使用java6开发WebService服务端和客户端

java webservice服务端及客户端简单示例 简单的webservice示例,及使用java工具生成客户端 在JDK1.6版本以后,在/bin目录下有一个wsimport.exe工具,该工具可以根据wsdl文件自动生成webservice接口调用的java客户端代码,十分方便。而自己仅需要写一个测试类。 使用过程如下: 1. 获取webservice的wsdl文件。 2. 输入命令wsimport unifiedOrder.wsdl -keep -p wy.soap.order -s d:/mytest即可生成代码到d:/mytest目录。 参数含义如下: -keep keepgenerated files -p specifiesthe target package -s specify where to place generated source files 也可以直接从url生成: wsimport -d generated http://example.org/stock?wsdl 立即下载
1.创建一个java项目
2.编写代码
@WebService 
@SOAPBinding(style = SOAPBinding.Style.RPC)
public class Hello { 
public String sayHello(String name) { 
return "Hello " + name; 
} 
public static void main(String[] args){ 
Endpoint.publish("http://localhost:8080/com.Hello", new Hello()); 
} 
}
如果报错如下,请确认jdk是否是1.6,是否添加了 @SOAPBinding(style = SOAPBinding.Style.RPC)
在浏览器输入网址 http://localhost :8080/com.Hello?wsdl,如果出现以下界面,标示成功
3.生产客户端
     wsimport  -d  [class文件存放目录]  -s  [源码存放目录]  -p  [包名]  -keep  [wsdl的URI] 
4.cmd下执行    
wsimport -p com.client -keep http://localhost:8080/com.Hello?wsdl
生成文件如下:
5.客户端调用方法
public static void main(String[] args){
  com.client.Hello hs=new HelloService().getHelloPort();
  String sss=hs.sayHello("suxiaoyong");
  System.err.println(sss);
 }
如果后台输出如下内容,标示成功
java使用axis开发webservice服务端和客户端简单例子 访问地址: http://127.0.0.1:8080/axis/services 立即下载

相关推荐

Java cxf开发webservice,分别有客户端和服务端

1.使用Java 2.用cxf开发webservice 3.这个服务端和客户端的小demo 在服务端 对外开放接口服务,然后在客户端 调用服务端的方法, 实现客户端(一个javaweb项目)对服务端(javaweb项目)方法的调用, 实际上就是发送和接收消息,实现两个系统间消息的传递 jar包都在lib项目里 具体再解释一下,服务端需要 接口类,实现类,cxf 服务端xml,和一个pojo 客户端也需要接口类文件和pojo,和cxf客户端xml 但是没有接口的实现类,就是为了去服务端来调用的。 具体有不懂可以问我 给我发消息, 劳烦评价 ,请大家支持原创 禁止转载

Java开发或调用WebService的几种方式

Java开发或调用WebService的几种方式,如jdk自带的JAX-WS、Apache Axis1.4、ApacheCXF等

yuanjinshenglife的专栏 7130

java的webservice服务端程序

本程序是java开发webservice服务端程序,内包含所需基础jar包,内部逻辑代码需自己实现。发布后可直接访问。

Java开发WebService(含服务端和客户端)

首先建立服务端WebService并启动 1、实体类People public class People { private String name; private int age; public String getName() { return name; } public void setName(String nam

笑释一切的博客 4316

macOS Jdk1.8安装(目前主流版本的jdk)

添加环境环境变量,类似于windows的高级设置中path配置的环境变量。查看 JAVA_HOME 目录。查看 JDK 版本信息。一直下一步安装就好了。在终端的根目录下运行。

m0_50207524的博客 9353

光模块的封装工艺有哪些?

COB封装传统的单路10Gb/s或25Gb/s速率的光模块采用SFP封装将电芯片和TO封装的光收发组件焊接到PCB板上组成光模块。但对于40G及以上速率的高速光模块,受激光器速率限制(多为25G),主要通过多通道并行实现,如40G由4×10G实现,而100G则由4×25G实现。蝶形封装:壳体通常为长方体,结构及实现功能通常比较复杂,可以内置制冷器、热沉、陶瓷基块、芯片、热敏电阻、背光监控,并且可以支持所有以上部件的键合引线。BOX封装属于蝶形封装的一种,用于多通道并行封装。

