Tomcat学习笔记1

目录结构

bin执行目录:sh文件liux上的,bat文件windows上的

lib:依赖的jar

conf:catalina.policy 权限相关 Permission Tomcat是跑在jvm上的,所以有 些默认的权限。

server.xml: Server节点->Service ->Executor(线程池)Connector连接器

Connector连接器 用线程池的话,connector里面的maxThreads是无效   的。

Executor (线程池)maxThreads 不设置的话一般是默认200

web.xml:DefaultServlet默认的,加载静态文件 html,js,jpg等静态文件。

JspServlet专门处理jsp

mime-mapping 文件类型,其实就是Tomcat处理的文件类型。

日志

catalina.xxxx.log 我们的Tomcat有问题,启动不了找这个文件

三种部署方式

隐式部署:webapps目录下

显式模式:

1server.xml中的Host加入一个Context(指定路径和文件地址)

2)conf/Catalina/localhost中创建xml文件(热部署),访问路径为文件    

Tomcat的架构

两大核心组件

Connector组件:连接器,主要负责Tomcat与客户端的通讯

Container组件:Servlet容器

一个请求的处理流程

httpConnector就是链接器

httpProcessor是具体的处理类

Container是容器(servlet)

 

 

下载源码(8.0版本):

http://mirrors.hust.edu.cn/apache/tomcat/tomcat-8/v8.0.53/src/apache-tomcat-8.0.53-src.zip

安装百度下:https://www.jb51.net/article/95120.htm

 

Tomcat启动步骤

Bootstrap -> catalina -> server -> service -> connectorcontainer

 

初次看源码建议看到service即可(StandardService)

 

             Tomcat Server处理一个HTTP请求的过程

Tomcat Server处理一个HTTP请求的过程

1、用户点击网页内容,请求被发送到本机端口8080,被在那里监听的Coyote HTTP/1.1 Connector获得。 

2Connector把该请求交给它所在的ServiceEngine来处理,并等待Engine的回应。 

3Engine获得请求localhost/test/index.jsp,匹配所有的虚拟主机Host 

4Engine匹配到名为localhostHost(即使匹配不到也把请求交给该Host处理,因为该Host被定义为该Engine的默认主机),名为localhostHost获得请求/test/index.jsp,匹配它所拥有的所有的ContextHost匹配到路径为/testContext(如果匹配不到就把该请求交给路径名为“ ”Context去处理)。 

5path=“/test”Context获得请求/index.jsp,在它的mapping table中寻找出对应的ServletContext匹配到URL PATTERN*.jspServlet,对应于JspServlet类。 

6、构造HttpServletRequest对象和HttpServletResponse对象,作为参数调用JspServletdoGet()或doPost().执行业务逻辑、数据存储等程序。 

7Context把执行完之后的HttpServletResponse对象返回给Host 

8HostHttpServletResponse对象返回给Engine 

9EngineHttpServletResponse对象返回Connector 

10ConnectorHttpServletResponse对象返回给客户Browser

 

内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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