如何把Object对象转换为XML

本文介绍使用XStream库将Java对象转换为XML字符串的方法。重点讲解了配置别名、处理XML格式输出等问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

摘要:本节主要介绍如何把Object对象转换为XML

引言:最近工作中因为工作需要,需要把两个系统之间的传递的报文修改一下(现在系统之间一般都是通过发送xml字符串传数据吧),最开始用的 Jdom来实现的,由于jdom实现需要手写的代码太多,并且遇到了点问题,只有另想办法了,最后准备用Object转xml来实现,虽然这个代码不见得 少多少,但是get和set方法都是通过工具自动生成,手写的就少很多了。

准备工作:

下载xstream-1.2.1.jar包,我的是1.2.1的版本,可以直接去百度搜索,下载的链接就不提供了。

XStream类

XStream是一个Java对象和XML相互转换的工具。提供了所有的基础类型、数组、集合等类型直接转换的支持。

因此XML常用于数据交换、对象序列化(这种序列化和Java对象的序列化技术有着本质的区别)。
XStream中的核心类就是XStream类,XStream对象相当Java对象和XML之间的转换器,转换过程是双向的。

创建XSteam对象的方式很简单,只需要new XStream()即可。 Java到xml,用toXML()方法。 Xml到Java,用fromXML()方法。

在没有任何设置默认情况下,java到xml的映射,是java成员名对应xml的元素名,java类的全名对应xml根元素的名字。

而实际中,往往是xml和java类都有了,要完成相互转换,必须进行别名映射。
别名配置包含三种情况:
1、类别名,用alias(String name, Class type)。
2、类成员别名,用aliasField(String alias, Class definedIn, String fieldName)
3、 类成员作为属性别名,用 aliasAttribute(Class definedIn, String attributeName, String alias),单独命名没有意义,还要通过useAttributeFor(Class definedIn, String fieldName) 应用到某个类上。

需要转换的XML样式为

(实际开发中,一般都是xml的格式已知,你需要根据XML来建立object,然后拼装为指定格式的XML)

例如:(这个可是我项目中一个实际的报文发送XML格式哦,呵呵)

XML

示例代码:

简单分析:按照这个xml,我需要建立三个java类,同时设置每个属性的get和set方法,假设三个类分别为:Root.java、MsgHead.java、MsgContent.java

Root.java

Root.java

MsgHead.java

MsgHead.java

MsgContent.java

MsgContent.java

Object转XML得测试类,Test.java

Test.java

运行截图:

从截图可以看出以上转换有两个问题:

(1).转换为无XML的定义头语句,即:<?xml version="1.0" encoding="UTF-8"?>

(2).msg_head和msg_content标签重复了一次

 

另外,需增加一个功能,把转换的xml以字符串的形式输出,在实际的系统交互中,也是传字符串而非文件。

 

由于时间的关系,今天就不调试了,明天有时间再调,也希望朋友们多提提意见,good luck.....

 

解决前面的两个问题(2011/10/24)

问题1 :实际开发中系统之间的交互并非用的是xml文件,而是xml字符串,

故问题1通过把xml转换为字符串,然后在字符串前加xml的定义语句。

代码更改:(从新建XStream 对象开始,后面的都不需要了。代码改为如下:)

XStream xstream=new XStream();

String  xmlhead="<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n";

String xml=xstream.toXML(root);

String resultxml=xmlhead+xml;//此句就是最后格式化输出的xml字符串,并且包括xml文件定义头

问题2 :msg_head和msg_content标签重复了一次

对于这个问题,只需要把root.java文件中声明为ArrayList的变量改为如下:

 private MsgHead msg_head;
 private MsgContent msg_content;

同时分别设置get和set方法。

对于这种问题,有如下结论:

如果节点有重复的,就用ArrayList类型的变量,如果节点没有重复的,就声明为如上类型的变量。

 

经过今天的工作,发现以上的问题基本解决了,但是输出的xml字符串有换行和缩进

这样和和实际中的需求稍有不同,考虑如何设置通过XSrteam输出的字符串的格式?

去掉换行和缩进:

//匹配字符串中的空白字符(至少2次)、制表符、回车符、新行(换行)符

   Pattern p = Pattern.compile("\\s{2,}|\t|\r|\n");

  Matcher m = p.matcher(xml);
  finalresult = m.replaceAll("");

 

如果您比较细心的看过,会发现凡是下划线就会显示两个,即占用两个字符

这个和我的需求是不一样的,解决此种问题两种方法:

方式1 :声名XStream对象的时候,用它的构造方法,代码如下:

  XStream xstream = new XStream(new XppDriver(new XmlFriendlyReplacer("-_", "_")));

方法2 :用replace("__","_")来解决

finalresult=finalresult.replace("__","_");

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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