WaytoICT- Explore ICT Technology, Build Your Tech Path 3807

java6 开发 webservice_java6开发webservice详细啊.docx

java6开发webservice详细啊.docx JAVA6开发WEBSERVICE入门之前常常用CXF、AXIS2、XFIRE等来开发结合JAVA语言来开发WEBSERVICE应用,这样的好处是用途广,灵活,另外一个重要原因是我们的生产环境是JAVA5。但实际上JAVA6中已经支持用JAVA开发WEBSERVICE应用了,而且很方便。这样就大大减少了项目安装部署的代价,因为选择开源的框架依赖大...

weixin_33917217的博客 131

SAP SM30数据维护实战:条件筛选与动态校验的实现技巧

本文详细介绍了SAP SM30数据维护的实战技巧,重点讲解如何通过条件筛选实现精准数据查取,以及利用表维护生成器事件实现动态数据检查与校验。文章提供了从基础视图创建到高级事件编程的完整流程,包括调用函数VIEW_MAINTENANCE_CALL传递筛选条件,以及在NEW_DATA和CHANGE_SAVE事件中编写业务规则校验逻辑,帮助开发者提升SM30的管控能力与数据质量。

q9w8e7r6t5的博客 521

Java6上开发WebService的实例

近日项目涉及到Java开发WebService的问题,于是参考项目网络等相关资料,写了一份简单说明,贴于优快云,与各位朋友分享。 一、       开发环境 从Java6开始,JDK中已经支持用Java开发WebService应用了,不必选用第三方包。因此建议授课软件环境如下: 软件及其版本 必需 安装顺序 JDK1.6u13

Lgj11的专栏 1077

JavaSpringBoot + VUE 相关开发环境配置合集

1.Java环境-JDK安装 参照:Java基础1-环境篇:JDK安装与环境变量配置 Java基础1-环境篇:JDK安装与环境变量配置_第一段代码的博客-优快云博客_jdk 2.Web服务器-Tomcat安装 原创Java服务器Tomcat安装和配置 3.Maven(后面为了项目兼容性,使用了3.0.5版本) 原创Maven安装和配置(Maven3.0.5) 4.nginx 原创nginx轻量级Web服务器安装和配置 5 数据库mysql 原创数据库Mysql安装和配置 ...

第一段代码的博客 3163

构建基于知识图谱的金融风险关联网络可视化系统

知识图谱是一种用于表示实体及其关系的图形结构,能够将分散的数据组织成易于理解和查询的形式。语义性:通过实体和关系的描述,赋予数据语义。结构化:以图的形式组织数据,便于计算机处理。动态性:支持实时更新,能够反映数据的最新状态。风险关联网络是指将金融风险事件、实体及其关系以图形形式表示的网络。关联性:能够展示风险事件之间的相互影响。动态性:能够实时反映风险变化。可视化:便于金融从业者直观理解风险分布。可视化系统是指通过图形界面展示数据或信息的系统。提供直观的数据显示。帮助用户快速理解复杂数据。

AI天才研究院 1057

webservice入门 java_从零开始学习 webservice第一集,java webservice简单实例入门教程...

现在从零开始学习webservice概念自己百度搜,总之,webservice就相当于一个接口,就像你走进了一家售货店,你不需要知道这家店怎么卖给你东西,你拿着钱去,说我要一包玉溪,人家就会给你返回一包玉溪烟,这就是webservice。不用关心掏的钱是人民币还是欠条。首先,安装或者升级你的jdk到jre-6u20-windows-i586.exe不要小看了本句话。下载地址打开eclipse或...

weixin_39744408的博客 189

STM32 BOOTLOADER配置以及APP跳转实现(裸机)

Bootloader是硬件启动的引导程序,是运行操作系统的前提。在操作系统内核或用户应用程序运行之前运行的一段小代码。对硬件进行相应的初始化和设定,最终为操作系统准备好环境。APP就是我们的应用程序,经过硬件引导程序之后跳转到系统程序运行。

