属性文件操作:Properties和ResourceBundle

属性文件操作:Properties和ResourceBundle

前言

最近在看gitee上的一个java项目的时候,看到了坐着写的一个工具类,有一些疑问,看了网上的资料以后,在这里记录一下.

正文

1. Properties与ResourceBundle

这两个类都可以读取属性文件中以key/value形式存储的键值对,ResourceBundle读取属性文件时,操作相对简单.

2. Properies

该类继承Hashtable,将键值对存储在集合中.基于输入流从属性文件中读取键值对,load()方法调用完毕,就与输入流脱离关系,不会自动关闭输入流了,需要我们手动关闭.

    public static void main(String[] args) throws Exception {
        FileInputStream fis = new FileInputStream("e:/ConfigFile/app.properties");
        Properties p = new Properties();
        p.load(fis);
        fis.close();
        System.out.println(p.getProperty("AccessTokenPubKeyPath"));
    }

如此,就可以读出指定目录下的属性文件中的值.

3. ResourceBundl

该类基于类读取属性文件:将属性文件当做类,会在资源文件夹目录下寻找对应的属性文件,也可以将文件放在包中,使用属性文件的全限定类名指代该文件.

    public static void main(String[] args) throws Exception {
        
        ResourceBundle resourceBundle = ResourceBundle.getBundle("app");
        System.out.println(resourceBundle.getString("token"));
    }

以上代码会读取resources目录下的app.properties来获取其中的token属性.

ResourceBundle其他使用

除了读取属性文件,我们还主要用该类来解决国际化和本地化的问题.

具体的使用可以参考:国际化和本地化

总结

这样看来,如果是读取项目路径下的配置文件,使用ResourceBundle是比较方便的,如果是使用外部文件的话,使用Properties来加载更合适一点.

### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
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