数据库学习笔记–Application Design and Development(1)

本文介绍了Web应用的基本架构,包括客户端与服务器端的工作流程。重点讨论了客户端脚本的作用及限制,以及服务器端三层架构的运作原理。

Web Fundamentals

今天的鱼我烧失败了,幸好还看了点书,这是数据库系统概念的第8章,看了就写下来吧。属于扫盲级别的。现在的数据库系统,其实很少有用户直接写SQL访问数据库的,通常的做法都是通过界面间接访问的,终端用户根本不需要数据库的知识,而且现在大多数的界面都是Web界面,用户通过HTTP访问。在这个过程中有两个方面,客户端和服务器端。以eBay来说,客户端就是用户的浏览器,服务器端就是eBay的Web Server啦,用户用浏览器通过HTTP协议访问eBay站点,eBay传回HTML给客户浏览器。HTML其实就是文本文件,在IE中选择查看->源文件(如果是Firefox,点查看-页面源代码),就可以看见。我们看这样一个在eBay上搜索"ipod nano"后的URL:

  http://search.ebay.com/search/search.dll?from=R40&_trksid=m37&satitle=ipod+nano

URL就是Uniform Resource Locator,它是在网上唯一定位资源的一种方式,它由3部分组成,第一部分http表示使用的协议是HTTP,第二部分search.ebay.com表示作为Web Server的机器名字,剩下的部分就是资源标识符以及参数。可以看到其实用户所作的选择,在这个例子里面就是用户的输入"ipod nano",被合成到URL的第3部分发送出去了。这其实就是HTTP中浏览器将用户响应传回服务器的一种方式,叫get方法,另一种方法是post。上面的URL从逻辑上说就是用户问eBay要ipod nano的搜说结果,我们叫它 Search Result Page。

但是我们注意到,如果每次用户有一点点操作,我们都要传回服务器操作的话,一是对服务器压力大,二是网络传输会降低相应速度,页面响应速度是考察用户体验很重要的一个指标。比如有些简单的Validation操作,比如要求用户密码至少6位而且必须有数字,字母组合且必须大小写字母都使用到…这种事情根本不需要提交服务器,在客户端完成就可以了。于是客户端脚本就诞生了,client side scripting就是要赋予HTML在客户端执行代码的能力。Applets, Javascript就是这样一种语言,他们可以嵌在静态页面里面,由客户端浏览器执行,这样静态页面就有点“活”的感觉了,因为他们能在客户端和用户进行简单的交互了嘛。但是有一个前提,就是绝对不能滥用权力,不能用这种权利在客户机器上做坏事!所以所有这类Script都有如下3个限制:

  1. 不能访问客户端机器上的本地文件。
  2. 无权执行客户端机器上的系统程序。
  3. 无权从客户端机器向其他机器发起网络连接。

现在我们知道HTML其实就是一种文本,浏览器拿到HTML后,第一步是理解它,通常浏览器会把页面读入内存,用DOM(Document Object Model,就是一种树结构)方式存储。Java Script还可以动态改变DOM中的数据结构,比如要求用户添表的时候,按回车就自动添加一行的效果…

从概念上说,服务器端是一个3层结构:

image

Web server得到用户请求,根据不同的用户请求调用App Server中不同的服务,App server会实现业务逻辑,包括访问数据库,然后把结果返回Web server,最后由Web server把相应以HTML发回给客户。但是大多数情况是Web server和app server是做在一起的,Web server其实是一层http layer,这也就是经典的二层架构,换句话说,app server中的服务是在web server内运行的:

image

12点一刻了,很困了,画这两张图真麻烦,下一回详细讨论这个二层架构。

 

 

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
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