jdk 发布 webservice

 

本文为原创:

 

1.web.xml:配置ws发布的服务器IP或域名,以及servlet

 

 <context-param>
  <param-name>host</param-name>
  <param-value>192.168.1.123</param-value>
 </context-param>
 <servlet>
  <description>This is the description of my J2EE component</description>
  <display-name>My J2EE component</display-name>
  <servlet-name>MainServlet</servlet-name>
  <servlet-class>com.free.app.servlet.MainServlet</servlet-class>
  <load-on-startup>0</load-on-startup>
 </servlet>

 <servlet-mapping>
  <servlet-name>MainServlet</servlet-name>
  <url-pattern>/servlet/MainServlet</url-pattern>
 </servlet-mapping>

 

2.servlet设置

public class MainServlet extends HttpServlet {
 private static final long serialVersionUID = 1L;

 @Override
 public void init() throws ServletException {
  super.init();
  
  ServletContext sc = this.getServletContext();
  String host = sc.getInitParameter("host");
  
  IBussService ws = new BussService();
  Endpoint.publish("http://" + host + "/ws/bussService", ws);
 }

........................

}

 

3.ws实现类

@WebService
public class BussService implements IBussService{
 
 @Override
 @WebMethod
 public String test(String xml) throws Exception {
  
  System.out.println("参数="+xml);
  return Common.succMsg;
 }

}

 

4.xfire调用wsdl

import java.net.URL;

import org.codehaus.xfire.client.Client;

 

public Object[] invoikWS(String url, String method, Object[] params) throws Exception {
  Client client = null;
  client = new Client(new URL(url));
  Object[] result = client.invoke(method, params);
  return result;
 }

 

 

 

 

  

 

 

WebService(jdk中的wsimport解析wsdl,jdk发布webservice) 学习webservice预备知识 (1)XML—Extensible Markup Language 扩展性标记语言 XML,用于传输格式化的数据,是Web服务的基础。 namespace-命名空间。 xmlns=“http://www.xr.com” 使用默认命名空间。 xmlns:xr=“http://www.xr.com”使用指定名称的命名空间。 (2)WSDL—WebService Des... 阅读详情

相关推荐

HDR视频技术之七:逆色调映射

HDR 技术说是继 4K 之后视频领域的又一次重大技术突破,不仅提高图像的动态范围,同时也提供了更宽的色域,并提升了画面在高光和暗部的细节信息,带给观看者更加真实的视觉体验。但作为 HDR 产业链的核心,内容短缺的问题仍然是 HDR 普及和成熟的重要限制因素。众多电视厂商将 HDR 技术作为其产品规划中的重要技术,主要是在硬件方面进行提升。而由于 HDR 内容制作对于设备要求较高,对采集、调色、显示等多方面都需要较高的质量要求,内容制作的复杂度和周期长等因素,导致了 HDR 内容的匮乏。

多媒体开发者 2425

使用Servlet发布WebService

首先感谢熔岩的文章: http://lavasoft.blog.51cto.com/62575/227988 1.Eclipse安装上tomcat插件,http://www.eclipsetotale.com/tomcatPlugin.html下载后解压者eclipse的plugin目录 2.建立一个WebService: package com.garfield.webservice...

weixin_34281537的博客 215

VMD分子可视化实战:5个隐藏技巧让你的科研图像秒变顶刊级别

本文深入探讨了VMD分子可视化软件在科研图像美化中的5个高阶技巧,旨在帮助研究者将分子结构图提升至顶刊级别。内容涵盖原子色彩与材质的艺术化定制、沉浸式分子环境构建、专业构图与视角控制、数据驱动的动态可视化以及自动化工作流建立,通过精细的色彩映射、光照调整、周期性边界展示和脚本自动化,显著增强图像的科学叙事性与视觉冲击力。

weixin_29240343的博客 421

使用JDK的方式发布WebService

使用JDK的方式发布WebService 一、创建服务端代码 1、首先创建一个接口 /** * WebService 的服务端 * * @author yao jun * @date 2019/6/12 8:30 */ public interface TestWSServiceInf { String ping(String hello); } 2、创建...