吻等离子的博客 3355

HIL测试实时性实战:步长、抖动与FPGA分工

硬件在环(HIL)测试的可信度,取决于仿真环境与真实物理世界的“不可区分”程度。实时性是其中核心,可拆解为步长、抖动与时延三个可量化维度:步长决定模型的离散精度,抖动反映执行时间轴的稳定性,时延则衡量信号链路的总滞后。当步长设置不当或抖动超标时,控制器会读到失真信号,引发类似算法缺陷的“假故障”,尤其在电机控制、电池管理等高频信号场景下,微秒级偏差即可导致测试结论失效。采用多速率架构和FPGA分工,将高速PWM、LVDS、频率测量等确定性任务下沉到硬件逻辑,并通过硬件时间戳与抖动缓冲区管理跨时钟域数据,是提

weixin_33834628的博客 332

GEE 案例:基于陆地卫星8号(大气层顶反射率数据)LANDSAT/LC08/C02/T1_TOA的生态遥感指数RSEI计算、可视化和下载

摘要:基于GEE的遥感生态指数(RSEI)计算方法 本文介绍了利用Google Earth Engine(GEE)平台计算遥感生态指数(RSEI)的全流程方法。主要内容包括:研究区域定义、Landsat8数据获取与去云预处理、关键生态指标计算(地表温度LST、植被指数NDVI、湿度指数WET和建筑指数NDBSI)、主成分分析(PCA)降维处理,以及结果可视化与数据导出。通过结合多源遥感指标并采用归一化处理,构建了综合反映区域生态环境质量的RSEI指数。该方法为生态环境监测提供了高效的技术方案,所有计算过程均

此星光明博客 442

[从零开始学习FPGA编程-18]:快速入门篇 - 操作步骤2-6- VerilogHDL时序电路语法分析(以计数器为例)

目录前言:第1章 功能模块代码:counter.v第2章 驱动代码:tcounter.v前文以及阐述了VerilogHDL基本语法,本文将以modelsim自带的计数器程序来解读VerilogHDL的语法。代码路径:

文火冰糖(王文兵)的博客 7万+

Java6上开发WebService

近日朋友问起Java开发WebService的问题,于是为其写了一份简单说明,贴于博客,与各位朋友分享。 一、 开发环境 从Java6开始,JDK中已经支持用Java开发WebService应用了,不必选用第三方包。因此建议授课软件环境如下: 软件及其版本 必需 安装顺序 JDK1.6u18 必需 1 ...

weixin_33681778的博客 102

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

java6开发webservice详解

java6开发webservice详解 <!-- /info --> 本文将向大家讲述如何使用java6自带的webservice功能进行ws开发。 废话不多说,用实例说明问题: 环境:eclipse3.2     jdk6     本例中没有用到web容器 1.服务端代码 服务1 package com.jlqu.count.service;     i...

kekezhangshao的博客 180

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

java webservice调用中参数null的问题

package lavasoft; import javax.jws.WebService; import javax.xml.ws.Endpoint; /**   * Java6开发WebService入门   *   * @author usegear 2009-11-13 16:10:44   */ @WebService public cl...

weixin_30562507的博客 331

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")

myeclipse javaWeb项目+JAX-WS webService接口开发

使用myeclipse javaWeb项目开发webService 这里我使用的是myeclipse8.6,webService架包我使用的是myeclipse集成的JAX-WS 一,Service服务端 首先创建一个java web项目,建好包名,建一个普通类,然后写入以下内容: package com.shich.webservice; public cl

z69183787的专栏 8292

java jdk webservice_java 使用jdk开发简单的webservice

1、jdk版本要求:1.6以上 我所采用的是1.72、服务端代码编写:packagewebservice;//引入的包importjavax.jws.WebService;importjavax.xml.ws.Endpoint;@WebService//注解不能丢publicclassHello{publicStringsayHello(){//服务端对外暴露的方法retu...

weixin_33365244的博客 230

用eclipse基于jdk1.4和1.6开发webservice

1. 序言 2 2. 基于jdk1.6开发webservice 2 2.1 环境要求 2 2.2 服务端开发 2 2.2.1 新建java工程 2 2.2.2 编写服务类 3 2.2.3 生成jaxws 4 2.2.4 webservice发布类 4 2.3 客户端开发 5 2.3.1 新建java项目 5 2.3.2 编写执行wsimport的build.xml 5 2.3...

iteye_14251的博客 294

Java对WebService的支持

java6中集成了对WebService的支持 webservice的开发就变得轻松了   1.服务端使用Endpoint.publish()方法来发布ws应用 接口定义IHelloWordService public interface IHelloWordService { public void echo(); }  实现类HelloWordImpl import...

ymkyve501的博客 182
上一篇: 整合Flex和J2EE
下一篇: flex调用WebService的wsdl
siejls
博客等级 码龄16年 0粉丝 12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