Node.js-基本使用(一)

支付宝域名如何加入白名单(扫码老是弹窗) 支付宝扫码之后,遇到非支付宝官方网页,请确认是否继续访问弹窗,问题解决办法。本章教程提供解决办法,亲测有效。 阅读详情

Node.Js服务端工具的安装

1、Node.Js的下载地址
在这里插入图片描述
在这里插入图片描述
安装没什么好说的。。。。一直下一步下一步就行了
在这里插入图片描述

检验安装成功与否

先运行 cmd ,然后在控制台中输入

node --version

出现如图所示的版本号,即表示安装成功了
在这里插入图片描述
或者输入 node -v,如下图,也可以显示安装版本,查看是否安装成功
在这里插入图片描述

第一个应用

在桌面新建一个文件 为NodeJS
在这里插入图片描述
然后新建一个server.js文件

1. 引入 http 模块
 
var http = require('http');
2. 准备处理请求和响应的 service 函数,就像是 servlet 里的 doGet, doPost 方法。 
这个service函数做了两件事:
a. 设置返回代码200,以及返回格式为 text/plain
b. 返回内容是: Hello Node.js
 
function service(request, response) {
    response.writeHead(200, {'Content-Type': 'text/plain'});
    response.end('Hello Node.Js!');
}
3. 基于service函数来创建服务器
 
var server = http.createServer(service);
4. 服务器监听于8088端口
 
server.listen(8088);

完整代码

var http=require('http');
function service(request,response){
	response.writeHead(200,{'Content-Type':'text/plain'});
	response.end('Hello Node.Js!');
}
var server=http.createServer(service);
server.listen(8088);

先运行 cmd ,然后切换到server.js所在的文件夹
在这里插入图片描述
就启动了服务端,并运行刚才的server.js代码了。
注: 别把这个黑屏幕关闭了。关闭了浏览器上不能访问了

测试地址

访问地址进行测试:

http://127.0.0.1:8088/

测试结果

在这里插入图片描述

基于DRU-HVDC的构网型海上风电场环流机理仿真复现 本文介绍了基于DRU-HVDC的构网型海上风电场环流机理仿真模型的构建方法。主要内容包括: 完整的Simulink模型结构,包含主模型文件GFM_DRU_Main.slx和配置脚本GFM_DRU_Setup.m 系统参数设置,包括基础频率(20Hz)、电压基准值(690V)、功率基准值(2MVA)等 四种仿真场景配置:电压不平衡、相位不平衡、阻抗不平衡和频率不平衡 风力发电机(WT)子系统的详细构建步骤,包含电压源、输出阻抗和测量模块 变压器和DRU整流器的参数设置 该模型可用于研究构网型风电场的环流机理。 阅读详情

相关推荐

群晖NAS实战:Python项目部署全流程解析

本文详细解析了在群晖NAS上部署Python项目的完整流程。从开启SSH、选择连接工具,到通过套件中心一键安装Python3、配置pip及国内镜像源,再到上传项目、安装依赖、后台运行及排错,提供了清晰的避坑指南。旨在帮助用户将群晖NAS从存储设备转变为可执行自定义任务的智能服务器,实现自动化脚本、数据监控等应用。

weixin_29057163的博客 593

Hadoop 及 YARN 的高可用(HA)配置

机器节点名称:node1、node2、node3、 Linux:Centos6.9 上传 Hadoop 的配置 1.使用 hadoop 用户进入/home/hadoop/apps 目录下 2.上传安装文件并解压:tar -zxvf hadoop-2.6.0-cdh5.7.0.tar.gz 3.使用 root 用户创建软连接 ln -s /home/hadoop/apps/had...

kong 5444

2. Netty使用JSerialComm进行串口读取(二)

现在开始处理这些问题 第一个问题:串口读取超时异常一路传播到最后也没有处理。 ​ 第二个问题:即使处理了该异常,程序仍然退出,这不能满足一些实际使用要求需求。该问题与设置很长的读取超时时间没关系,无论多长到时间后总会退出。

s3c2410的博客 2463

Hadoop集群安装部署

hadoop集群的搭建

qq_48391148的博客 3855

高通平台Android稳定性调试笔记:手把手教你用T32、Crash Utility分析Kernel Panic与RAM Dump

本文详细介绍了高通平台Android内核崩溃的分析方法,包括使用T32 Simulator和Crash Utility工具链解析Kernel Panic与RAM Dump。从环境配置、dump文件预处理到高级调试技巧,手把手教你如何定位和解决Android系统崩溃问题,特别适用于MSM/SA8155平台的开发者。

weixin_42543046的博客 529

Gartner DSG数据安全治理 架构及解读

目录背景:架构图: 解释:英文解释:(自上而下)平衡业务与风险、威胁、合规之间的关系(5个维度之间的平衡)优先处理数据集制定安全策略实施安全工具策略配置同步从上到下,从需求调研开始实施数据安全治理。千万不要跨过数据摸底、治理优先级分析、制定治理整体策略,而直接从技术工具开始对数据安全进行治理。 先明确选择需要治理的对象,优先选择重要数据进行数据安全治理工作。可以通过数据梳理、分类分级等手段,完成数据资产盘点和筛选,在纷杂的数据中理清头绪。

