折腾了一把JAX-WS, SOA & Java EE 5(part 3 of 3)

本文探讨了Java EE 5环境下ClassLoader的工作原理及其对应用打包的影响,特别是对于EAR文件的组织结构给出了建议。此外,还介绍了如何利用Schema和JAXB进行业务逻辑的实现,并讨论了客户端交互方式与系统集成的可能性。

6,ClassLoader 与打包部署 .ear
了解一下服务器的ClassLoader的结构及工作步骤有助于正确打包和部署。一般来说,不同组件的ClassLoader
一般也不尽相同。ClassLoader的树状结构的最顶端是jvm的ClassLoaders。如Boostrap class loader,
extention class loader, system class loader等等,用来装载 jre/lib/rt.jar,jre/lib/ext/*.jar
及$CLASSPATH上的资源。接下来是服务器的ClassLoader,用来装在服务器的资源,如lib等。接下来是应用的
ClassLoader(application class loader),每个应用的ClassLoader各不相同。这个应用ClassLoader直
接负责装载我们的应用的代码及其它资源。Application Class Loader 一般又分为ejb class loader和war 
class loader。后者在最低下。

据说这些class loader在装载资源时,总是试图向其上一级的class loader请求,看看是否已经装载过了。如
没有装载过,该class loader才会自己去搜寻装载。

这就意味着一个基本的打包原则:war中的资源对ejb来说是不可见的;而ejb中的资源对war中的客户是可见的。
因此当打包成ear时,通用的资源应放置在根路径下,如我们由Schema产生的类型及共用的utility classes等,
应打包成common.jar,放置在.ear的根目录下。这样,这些资源对整个应用来说就是可见的。与其平行放置的其
他组件是:META-INF,ejb.jar,webapp.war,client.jar。他们各自的目录结构不再?嗦。

由于annotation的使用,各种descriptor的配置就不是必需的(可能META-INF/application.xml除外)。

这里有张图,有助于理清这些descriptors'角色与位置:
http://docs.sun.com/app/docs/doc/819-3660/6n5s7klp9?a=view#beacw

如part 2中所提,对web service来说,POJO通过annotation的方式搞成Web Service,该POJO应打包在.war中;
无状态EJB通过annotation的方式搞成Web Service,该ejb应打包在ejb-jar中。

7,客户程序的选项及系统集成
简单提一句话,如果我们的业务逻辑采用Schema定义,然后通过jaxb绑定来产生必要的源代码,并由此来实现业务
要求的话,整个系统的分层就更细了。而供客户程序的选择余地会更大:客户可通过ejb,web service, jms等方式
来与该系统互动,应该是不错的SOA结构了。而web service, jms则提供了较好的系统集成途径。

毛病就是一旦Schema需要改动,jaxb绑定要重新来过。倒是可以通过ant等实现自动化。

另一个问题是这种机构的项目,对开发团队的要求是较高的。


8,两本Java EE 5 书籍读后感
(a) Enterprise JavaBeans 3.0 (5th Edition) 
针对Jboss,有较详细深入的介绍。

(b) Java EE 5 Development using GlassFish Application Server 
针对GlassFish,简明扼要,入门介绍。

不足之处,敬请指教。

本课题设计了一种利用Matlab平台开发的植物叶片健康状态识别方案,重点融合了色彩与纹理双重特征以实现对叶片病害的自动化判别。该系统构建了直观的图形操作界面,便于用户提交叶片影像并快速获得分析结论。Matlab作为具备高效数值计算与数据处理能力的工具,在图像分析与模式分类领域应用广泛,本项目正是借助其功能解决农业病害监测的实际问题。 在色彩特征分析方面,叶片影像的颜色分布常与其生理状态密切相关。通常,健康的叶片呈现绿色,而出现黄化、褐变等异常色彩往往指示病害或虫害的发生。Matlab提供了一系列图像处理函数,例如可通过色彩空间转换与直方图统计来量化颜色属性。通过计算各颜色通道的统计参数(如均值、标准差及主成分等),能够提取具有判别力的色彩特征,从而为不同病害类别的区分提供依据。 纹理特征则用于描述叶片表面的微观结构与形态变化,如病斑、皱缩或裂纹等。Matlab中的灰度共生矩阵计算函数可用于提取对比度、均匀性、相关性等纹理指标。此外,局部二值模式与Gabor滤波等方法也能从多尺度刻画纹理细节,进一步增强病害识别的鲁棒性。 系统的人机交互界面基于Matlab的图形用户界面开发环境实现。用户可通过该界面上传待检图像,系统将自动执行图像预处理、特征抽取与分类判断。采用的分类模型包括支持向量机、决策树等机器学习方法,通过对已标注样本的训练,模型能够依据新图像的特征向量预测其所属的病害类别。 此类课题设计有助于深化对Matlab编程、图像处理技术与模式识别原理的理解。通过完整实现从特征提取到分类决策的流程,学生能够将理论知识与实际应用相结合,提升解决复杂工程问题的能力。总体而言,该叶片病害检测系统涵盖了图像分析、特征融合、分类算法及界面开发等多个技术环节,为学习与掌握基于Matlab的智能检测技术提供了综合性实践案例。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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