JBuilder2005+JBOSS+Oracle9i环境配置

本文介绍在Windows XP环境下配置JBuilder 2005、JBoss 4.0和Oracle 9i的J2EE开发环境。包括安装SDK、JBOSS,设置环境变量,在JBuilder中配置JBoss,在JBoss中配置Oracle 9i数据源并测试,最后运行JBoss测试连接数据库。
  Borland JBuilder 是一个非常方便的Java IDE 开发工具,而JBoss 则是一个很好的开源应用服务器,Oracle 9i是优秀的企业级数据库。下面就介绍在Windows XP环境下来配置JBuilder 2005、JBoss 4.0和Oracle9i 的J2EE开发环境。

  1.安装 SDK 到 D:/j2sdk1.4.2_06;方法为:双击执行
下载的 j2sdk-1_4_2_06-windows-i586-p.exe 文件,选择安装目录为 D:/j2sdk1.4.2_06,其它默认即可。

  2.安装JBOSS,方法为:将下载的 jboss-4.0.1RC1.zip 文件解压到任意一个目录,如 D:/jboss4.0,在此文件夹下有一系列的文件和文件夹。即将 JBOSS 安装到了 D:/jboss4.0目录中。

  3、设置环境变量,在 winxp 下方法为,在桌面上右键点击“我的电脑”,选择属性,然后在弹出的页面上点“高级” -> “环境变量”,然后在弹出的页面中“系统变量”下点击“新建”,然后在弹出的窗口中“变量名 (N)”
输入“ JAVA_HOME ”,在“变量值 (V) ”一栏中输入“D:/j2sdk1.4.2_06 ”。JBOSS_HOME 值为:D:/jboss4.0 ,添加Path:“D:/j2sdk1.4.2_06/bin; D:/jboss4.0/bin ”

  4、在JBuilder中配置JBoss,选择Tools的Config servers,然后选择JBoss3+,选中Enable server,指定Home Directory即可。

  5、在JBoss中配置Oracle9i数据源并测试, Oracle以它的运行稳定和可靠成为了一个非常受欢迎的企业级数据库。要在Jboss 上配置使用Oracle的话我们要做的第一件事就是把Oracle的JDBC驱动程序复制到ClassPath下。我们把这个JDBC驱动程序(classes111.zip和classes12.zip)复制到server/default/lib目录下。为了使用Oracle的事务处理数据源我们还要把/docs/examples/jca/
oracle-xa-ds.xml复制到/server/default/deploy目录下。如果使用的事非事务处理的数据源,就把/docs/examples/jca/oracle-ds.xml文件复制到/server/default/deploy目录下。

  下一步,我们需要修改oracle-ds.xml配置文件。修改部分如下:

<datasources>

<local-tx-datasource>

<jndi-name>OracleDS</jndi-name>

<connection-url>jdbc:oracle:thin:@localhost:oradb</connection-url>

<driver-class>oracle.jdbc.driver.OracleDriver</driver-class>

<user-name>hrms</user-name>

<password>hrms</password>
<exception-sorter-class-name>org.jboss.resource.adapter.jdbc.vendor.OracleExceptionSorter
</exception-sorter-class-name>

<metadata>

<type-mapping>Oracle9i</type-mapping>

</metadata>

</local-tx-datasource>

</datasources>

  下面就来运行JBoss测试连接数据库:

  步骤如下:“jboss安装目录/server/default/deploy”中新建文件夹db_test.war,在db_test.war中新建index.jsp,内容如下:

<%@ page

language="java"

contentType="text/html; charset=gb2312"

pageEncoding="GBK"

%>

<%@ page import="java.sql.*, javax.sql.DataSource, javax.naming.InitialContext" %>

<h3>测试JBOSS连接Oracle 9i数据库</h3>

<h3>Test Oracle Database</h3>

<%

InitialContext ctx = new InitialContext();

DataSource ds = (DataSource) ctx.lookup("java:/OracleDS");

Connection conn = ds.getConnection();

Statement stmt = conn.createStatement();

ResultSet rs = stmt.executeQuery("SELECT TO_CHAR(SYSDATE,'YYYY-MM-DD HH24:MI:SS') FROM DUAL");

while ( rs.next() ) {

out.println( rs.getString(1) + "<br>");

out.println( "My name is Justinchen<br>");

}

conn.close();

%>

  在db_test.war中新建文件夹WEB-INF,其中有两个文件jboss-web.xml和web.xml,其中jboss-web.xml内容如下:

<jboss-web>

</jboss-web>

  而web.xml内容如下:

<?xml version="1.0"?>

<!DOCTYPE web-app PUBLIC

"-//Sun Microsystems, Inc.//DTD Web Application 2.3//EN"

"http://java.sun.com/dtd/web-app_2_3.dtd">

<web-app></web-app>

  访问http://localhost:8080/db_test,成功后表示和数据库正常连接了。
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