锦慈的技术博客 7220

Hadoop安装(比较简单,适合刚入门的小伙伴)

本文介绍了Hadoop的安装,比较适合初学者,可以不用把时间浪费在这种无意义的安装上,把精力投入到实操环节

qq_63187057的博客 1266

Quartus II设计程序计数器PC、由PC产生ROM的地址(含仿真)

设计程序计数器PC,正常工作模式下,系统启动,设置PC的初始值,之后每来一个clk,PC的输出值应该增加1;当程序发生跳转时,PC的值应该发生改变,级将跳转的地址值赋进行输出。PC后端连接一个ROM,由PC来产生ROM的地址,仿真进行验证。

m0_73700621的博客 1817

MapReduce配置和Yarn的集群部署

MapReduce配置和Yarn的集群部署以及MapReduce程序运行示例

ichterry的专栏 1410

YOLO系列算法改进 | C2PSA改进篇 | 融合BinaryAttention二值化注意力 | 轻量化与效率双提升,适用于高分辨率图像检测与边缘部署场景 | CVPR 2026

YOLO系列算法改进 | C2PSA改进篇 | 融合BinaryAttention二值化注意力 | 轻量化与效率双提升,适用于高分辨率图像检测与边缘部署场景 | CVPR 2026 (以YOLO26最新目标检测模型为基础,利用C2PSA_BinaryAttention创新模块进行改进)

2502_91881744的博客 166

GD32F103 -- LIN从机通讯 -- 程序代码 (精简版)

注意!!!注意!!!这是GD32从机通讯!!!GD32!!!GD32!!!

晴朗luo的博客 2503

【Hadoop】- MapReduce & YARN的部署[8]

MapReduce和YARN的配置文件修改好后,需要分发到其他的服务器节点中。MapReduce运行在YARN容器内,无需启动独立进程。2、mapred-site.xml文件,添加如下配置信息。分发完成配置文件,就可以启动YARN的相关进程啦。有3台服务器,其中node1配置较高。即可查看YARN集群的监控页面。文件,添加如下环境变量。

weixin_63106307的博客 1815

OpenCloudOS9操作系统搭建Confluence8.2.1+Jira企业级WIKI

Atlassian Confluence是一个专业的企业知识管理与协同软件,可用于构建企业wiki

背锅神童的博客 1023

编程思维实战之JavaScript从入门到精通第7篇——JavaScript编程语言主运行环境Node简介一(Node.js的安装和使用)

编程思维实战之JavaScript从入门到精通第7篇——JavaScript编程语言主运行环境Node简介 另外一种执行JavaScript程序的方式是下载和安装Node,使用Node来运行JavaScript程序。在你的电脑系统上安装好Node应用程序后,就可以像在Windows上使用命令行一样方便来进行脚本编程了。不过,在Node上运行的是JavaScript的程序。 Node应用程序的下载地址,可参考Node下载地址。 1.Node应用程序的安装 下载好Node之后,打开本地硬盘上的Node应用程序文

浮生若梦,云游四方 244

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Node.js的基本使用(一)初识Node

Node.js是一个基于ChromeV8引擎的js运行环境官方地址httpsfs模块是Node.js官方提供的,用来操作文件的模块,提供了一系列的方法和属性,用来满足用户对文件的操作需求引入fs模块使用require指令来载入fs模块。...

qq_46258819的博客 435

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Node.js的使用(一)

