`
jiopi
  • 浏览: 32145 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

JIOPi v0.3类加载模型

阅读更多

JIOPi v0.3的类加载模型在延续JIOPi v0.2 蓝图初现 的基础上,增加了对CommonLib的加载支持,以及对配置文件重定义和特殊变量修改的支持。

 

CommonLib支持

模块化系统并不能解决所有的问题,因为有些问题必须使用传统的Java类库模式来解决,因此JIOPi提供了CommonLib的支持,即一个模块的实现可以按传统Java开发模式,在lib中引入现有的第三方类库,比如Log4j,JIOPi容器保证在一个运行时环境,相同的CommonLib的Jar(文件名相同)只会被加载一次,即使这个Jar被放在了Context的lib中。

 

Jar依赖问题的解决

由于传统Java类库的开发不是按照模块化系统来做的,因此JIOPi容器无法自动解决Jar的依赖冲突。为了避免依赖冲突,JIOPi提出了ComonLib Group的概念,由用户来保证一个Group内的Jar包不应出现任何依赖冲突,并且一个模块在使用CommonLib时,必须从同一个Group中引入Jar包

 

本地文件夹配置

无论是模块,还是CommonLib,都可能需要用到本地文件系统,这一般是通过properties文件或xml文件来配置的,如log4j.xml,为了体现JIOPi的实现类细节忽略思想,JIOPi提供了对这两类文件进行内容替换的特性,可使用变量来配置相对路径,具体参见 http://jiopi.iteye.com/blog/682454 文中的配置文件说明片段

 

替换的规则是这样的,首先查找申请的文件,如log4j.xml,如果找到,则尝试查找同名的.jiopi结尾的文件,如log4j.xml.jiopi,如果找到,则将内面的预制变量进行替换,重命名后返回,以确保程序拿到的是已经被替换过内容的配置文件

 

配置文件覆盖

配置文件覆盖是指允许从Context中替换运行时所需的配置文件,从Context中读取的配置文件不会做任何内容替换,因为Context环境必然知道本地文件系统的情况

模块

模块环境中配置文件的替换规则是 在 Context中放置一个这样的文件:

origin_file.jiopi.module_name

如果存在,则系统查找匹配的版本,从最匹配的开始找起,如 origin_file.jiopi.module_name.1.0.0.0

然后 origin_file.jiopi.module_name.1.0.0

如果都不存在,则返回 origin_file.jiopi.module_name

返回时会自动改名,避免资源的请求文件名和返回的文件名不一致的问题

 

CommonLib

CommonLib的替换查找是查找 origin_file.jiopi.pool_name.group_name文件

其中pool_name是在jiopi.properties文件中配置的

0
2
分享到:
评论

相关推荐

    一个简单的java游戏.zip

    《一个简单的Java游戏.zip》是一个专为学习目的设计的Java小游戏资源包。它包含了完整的源代码和必要的资源文件,适合初学者通过实战练习提升编程技能。该项目展示了如何使用Java的图形用户界面(GUI)库创建游戏窗口,并实现基本的游戏逻辑和交互功能。该游戏项目结构清晰,包括了多个类和文件,每个部分都有详细的注释,帮助理解代码的功能和逻辑。例如,Block类用于定义游戏中的基本元素,如玩家和障碍物;CreateGame类则是游戏的主要控制类,负责初始化游戏窗口、处理用户输入以及更新游戏状态等。此外,该资源包还演示了如何绘制游戏元素、处理事件驱动编程以及多线程的应用,这些都是游戏开发中的重要概念。通过运行和修改这个小游戏,用户可以深入了解Java编程的基础知识,并培养解决实际问题的能力。总之,《一个简单的Java游戏.zip》是一个理想的学习工具,无论是对于初学者还是有一定经验的开发者来说,都可以通过这个项目获得宝贵的实践经验。

    基于SSM的智慧中医诊所管理系统(前后端代码)

    基于SSM的智慧中医诊所管理系统(前后端代码)

    chromedriver-win64-133.0.6835.0

    当前版本是133.0.6835.0 ChromeDriver 是 Selenium WebDriver 用于控制 Chrome 的独立可执行文件。此扩展程序由 Chromium 团队在 WebDriver 贡献者的帮助下进行维护。如果您不熟悉 Selenium WebDriver,则应访问 Selenium 网站。 请按以下步骤设置测试,以便与 ChromeDriver 一起运行: 确保 Chromium/Google Chrome 安装在可识别的位置 ChromeDriver 希望你将 Chrome 安装到适用于您的平台的默认位置。你还可以通过设置特殊功能强制 ChromeDriver 使用自定义位置。 在本网站的下载部分,下载适用于您平台的 ChromeDriver 二进制文件 帮助 WebDriver 找到已下载的 ChromeDriver 可执行文件

