java NIO 之 NIO与IO
Java NIO和IO的主要区别
IO NIO 面向流 面向缓冲 阻塞IO 非阻塞IO 无 Selector
面向流与面向缓冲
面向流:例如文件和程序之间有一个通道,像水流一样流动,分输入流和输出流
面向缓冲:例如文件和程序之间建立通道(Channel),就像铁路轨道,数据传输通过缓冲区,而且是双向的,程序将数据放到缓冲区 -》 缓冲区通过通道运输到文件 -》 文件从缓冲区中读数据 -》 读完数据缓冲区还得回来
通道:数据运输的通道
缓冲区:数据存储的位置
阻塞与非阻塞IO
Java IO的各种流是阻塞的。这意味着,当一个线程调用read() 或 write()时,该线程被阻塞,直到有一些数据被读取,或数据完全写入。该线程在此期间不能再干任何事情了。 Java NIO的非阻塞模式,使一个线程从某通道发送请求读取数据,但是它仅能得到目前可用的数据,如果目前没有数据可用时,就什么都不会获取。而不是保持线程阻塞,所以直至数据变的可以读取之前,该线程可以继续做其他的事情。 非阻塞写也是如此。一个线程请求写入一些数据到某通道,但不需要等待它完全写入,这个线程同时可以去做别的事情。 线程通常将非阻塞IO的空闲时间用于在其它通道上执行IO操作,所以一个单独的线程现在可以管理多个输入和输出通道(channel)。
选择器(Selectors)
其底层就是线程池,以前是一个线程对应一个通道,现在可以一个线程对应多个通道,实现多路复用。
Java NIO的选择器允许一个单独的线程来监视多个输入通道,你可以注册多个通道使用一个选择器,然后使用一个单独的线程来“选择”通道:这些通道里已经有可以处理的输入,或者选择已准备写入的通道。这种选择机制,使得一个单独的线程很容易来管理多个通道。
NIO和IO如何影响应用程序的设计
无论您选择IO或NIO工具箱,可能会影响您应用程序设计的以下几个方面:
- 对NIO或IO类的API调用
- 数据处理
- 用来处理数据的线程数
API调用
当然,使用NIO的API调用时看起来与使用IO时有所不同,但这并不意外,因为并不是仅从一个InputStream逐字节读取,而是数据必须先读入缓冲区再处理。
数据处理
要读取的数据如下:
Name: Anna Age: 25 Email: anna@mailserver.com Phone: 1234567890
IO读取数据
BufferedReader reader = new BufferedReader(new InputStreamReader(input)); String nameLine = reader.readLine(); String ageLine = reader.readLine(); String emailLine = reader.readLine(); String phoneLine = reader.readLine();
请注意处理状态由程序执行多久决定。换句话说,一旦reader.readLine()方法返回,你就知道肯定文本行就已读完, readline()阻塞直到整行读完,这就是原因。你也知道此行包含名称;同样,第二个readline()调用返回的时候,你知道这行包含年龄等。 正如你可以看到,该处理程序仅在有新数据读入时运行,并知道每步的数据是什么。一旦正在运行的线程已处理过读入的某些数据,该线程不会再回退数据(大多如此)。
NIO读取数据
ByteBuffer buffer = ByteBuffer.allocate(48); int bytesRead = inChannel.read(buffer);
注意第二行,从通道读取字节到ByteBuffer。当这个方法调用返回时,你不知道你所需的所有数据是否在缓冲区内。你所知道的是,该缓冲区包含一些字节,这使得处理有点困难。
假设第一次 read(buffer)调用后,读入缓冲区的数据只有半行,例如,“Name:An”,你能处理数据吗?显然不能,需要等待,直到整行数据读入缓存,在此之前,对数据的任何处理毫无意义。
解决方法:检查几次缓冲区的数据
ByteBuffer buffer = ByteBuffer.allocate(48); int bytesRead = inChannel.read(buffer); while(! bufferFull(bytesRead) ) { bytesRead = inChannel.read(buffer); }
bufferFull()方法必须跟踪有多少数据读入缓冲区,并返回真或假,这取决于缓冲区是否已满。换句话说,如果缓冲区准备好被处理,那么表示缓冲区满了。
bufferFull()方法扫描缓冲区,但必须保持在bufferFull()方法被调用之前状态相同。如果没有,下一个读入缓冲区的数据可能无法读到正确的位置。这是不可能的,但却是需要注意的又一问题。
用来处理数据的线程数
NIO
NIO可让您只使用一个(或几个)单线程管理多个通道(网络连接或文件),但付出的代价是解析数据可能会比从一个阻塞流中读取数据更复杂。
如果需要管理同时打开的成千上万个连接,这些连接每次只是发送少量的数据,例如聊天服务器,实现NIO的服务器可能是一个优势。同样,如果你需要维持许多打开的连接到其他计算机上,如P2P网络中,使用一个单独的线程来管理你所有出站连接,可能是一个优势。
IO
如果你有少量的连接使用非常高的带宽,一次发送大量的数据,也许典型的IO服务器实现可能非常契合。
NIO底层原理
NIO设计思想就是为了节省线程资源,像Selecter可以管理多个channel,使用观察者模式,讲多个channel注册到Selecter仲,当事件发生,就根据selectionKey找到对应的Channel,然后拿到数据。
NIO内容同时使用了线程池。
相关推荐
A级景区数据文件json
python 使用Java编写的坦克大战小游戏.zip学习资料
项目资源包含:可运行源码+sql文件+; python3.7+flask+spark+mysql5.7+vue 适用人群:学习不同技术领域的小白或进阶学习者;可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 项目具有较高的学习借鉴价值,也可拿来修改、二次开发。 有任何使用上的问题,欢迎随时与博主沟通,博主看到后会第一时间及时解答。 系统是一个很好的项目,结合了后端服务(flask)和前端用户界面(Vue.js)技术,实现了前后端分离。 后台路径地址:localhost:8080/项目名称/admin/dist/index.html 前台路径地址:localhost:8080/项目名称/front/index.html
