境下表现出色。其核心思想是通过低秩矩阵来近似微调过程中权重矩阵的变化，从而大幅减少需要训练的参数数量。---\paragraph{1.背景：微调与参数效率}在自然语言处理（NLP）中，大型语言模型（如GPT、BERT等）通过预训练学习了丰富的语言知识。然而，为了适应特定任务或新数据，通
  • [特殊字符]️用Python打造全能型新闻爬虫：抓取全文+图片+视频的完整攻略（含最新Playwright方案） Python爬虫项目 python爬虫数据分析开发语言音视频javascript数据挖掘
    一、前言：为什么要抓取新闻网站全文？在大数据、人工智能风口之上，构建新闻语料库用于训练自然语言处理（NLP）模型、情感分析、热点追踪等任务变得愈发重要。然而，大多数新闻网站并不提供开放的API，内容分散在网页的各个结构中，因此我们必须编写一个功能齐全的爬虫来抓取文章、图片、视频等多种内容。️二、技术选型与环境准备主要依赖库库名用途Playwright最新浏览器自动化技术，支持动态页面渲染Beaut
  • 信而泰×DeepSeek：AI推理引擎驱动网络智能诊断迈向 “自愈”时代
    DeepSeek-R1：强大的AI推理引擎底座DeepSeek是由杭州深度求索人工智能基础技术研究有限公司开发的新一代AI大模型。其核心优势在于强大的推理引擎能力，融合了自然语言处理（NLP）、深度学习、大规模数据分析等前沿技术。DeepSeek-R1具备卓越的逻辑推理、多模态分析（文本/图像/语音）和实时交互能力，能够高效处理代码生成、复杂问题求解、跨模态学习等高阶任务。凭借其开源、高效、多模态
  • NLP论文速读|chameleon：一个即插即用的组合推理模块Plug-and-Play Compositional Reasoning with Large Language Models Power2024666 NLP论文速读自然语言处理人工智能机器学习深度学习nlp语言模型
    论文速读|Chameleon:Plug-and-PlayCompositionalReasoningwithLargeLanguageModels论文信息：简介:该论文介绍了一个名为Chameleon的人工智能系统，旨在解决大型语言模型（LLMs）在处理复杂推理任务时存在的固有限制，例如无法访问最新信息、使用外部工具以及执行精确的数学和逻辑推理。Chameleon通过插入即用模块增强LLMs，使其
  • 用MiddleGenIDE工具生成hibernate的POJO（根据数据表生成POJO类） AdyZhang POJOeclipseHibernateMiddleGenIDE
    推荐:MiddlegenIDE插件,   是一个Eclipse   插件.     用它可以直接连接到数据库,   根据表按照一定的HIBERNATE规则作出BEAN和对应的XML ，用完后你可以手动删除它加载的JAR包和XML文件!     今天开始试着使用
  • .9.png Cb123456 android
      “点九”是andriod平台的应用软件开发里的一种特殊的图片形式，文件扩展名为：.9.png 　　智能手机中有自动横屏的功能,同一幅界面会在随着手机(或平板电脑)中的方向传感器的参数不同而改变显示的方向,在界面改变方向后,界面上的图形会因为长宽的变化而产生拉伸,造成图形的失真变形。 　　我们都知道android平台有多种不同的分辨率，很多控件的切图文件在被放大拉伸后，边
  • 算法的效率 天子之骄 算法效率复杂度最坏情况运行时间大O阶平均情况运行时间
    算法的效率 效率是速度和空间消耗的度量。集中考虑程序的速度，也称运行时间或执行时间，用复杂度的阶(O)这一标准来衡量。空间的消耗或需求也可以用大O表示，而且它总是小于或等于时间需求。   以下是我的学习笔记：   1.求值与霍纳法则，即为秦九韶公式。   2.测定运行时间的最可靠方法是计数对运行时间有贡献的基本操作的执行次数。运行时间与这个计数成正比。
  • java数据结构 何必如此 java数据结构
    Java 数据结构 Java工具包提供了强大的数据结构。在Java中的数据结构主要包括以下几种接口和类： 枚举（Enumeration） 位集合（BitSet） 向量（Vector） 栈（Stack） 字典（Dictionary） 哈希表（Hashtable） 属性（Properties） 以上这些类是传统遗留的，在Java2中引入了一种新的框架-集合框架(Collect
  • MybatisHelloWorld 3213213333332132
    //测试入口TestMyBatis package com.base.helloworld.test; import java.io.IOException; import org.apache.ibatis.io.Resources; import org.apache.ibatis.session.SqlSession; import org.apache.ibat
  • Java|urlrewrite|URL重写|多个参数 7454103 javaxmlWeb工作
     个人工作经验！ 如有不当之处，敬请指点 1.0  web -info 目录下建立     urlrewrite.xml  文件 类似如下： <?xml version="1.0" encoding="UTF-8" ?>   <!DOCTYPE u
  • 达梦数据库+ibatis darkranger sqlmysqlibatisSQL Server
    --插入数据方面 如果您需要数据库自增... 那么在插入的时候不需要指定自增列. 如果想自己指定ID列的值, 那么要设置 set identity_insert  数据库名.模式名.表名; ----然后插入数据; example: create table zhabei.test( id bigint identity(1,1) primary key, nam