    GM后台包站系统+码支付+代理系统+优化版管理后台+84款某站GM游戏

    Linux系统,建议7.0以上 1.安装宝塔 2.安装环境,Nginx 1.14或1.6,MySQL 5.5或5.6,php 5.6以上 建议7.2 3.添加网站,上传源码到网站根目录,修改源码IP和数据库密码,system/data.php,ht/config.php 4.导入数据库文件,首页输入的你的IP或域名即可,后台输入你的IP/ht即可。

    C#ASP.NET基于Bootstrap后台程序员工具集源码数据库 其他源码类型 WebForm

    ASP.NET基于Bootstrap后台程序员工具集源码 这是一套基于.net 4.0 web + bootstrap + admin后台框架模板,界面十分的美观大方 该源码的功能介绍如下: (1)登录主页面。 (2)漂亮管理后台框架集成。 (3)http post get 测试工具。 (4)中文转全拼、简拼。 (5)微信调试工具:文本、菜单点击、关注、取消关注、图片、链接。 (6)多种加解密:Des加密、Des界面、SHA加密、MD5、SHA64等。 (7)insert 语句核对工具。 注意事项 1、开发环境为Visual Studio 2010,无数据库,使用.net 4.0开发。 2、该源码比较适合二次开发使用或者学习交流。

    通过安装安卓端的autoxjs,执行本项目的脚本,实现自动监测大麦,自动抢演唱会门票项目资源I.zip

    通过安装安卓端的autoxjs,执行本项目的脚本,实现自动监测大麦,自动抢演唱会门票项目资源I

    用CALY频率偏移(CFO)绘制了OFDM子载波的灵敏度图 matlab代码.rar

    1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    关于雷达系统中目标航迹的检测前跟踪(TBD)matlab代码.rar

    1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    毕业设计&课设_Python 3.6 下推荐算法解析,含多种算法原理,有示例及预测任务,含相关文件.zip

    该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过严格测试运行成功才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。

    基于图最优传输的法律案例匹配模型及其解释性分析

    内容概要:本文提出了一个名为GEIOT-Match的新型图最优传输(GOT)方法,用于法律案例匹配。该模型构建了一个异构图来表示法律案件的半结构化性质以及与法律法规的相关性,从而实现案件之间的匹配预测及解释。具体来说,通过提取配对法律案例子图中的理性依据并进行对齐,利用逆向最优传输(IOT)模型从配对案例中提取理性依据,最终生成自然语言解释。实验结果表明,GEIOT-Match不仅在匹配准确性方面优于现有基线模型,还能提供合理的解释。 适合人群:从事法律信息化研究的技术人员、数据科学家和研究人员。 使用场景及目标:适用于需要精确匹配和解释的法律信息系统,旨在提高法律判决的公平性和公正性。 其他说明:本文还讨论了模型的时间复杂度和实际部署的可能性,表明该模型在保持有效性和可解释性的同时,具有较高的效率,适合大规模应用。

    基于百度飞桨PaddleOCR的C++代码修改并封装的.NET的OCR工具本地类库,可离线使用 包含文本识别、文本检测、表格识别

    PaddleOCRSharp是一个基于百度飞桨PaddleOCR的C++代码修改并封装的.NET的OCR工具本地类库,可离线使用。包含文本识别、文本检测、表格识别功能。本项目针对小图识别不准的情况下做了优化,比飞桨原代码识别准确率有所提高。 包含总模型仅8.6M的超轻量级中文OCR,单模型支持中英文数字组合识别、竖排文本识别、长文本识别。同时支持多种文本检测。

    .f2812.cuid

    .f2812.cuid

    Docker安装教程.docx

    docker安装

    航天器姿态估计用单目图像数据集的生成与验证

    内容概要:本文提出了一种基于光线追踪的方法来生成高保真的太空合成图像数据集,用于解决航天器相对姿态估计问题。作者开发了一个工具链,利用POV-Ray开源软件生成了多个背景场景(如地球大气层和无大气层天体)下的高质量太空飞船图像,并通过与现有的SPEED数据集进行对比验证了生成图像的真实性和准确性。 适合人群:从事航天器导航与控制研究的专业人士、计算机视觉领域的研究人员、机器学习算法开发者。 使用场景及目标:①训练并测试用于航天器近距离操作的视觉导航算法;②为未来具有高度自主性的任务提供技术支持。 其他说明:文中详细介绍了背景建模的技术细节,特别是对地球大气散射模型进行了优化,并提供了三种公开的数据集供研究社区下载使用。