1.执行setup64.bat注册com组件。文件是64位系统,如果是32位系统请自行修改(C:\Windows\System32) 2.程序目标框架改为.net4,否则报错。
内容概要:本文档主要讲解了使用不同编程语言在控制台绘制爱心图形的方法,特别提供了Python语言的具体实现代码。其中包括了一个具体的函数 draw_heart() 实现,使用特定规则在控制台上输出由星号组成的心形图案,代码展示了基本的条件判断以及字符打印操作。 适合人群:对编程有兴趣的学生或者初学者,特别是想要学习控制台图形输出技巧的人。 使用场景及目标:适合作为编程入门级练习,帮助学生加深对于控制流、字符串处理及图形化输出的理解。也可以作为一个简单有趣的项目用来表达情感。 阅读建议:建议读者尝试动手运行并修改代码,改变输出图形的颜色、大小等特性,从而提高对Python基础语法的掌握程度。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。
AI's prompts
EigenCAM for YOLO V8 可解释性用于在新的 YOLO V8 模型上应用 EigenCAM 的软件包。只需克隆软件包并导入模块即可开始使用。其基本结构接近Jacob Gil 的 AI 可解释性软件包,经过修改后可用于 YOLO V8 模型。使用案例它目前可用于 YOLO V8 分类和对象检测模型。将添加对其他任务的支持。您还可以发送拉取请求以为其添加更多功能。什么是 EigenCAMEigenCAM 是一种涉及计算神经网络中 2D 激活的第一个主成分的技术,不考虑类别区分,并且已被发现能产生有效的结果。图像灰度热图物体检测 分类 分割 综合物体检测 分类 分割 物体检测模型分类模型分割模型入门只需克隆此存储库或下载 yolo_cam 文件夹即可。你必须将 yolo_cam 文件夹放在与笔记本相同的位置首先导入库from yolo_cam.eigen_cam import EigenCAMfrom yolo_cam.utils.image import show_cam_on_image, scale_c
彩蝶ARP防火墙,很好用!不过只能在XP系统安装!
前端/后端/AI/运维/全栈工程师 常用工具 2024年最新版
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。
研究报告
行业研究报告、行业调查报告、研报
Tensorrt YOLOv8 的简单实现B站教学视频https://www.bilibili.com/video/BV1Pa4y1N7HS介绍基于Tensorrt加速Yolov8,本采用项目ONNX转Tensorrt方案支持Windows10和Linux支持Python/C++YOLOv8环境Tensorrt 8.4.3。Cuda 11.6 Cudnn 8.4.1onnx 1.12.0快速入门安装yolov8仓库,并下载官方模型。pip install ultralytics==8.0.5pip install onnx==1.12.0# download offical weights(".pt" file)https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt使用官方命令导出ONNX模型。yolo mode=export model=yolov8n.pt format=onnx dynamic=False使用本仓库v8_transf
对象检测端到端框架#Darknet# Darknet 是一个用 C 和 CUDA 编写的开源神经网络框架,速度快,安装简单,支持 CPU 和 GPU 计算。欲了解更多信息,请参阅Darknet 项目网站。如有任何疑问或问题,请使用Google Group。#关于此分叉#这个 fork 存储库除了 pjreddie 当前的 darkenet 之外,还添加了一些额外的功能。例如(1).读取视频文件,进行处理,并输出带有边界框的视频。(2). 一些实用函数,例如 image_to_Ipl,将来自 darknet 的图像转换回来自 OpenCV(C) 的 Ipl 图像格式。(3). 添加一些python脚本来标注我们自己的数据,并通过darknet将标注预处理为所需的格式。...更多内容待添加这个分支存储库说明了如何使用我们自己的数据和我们自己的类来训练定制的神经网络。该过程记录在 README.md 中。#使用我们自己的数据训练的 YOLO 演示#电视https://www.youtube.com/watch?v=t4_O5Cs7uRM#
道路机器人识别交通灯,马路,左右转,黄线,人行道,机器人等路面导航标志识别-使用yolov8标记
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。
代码地址https://github.com/Sharpiless/yolov5-knowledge-distillation教师模型python train.py --weights weights/yolov5m.pt \ --cfg models/yolov5m.yaml --data data/voc.yaml --epochs 50 \ --batch-size 8 --device 0 --hyp data/hyp.scratch.yaml 酒精训练python train.py --weights weights/yolov5s.pt \ --cfg models/yolov5s.yaml --data data/voc.yaml --epochs 50 \ --batch-size 8 --device 0 --hyp data/hyp.scratch.yaml \ --t_weights yolov5m.pt --distill训练参数:--weights预训练模型
行业研究报告、行业调查报告、研报