  • XML 解析 四种方式 aijuans android
    XML现在已经成为一种通用的数据交换格式,平台的无关性使得很多场合都需要用到XML。本文将详细介绍用Java解析XML的四种方法。 XML现在已经成为一种通用的数据交换格式,它的平台无关性,语言无关性,系统无关性,给数据集成与交互带来了极大的方便。对于XML本身的语法知识与技术细节,需要阅读相关的技术文献,这里面包括的内容有DOM(Document Object
  • spring中配置文件占位符的使用 avords
    1.类 <?xml version="1.0" encoding="UTF-8"?><!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.o
  • 前端工程化-公共模块的依赖和常用的工作流 bee1314 webpack
    题记： 一个人的项目，还有工程化的问题嘛？   我们在推进模块化和组件化的过程中，肯定会不断的沉淀出我们项目的模块和组件。对于这些沉淀出的模块和组件怎么管理？另外怎么依赖也是个问题？ 你真的想这样嘛？   var BreadCrumb = require(‘../../../../uikit/breadcrumb’); //真心ugly。  
  • 上司说「看你每天准时下班就知道你工作量不饱和」，该如何回应？ bijian1013 项目管理沟通IT职业规划
    问题：上司说「看你每天准时下班就知道你工作量不饱和」，如何回应         正常下班时间6点，只要是6点半前下班的，上司都认为没有加班。   Eno-Bea回答，注重感受，不一定是别人的         虽然我不知道你具体从事什么工作与职业，但是我大概猜测，你是从事一项不太容易出现阶段性成果的工作
  • TortoiseSVN，过滤文件 征客丶 SVN
    环境： TortoiseSVN 1.8 配置： 在文件夹空白处右键 选择  TortoiseSVN -> Settings 在 Global ignote pattern 中添加要过滤的文件： 多类型用英文空格分开 *name ： 过滤所有名称为 name 的文件或文件夹 *.name ： 过滤所有后缀为 name 的文件或文件夹 --------
  • 【Flume二】HDFS sink细说 bit1129 Flume
    1. Flume配置   a1.sources=r1 a1.channels=c1 a1.sinks=k1 ###Flume负责启动44444端口 a1.sources.r1.type=avro a1.sources.r1.bind=0.0.0.0 a1.sources.r1.port=44444 a1.sources.r1.chan
  • The Eight Myths of Erlang Performance bookjovi erlang
    erlang有一篇guide很有意思： http://www.erlang.org/doc/efficiency_guide 里面有个The Eight Myths of Erlang Performance： http://www.erlang.org/doc/efficiency_guide/myths.html   Myth: Funs are sl
  • java多线程网络传输文件(非同步)-2008-08-17 ljy325 java多线程socket
    利用 Socket 套接字进行面向连接通信的编程。客户端读取本地文件并发送；服务器接收文件并保存到本地文件系统中。 使用说明:请将TransferClient, TransferServer, TempFile三个类编译，他们的类包是FileServer. 客户端: 修改TransferClient: serPort, serIP, filePath, blockNum,的值来符合您机器的系
  • 读《研磨设计模式》-代码笔记-模板方法模式 bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ import java.sql.Connection; import java.sql.DriverManager; import java.sql.PreparedStatement; import java.sql.ResultSet;
  • 配置心得 chenyu19891124 配置
    时间就这样不知不觉的走过了一个春夏秋冬，转眼间来公司已经一年了，感觉时间过的很快，时间老人总是这样不停走，从来没停歇过。 作为一名新手的配置管理员，刚开始真的是对配置管理是一点不懂，就只听说咱们公司配置主要是负责升级，而具体该怎么做却一点都不了解。经过老员工的一点点讲解，慢慢的对配置有了初步了解，对自己所在的岗位也慢慢的了解。 做了一年的配置管理给自总结下： 1.改变 从一个以前对配置毫无
  • 对“带条件选择的并行汇聚路由问题”的再思考 comsci 算法工作软件测试嵌入式领域模型
    2008年上半年，我在设计并开发基于”JWFD流程系统“的商业化改进型引擎的时候，由于采用了新的嵌入式公式模块而导致出现“带条件选择的并行汇聚路由问题”(请参考2009-02-27博文)，当时对这个问题的解决办法是采用基于拓扑结构的处理思想，对汇聚点的实际前驱分支节点通过算法预测出来，然后进行处理，简单的说就是找到造成这个汇聚模型的分支起点，对这个起始分支节点实际走的路径数进行计算，然后把这个实际
  • Oracle 10g 的clusterware 32位 下载地址 daizj oracle