1.Node.js的安装 首先先查看Ubuntu系统是否已经安装Node.js。 node -v #查看当前Node.js的版本 若没有再进行安装,可以通过以下两种方式进行安装。 从git仓库中获取 $ sudo git clone https://github.com/nodejs/node.git 修改目录权限: $ sudo chmod -R 755 node 使用 ./configure 创建编译文件: $ cd node $ sudo ./configure $ sudo make $

fjaljda的博客 241

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

在Debian 8上安装Node.js的方法

Node.js 是一个通用编程的 JavaScript 平台,允许用户快速构建网络应用程序。通过在前端和后端都使用 JavaScript,开发可以更加一致,并且可以在同一个系统中设计。在本指南中,您将在 Debian 8 服务器上安装 Node.js。Debian 8 包含一个版本的 Node.js 在其默认仓库中,但这个版本已经过时,因此您将探索两种方法在您的系统上安装最新版本的 Node.js。

rubys007的博客 2367

Node.js(一)——概览及使用

真的是简介 “一个基于 Chrome V8 引擎的 JavaScript 运行环境。” Node.js = 运行环境(浏览器➡️Node.js) + JavaScript库(I/O操作),阿里最先于使用其做线上大流量应用,以替代过去的PHP/Java Web。 要它干啥 做服务器: 框架 简介 Express 灵活的Web服务器开发框架 Koa 基础的企业级应用框架 ...

薛增辉的博客 271

在Node.js中使用RabbitMQ系列一 Hello world

在前一篇文章中可伸缩架构简短系列中提到过关于异步的问题。当时推荐使用RabbitMQ来做任务队列的实现方案。本篇文章以Node.js为例子,来实际操作如何和RabbitMQ进行交互。 介绍 RabbitMQ是一个消息代理。它最初的思想特别简单:接受并且转发消息。你可以将它想象为邮局:当你将邮件放到信箱中,你可以非常肯定快件员最终会将邮件交到接受人手中。你可以把RabbitMQ比喻为信箱、邮

雨燕的博客 1906

Node.js(一)概述、全局对象/函数、node各模块使用介绍

Node.js:概述、全局对象、全局函数、三种模块以及引入方式

商务合作 | 共同学习 | 携手共进 1692

node js使用 (一)

使用 nodejs服务器访问 本地的 js文件 首先在 node js 安装的文件中 创建 server.js文件 具体的 server.js 文件内容 如下:var http = require('http');http.createServer(function (request, response) { // 发送 HTTP 头部 // HTTP 状态值: 200 : O

青梅煮酒论英雄的博客 487

【 Node.js 教程(一)】安装、配置及初步使用

Node.js 是一个基于 Chrome V8 引擎的 JavaScript 运行时,它使用事件驱动、非阻塞 I/O 模型来构建轻量且高效的网络应用。2009 年:Ryan Dahl 开始开发 Node.js,最初是为了使 JavaScript 能够在服务器端运行。2010 年:第一个稳定版本 0.1.14 发布,随后发布了一系列的版本,改进了稳定性和性能。2011 年:Node.js 的社区开始发展壮大,并发布了 0.4 和 0.6 版本,增加了很多新功能和改进。

qq_45659165的博客 1934

一 使用Koa2创建Node.js项目

使用Koa创建Node.js项目一 环境准备二 开始 一 环境准备 Node,npm环境请自行安装,可参考其他文章,不再赘述 二 开始 1.安装koa2项目生成器 npm install koa-generator -g //-g为全局安装 2.创建一个名为test的Node项目 koa2 test 创建项目完成之后,文件目录如下: 使用编辑器打开创建的test项目,我这里使用的是vs code,项目全部内容如下,因为koa框架是Express的团队开发的,所以两个框架在整体上保持了一致,这里

shaopengjie的博客 663

Node.js学习(一)——Node.js的安装和express初步使用

Node.js学习(一)——Node.js的安装和express初步使用

flygoa的专栏 1674

Node.js 究竟是什么?

翻译:疯狂的技术宅 medium.freecodecamp.org/the-definit… 声明:未经允许,严禁转载 Node.js 是一个 JavaScript 运行时环境。听起来还不错,不过这究竟意味着什么?它又是如何运作的? Node 运行时环境包含执行 JavaScript 程序所需要的一切。 如果你了解 Java 的话,会发现它们有点像。 JavaScript 原来是只能在浏览器...

weixin_34041003的博客 162

node.js安装和模块简易使用(一)

什么是node.js ? 1.Node.js 是一个基于 Chrome V8 引擎的 JavaScript 运行环境 v8解析js是最快的 2.nodejs是让js运行在服务器端 nodejs里面的API大多数都是异步 服务器端的js和浏览器端的js有什么区别? 客户端的js三个组成部分 : DOM 文档对象模型 js操作网页内容的一套API BOM 浏览器对象模型 js操作浏览器页面的一套API ECMAScript 一套js语法的规范 for 服务端的js 只有ECMAScript 独立于浏览器运行的

qq_48445738的博客 184
上一篇: Linux系统部署jdk1.8
下一篇: NODEJS 如何获取参数
迷失的小鹿
博客等级 码龄8年 1万+粉丝 199原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值