在junit测试类注入dao层与service层

在这里插入图片描述
@RunWith(SpringRunner.class)固定的配置
@SpringBootTest(classes = App.class) class配置的是启动类,这里一定要注意测试类的层级跟启动类保持一致。

pom文件

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>2.4.0</version>
        <relativePath/> <!-- lookup parent from repository -->
    </parent>
    <groupId>com.example</groupId>
    <artifactId>test</artifactId>
    <version>0.0.1-SNAPSHOT</version>
    <name>test</name>
    <description>Demo project for Spring Boot</description>
    <properties>
        <java.version>8</java.version>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-data-jdbc</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-data-redis</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
       <!-- <dependency>
            <groupId>com.alibaba</groupId>
            <artifactId>druid</artifactId>
            <version>1.1.17</version>
        </dependency>-->
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <scope>runtime</scope>
        </dependency>


        <dependency>
            <groupId>org.mybatis.spring.boot</groupId>
            <artifactId>mybatis-spring-boot-starter</artifactId>
            <version>2.2.2</version>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework</groupId>
            <artifactId>spring-test</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-test</artifactId>
        </dependency>
          </dependencies>

    <build>
        <plugins>
            <plugin>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-maven-plugin</artifactId>
            </plugin>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <configuration>
                    <source>8</source>
                    <target>8</target>
                </configuration>
            </plugin>
        </plugins>
    </build>

</project>

启动类,这里一定要配置包的扫描

import org.mybatis.spring.annotation.MapperScan;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.context.annotation.ComponentScan;


@MapperScan(basePackages = {"com.dao"})
@ComponentScan({"controller","service"})
@SpringBootApplication
public class App {
    public static void main(String[] args) {
        SpringApplication.run(App.class, args); }
}

### 回答1: 你好,关于多级文本分类的代码,我可以为您提供一些参考。一般来说,多级文本分类可以使用深度学习模型,如卷积神经网络(CNN)、循环神经网络(RNN)或者Transformer等。您可以使用Python编写代码,使用TensorFlow或者PyTorch等深度学习框架来实现。具体实现方式可以根据您的数据集和需求来选择。希望能对您有所帮助。 ### 回答2: 多级文本分类是一种将文本数据按照多个级进行分类的技术,可以用于对大规模的文本数据进行更精细的分类和管理。 在编写多级文本分类代码时,一般可以按照以下步骤进行: 1. 数据准备:首先需要准备好用于训练和测试的文本数据集,可以包括多级的标签信息,例如父标签和子标签。可以使用已有的数据集,或者通过网络爬虫等方式获取。 2. 数据预处理:对文本数据进行一系列的预处理操作,例如分词、去除停用词、词干化等。这样可以提取出文本的关键特征。 3. 特征提取:根据预处理后的文本数据,将其转化为机器学习算法可以处理的特征向量。常用的特征提取方法包括词袋模型、TF-IDF等。 4. 分类模型训练:选择适合的分类算法,例如朴素贝叶斯、支持向量机、深度学习模型等,通过训练数据对分类模型进行训练。 5. 模型评估:使用测试数据对训练好的分类模型进行评估,可以使用准确率、精确率、召回率等指标来评估模型的性能。 6. 多级分类:在多级文本分类中,可以先通过一个分类模型对文本进行初步分类,然后根据分类结果的子标签再次进行分类,直到达到所需的级数。 以上是多级文本分类的一般流程,具体的代码实现可以根据具体的需求和使用的编程语言来进行。常用的机器学习库和深度学习框架,如scikit-learn、TensorFlow、PyTorch等,提供了相应的算法和工具可以用于实现多级文本分类。 ### 回答3: 多级文本分类是指对文本进行多个级的分类,以更细粒度地对文本进行分类和管理。下面是一个代码示例: ```python import pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score # 读取数据 data = pd.read_csv('text_classification_data.csv') # 数据预处理,包括分词、去停用词等 # 将文本转化为向量表示 vectorizer = TfidfVectorizer() X = vectorizer.fit_transform(data['text']) # 将文本分类标签转化为数字表示 label_dict = {'class_a': 0, 'class_b': 1, 'class_c': 2} data['label_num'] = data['label'].map(label_dict) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, data['label_num'], test_size=0.2, random_state=42) # 训练多级文本分类模型 model = LogisticRegression() model.fit(X_train, y_train) # 预测测试集并计算准确率 y_pred = model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print("模型准确率为:", accuracy) ``` 上面的代码实现了多级文本分类的功能。首先,通过读取数据并对数据进行预处理,如分词、去停用词等。然后,使用TF-IDF向量化文本,将文本转化为向量表示。接下来,将文本分类标签转化为数字表示。然后,使用训练数据训练Logistic回归模型,并在测试集上进行预测并计算准确率。最后,输出模型的准确率。
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