    Oracle 10g 的clusterware 32位 下载地址 http://pan.baidu.com/share/link?shareid=531580&uk=421021908 http://pan.baidu.com/share/link?shareid=137223&uk=321552738 http://pan.baidu.com/share/l
  • 非常好的介绍：Linux定时执行工具cron dongwei_6688 linux
    Linux经过十多年的发展，很多用户都很了解Linux了，这里介绍一下Linux下cron的理解，和大家讨论讨论。cron是一个Linux 定时执行工具，可以在无需人工干预的情况下运行作业，本文档不讲cron实现原理，主要讲一下Linux定时执行工具cron的具体使用及简单介绍。 新增调度任务推荐使用crontab -e命令添加自定义的任务（编辑的是/var/spool/cron下对应用户的cr
  • Yii assets目录生成及修改 dcj3sjt126com yii
    assets的作用是方便模块化，插件化的，一般来说出于安全原因不允许通过url访问protected下面的文件，但是我们又希望将module单独出来，所以需要使用发布，即将一个目录下的文件复制一份到assets下面方便通过url访问。 assets设置对应的方法位置 \framework\web\CAssetManager.php   assets配置方法 在m
  • mac工作软件推荐 dcj3sjt126com mac
    mac上的Terminal + bash ＋ screen组合现在已经非常好用了，但是还是经不起iterm＋zsh＋tmux的冲击。在同事的强烈推荐下，趁着升级mac系统的机会，顺便也切换到iterm＋zsh＋tmux的环境下了。 我为什么要要iterm2 切换过来也是脑袋一热的冲动，我也调查过一些资料，看了下iterm的一些优点： * 兼容性好，远程服务器 vi 什么的低版本能很好兼
  • Memcached(三)、封装Memcached和Ehcache frank1234 memcachedehcachespring ioc
    本文对Ehcache和Memcached进行了简单的封装，这样对于客户端程序无需了解ehcache和memcached的差异，仅需要配置缓存的Provider类就可以在二者之间进行切换，Provider实现类通过Spring IoC注入。 cache.xml <?xml version="1.0" encoding="UTF-8"?>
  • Remove Duplicates from Sorted List II hcx2013 remove
    Given a sorted linked list, delete all nodes that have duplicate numbers, leaving only distinct numbers from the original list. For example,Given 1->2->3->3->4->4->5,
  • Spring4新特性——注解、脚本、任务、MVC等其他特性改进 jinnianshilongnian spring4
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • MySQL安装文档 liyong0802 mysql
      工作中用到的MySQL可能安装在两种操作系统中，即Windows系统和Linux系统。以Linux系统中情况居多。   安装在Windows系统时与其它Windows应用程序相同按照安装向导一直下一步就即，这里就不具体介绍，本文档只介绍Linux系统下MySQL的安装步骤。   Linux系统下安装MySQL分为三种：RPM包安装、二进制包安装和源码包安装。二
  • 使用VS2010构建HotSpot工程 p2p2500 HotSpotOpenJDKVS2010
    1. 下载OpenJDK7的源码：      http://download.java.net/openjdk/jdk7      http://download.java.net/openjdk/      2. 环境配置     ▶
  • Oracle实用功能之分组后列合并 seandeng888 oracle分组实用功能合并
    1       实例解析 由于业务需求需要对表中的数据进行分组后进行合并的处理，鉴于Oracle10g没有现成的函数实现该功能，且该功能如若用JAVA代码实现会比较复杂，因此，特将SQL语言的实现方式分享出来，希望对大家有所帮助。如下： 表test 数据如下： ID,SUBJECTCODE,DIMCODE,VALUE 1&nbs
  • Java定时任务注解方式实现 tuoni javaspringjvmxmljni
    Spring 注解的定时任务，有如下两种方式： 第一种： <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans"  xmlns:xsi="http
  • 11大Java开源中文分词器的使用方法和分词效果对比 yangshangchuan word分词器ansj分词器Stanford分词器FudanNLP分词器HanLP分词器
    本文的目标有两个： 1、学会使用11大Java开源中文分词器 2、对比分析11大Java开源中文分词器的分词效果 本文给出了11大Java开源中文分词的使用方法以及分词结果对比代码，至于效果哪个好，那要用的人结合自己的应用场景自己来判断。 11大Java开源中文分词器，不同的分词器有不同的用法，定义的接口也不一样，我们先定义一个统一的接口： /** * 获取文本的所有分词结果, 对比
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他