    地球物理学双差伴随层析成像方法研究与应用

    内容概要:本文介绍了一种基于伴随层析成像技术的‘双差法’(double-difference)方法,用于地震波速度结构反演。这种方法通过构建站间差异测量来减少源签名和系统误差的影响。文章详细探讨了‘双差法’在理论和实际应用中的实施步骤,包括差分时间的计算、不适定性问题的缓解、以及灵敏度比较等内容。数值实验表明,相比于传统的绝对测量,‘双差法’提供了更高分辨率的结构信息。 适合人群:地球物理学家、地震学家、研究人员、地质工程专业的学生和从业人员。 使用场景及目标:本方法适用于需要高精度地层结构解析的研究,如地震活动监测、资源勘探、地壳结构研究等场景。目标是在减少噪声干扰的同时提高成像精度。 其他说明:文中还讨论了聚类分析和正则化方法的应用,以增强问题的稳定性并降低计算成本。同时,‘双差法’对源信号函数错误较为鲁棒,在某些情况下可以更好地分离时相。

    低噪声放大器LNA天线一体化设计-ADS CST工程

    根据低噪声放大器与天线一体化的拓扑结构和设计方案,设计了一款工作于2.1 - 2.9 GHz的低噪放天线一体化电路,利用ADS+CST对提出的设计进行仿真验证,结果显示噪声系数可达1dB左右,增益在13dB左右。值得说明的是,该结果并不是最优结果,读者可在此基础上再进行优化调试。

    14 同步带传动设计计算.rar

    1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    智能电网基于效用最大化的实时电价算法研究

    内容概要:本文提出了一个用于未来智能电网的需求侧管理(DSM)的新型实时电价算法。该算法通过对用户偏好及其电力消费模式进行建模来自动管理和优化各用户与能源供应商之间的互动,确保系统的总体效用最大化同时降低对能源提供商的成本负担。此外,模拟结果显示该算法不仅使消费者受益还能提升系统效率并确保总电能消耗低于发电能力。具体而言,本文首先通过选定合适的效益函数形式来分析用户的偏好的电能消费行为模型;其次提出分布式算法找到每个消费者的最佳能耗值以及能源供应商发布的价格;最后证明了所制定优化问题最优解的存在性和唯一性,并通过实验证明了该方法的有效性。适用于智能电网的研究和技术应用。 适用人群:电力行业研究人员,智能电网技术开发者,以及对智能电网和电力市场有深入兴趣的专业人士。 使用场景及目标:本文主要应用于电力行业内部,特别是针对电力供应方(如电力公司),旨在提供一种新的实时定价策略,促进电力使用的合理性及时段优化分配,提高电网整体运行效率。此外,也为广大居民提供了更加灵活多变的选择余地,在享受优质供电服务的同时有效节省家庭电费支出。 其他说明:本文提出的模型能够很好地处理用户私密信息的问题。

    基于深度生成模型与混合模型的聚类分析-利用Wasserstein GAN和VAE

    内容概要:本文介绍了一种新的聚类方法,该方法基于Wasserstein生成对抗网络(WGAN-GP)和变分自编码器(VAE),并通过高斯混合模型(GMM)作为先验来生成潜在变量。为了提高对离群点的鲁棒性,作者还提出了使用学生t分布混合模型(SMM)代替GMM的方法。这种方法不仅可以在没有监督的情况下生成逼真的样本,还能改进现有深度生成模型的稳定性和准确性。 适合人群:从事机器学习研究和应用的研发人员。 使用场景及目标:用于解决传统浅层聚类算法无法深入挖掘数据间复杂依赖关系的问题,提升模型对复杂高维数据的处理能力,尤其适用于需要在大量数据中找到隐藏模式的应用场景。 其他说明:实验部分对比了不同模型的效果,证明提出的方法在多项性能指标上均优于当前最先进的几种聚类方法。此外,针对不同的数据集进行了广泛的验证测试,结果显示无论是图像还是文本数据都能取得良好的表现。

    从 0 到 1 构建集群服务质量运营体系降低云成本.pdf

    从 0 到 1 构建集群服务质量运营体系降低云成本.pdf

Global site tag (gtag.js) - Google Analytics