qq_35598594的博客 317

FME入门系列教程3-带你玩转GIS数据搬运与处理

FME(Feature Manipulation Engine)就像GIS界的"瑞士军刀",它能轻松解决90%的数据处理难题。我最初接触FME是因为要处理200多个不同格式的CAD地形图,传统方法需要1周时间,用FME只花了2小时!:支持300+数据格式(Shapefile、GeoJSON、CAD、Excel等)添加Reader(数据源):选择示例数据roads.shp。添加Writer(输出):设置输出为GeoJSON格式。:将常用流程保存为Template(.fmwt)

weixin_41234946的博客 1245

KEGG两类报错--①No gene can be mapped--②URL ‘https://rest.kegg.jp/link/hsa/pathway‘…

版本问题,重新安装一下clusterProfiler包。网络问题,可以等待之后再试一下(试过不是)(以上可以排除基因不存在的错误因素)

weixin_57699783的博客 2万+

使用JDK发布和调用webservice服务

1、使用JDK发布webservice服务 创建接口 package com.test.service; public interface WeatherService { /** * 查询指定城市的天气 * @param cityName 城市名称 * @return */ String queryWeather(String ci...

Yinyaowei的博客 1404

Logstash安装部署

1. 部署及安装所用的用户不能是root。

lmj3732018的博客 4294

【WebService】使用jdk发布webservice及调用

webservice开发---------如何使用jdk发布webservice及调用 第一次见到webservice时,懵,懵,懵,它是什么?主要功能是什么?怎么用?围绕着这些开始webservice学习之旅 一:简介 webService是一种跨编程语言和跨操作系统平台的远程调用技术;采用HTTP协议传输数据,采用XML格式封装数据(即XML中说明调用远程服务对象的哪个方法,传递的参数是什么,以及服务对象的返回结果是什么)。 比如,我们的应用上需要用到天气信息,我们可以调用互联网上查询天气的web

ooooooooooooooxiaosu的博客 782

VSCode 配置 Claude Code 插件的 4 步安装法与 3 类常见报错解决方案

介绍 VSCode 中 Claude Code 插件的 4 步可靠安装流程与 3 类高频报错(上下文丢失、认证失败、加载卡死)的根因分析和精准修复方案,聚焦文件上下文捕获机制、请求头注入要求及缓存失效逻辑,提供可验证的命令行操作与日志定位方法。

weixin_28728443的博客 497

SAP Retail 补货里的 Requirement Groups,站点和商品太多时,主数据维护如何做减法

SAP Retail补货主数据设计中,Requirement Groups(需求组)是常被低估但至关重要的分类机制。它通过将具有相同补货需求的接收方(如门店)按商品分类(Merchandise Category)分组,大幅降低主数据维护量。在大型零售场景中(如800家门店、6万商品),直接维护每个门店和商品的组合参数会导致维护量失控。Requirement Groups允许企业按品类特性(如乳制品、饮料等)为不同门店组设置统一补货参数,并随业务变化灵活调整。该机制与商品分类紧密绑定,不同于MRP Group

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 68

1、WebService利用JDK发布服务和引用服务

一、JDK发布服务 1.1在eclipse中新建JavaProject,用于发布服务,工程名:webservice_server_jdk Java工程 1.2创建com.qf.webservice包、IWeatherService接口、WeatherServiceImpl 实现类 IWeatherService 代码 package com.qf.webservice; public in...

weixin_43748519的博客 211

1 初识智能化测试

非常感谢您可以和我一起来聊一聊智能化测试的一些事。智能化测试是一个新鲜又老旧的问题,说新鲜是因为很多人当听到智能化测试都会联想到人工智能、机器学习、深度学习等高大上的技术,很多时候觉得离我们的实际工作还很远;说老旧,是因为智能化测试的一些技术的发展在行业里面已经很久了,例如符号执行、静态分析等技术已经有很长的历史了。近些年,随着测试技术的的飞速发展,智能化测试也有了越来越多的实践,优秀的开源项目慢慢的被行业推行并且落地。那么在这里我们就一起来聊聊智能化测试以及智能化测试好的思路、实践、方法以及技术落地过程。

Criss@陈磊 2626

使用jdk发布一个webService的服务

注意:用jdk_1.6.0_21以后的版本 在JDK1.6中JAX-WS规范定义了如何发布一个webService服务 JAX-WS是指Java Api for XML – WebService 与Web服务相关的类,都位于javax.xml.ws.*包中 主要类有: (1)@WebService 它是一个注解,用在类上指定将此类发布成一个webservice服务 * 类添加上@WebSer...

qq_44424498的博客 357

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")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

webservice使用JDK自带的jax-ws创建并发布一个简单的webservice

JDK自带的jax-ws创建并发布一个简单的webservice

zy_js的专栏 1114

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

JDK1.6 实现 WebService,并在tomcat下发布

1.打开eclipse创建一个maven项目 2.创建组ID与项目名称 3. 修改maven默认的JDK版本 选中项目名称-》单击鼠标右键-》选择Properties属性-》选择ProjectFacets属性: 将JAVA的版本改为1.6 选择Java Build Path属性-》点击Source 移除缺失的文件目录,然后新增这两个文件目录 4. 为项目添加Ser

debug0x的专栏 797

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

WebService(4)_标准JDK发布WebService

使用JDK原生发布WebService,十分方便快捷. 附上项目工程代码 WebService使用JDK发布... 接口 @WebService这个注解,说明该接口是一个WebService接口 package com.jdk.ws; import javax.jws.WebService; @WebService public interface HelloServic

Simba_cheng的博客 1159

jdk annotation发布webservice服务 及生成客户端调用代码

下面我们简要介绍如何通过jdk自带的注解发布webservice 首先新建一个Java project为jdkmodel_server 第一步:新建需要发布的接口HelloWorld.java,里面包含一个sayHello方法,其次写出这个接口的实现类实现sayHello方法,简要的打印输出结果 第二步:给接口和实现类加上相应的注解 @WebService表明此类发布为一个服务

杨杨得懿的博客 1829

WebService(二)jdk发布webservice服务

3.jdk发布webservice服务 注意:用Jdk1.6.0_21以后的版本发布一个WebService服务. 说明: 在JDK1.6中JAX-WS规范定义了如何发布一个webService服务。 JAX-WS是指Java Api for XML – WebService. 与Web服务相关的类,都位于javax.xml.ws.*包中。 主要类有: a)@W

sunxm1992的博客 433

WebService:JDK发布service

那么如何才可以发布一个WebService呢?          在JDK1.6中JAX-WS规范定义了如何发布一个webService服务。    JAX-WS是指Java Api for XML – WebService. 用Jdk1.6.0_21以后的版本发布一个WebService服务.与Web服务相关的类,都位于javax.jws.*包中。 主要类有: @WebSe

熊诗言的博客 600

使用JDK发布一个简单WebService

1.名词解析 WSDL – WebService Description Language – Web服务描述语言。 SOAP-Simple Object Access Protocol(简单对象访问协议)。 SOA- service-oriented architecture  面向服务的架构。 2.发布一个WebService服务类的前提:    1.JDK的版本必须是1.6.0_2

jackphang的专栏 5788

CXF用JDK注解的方式发布WebService简单例子

CXF用JDK注解的方式发布WebService简单例子 1. 新建工程,导入CXF相关包: cxf-2.4.2.jarjetty-continuation-7.4.5.v20110725.jarjetty-http-7.4.5.v20110725.jarjetty-io-7.4.5.v20110725.jarjetty-security-7.4.5.v20110725.jarje

水岸梦城 技术博客 1893

WebService学习总结:java使用JDK发布和调用WebService(转载)

转载:这里写链接内容 一、WebService的开发手段 使用Java开发WebService时可以使用以下两种开发手段    1、 使用JDK开发(1.6及以上版本)    2、使用CXF或者axis框架开发(工作中)二、使用JDK开发WebService1、定义一个interface,使用@WebService注解标注接口,使用@WebMethod注解标注接口中定义的所有方法,如下所示:pa

menghuanzhiming的博客 1351

05.使用jdk发布webservice服务

无论服务端是用什么写的,使用框架写的还是用jdk写的,它都会发布出来这样一个东西.主要你遵循咱们这七个步骤来走就可以调用了. 咱们现在转换一下角色,自己发布一个服务让别人去调.怎么来发布一个服务? 我现在怎么能够把这个类作为一个WebService类给外部提供呢?需要一个注解来支持.@WebService证明我这个类是WebService的服务类.服务发布类ServerPublish现...

weixin_30588907的博客 79

JDK发布webservice服务,并生成客户端代码实战

一 jdk发布webservice服务 第一步:新建一个工程ws_jdk_server 新建类HelloServer.java package com.ws.server; import javax.jws.WebMethod; import javax.jws.WebService; /* * ①需要的权限是public * ②方法不能是final * ③方法不能是静态的 *

陌子曦的专栏 1006

利用JDK发布webService实例

一、webService的发布 1、新建一个web Project 2、修改jdk为1.6及以上---- 3、编写方法---- package com.test.webService; import javax.jws.WebService; import javax.xml.ws.Endpoint; @WebService public class

liuj_7的博客 605
上一篇: dll接口查看器
下一篇: dll注册
chun521
博客等级 码龄20年 11粉丝 144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