python语言语块句的标记_《自然语言处理理论与实战》

编辑推荐

1.讲解自然语言处理的理论

2.案例丰富,实战性强

3.适合自然语言处理学习的入门者

内容提要

自然语言处理是什么?谁需要学习自然语言处理?自然语言处理在哪些地方应用?相关问题一直困扰着不少初学者。针对这一情况,作者结合教学经验和工程应用编写此书。《自然语言处理理论与实战》讲述自然语言处理相关学科知识和理论基础,并介绍使用这些知识的应用和工具,以及如何在实际环境中使用它们。由于自然语言处理的特殊性,其是一门多学科交叉的学科,初学者难以把握知识的广度和宽度,对侧重点不能全面掌握。《自然语言处理理论与实战》针对以上情况,经过科学调研分析,选择以理论结合实例的方式将内容呈现出来。其中涉及开发工具、Python语言、线性代数、概率论、统计学、语言学等工程上常用的知识介绍,然后介绍自然语言处理的核心理论和案例解析,最后通过几个综合性的例子完成自然语言处理的学习和深入。《自然语言处理理论与实战》旨在帮助读者快速、高效地学习自然语言处理和人工智能技术。

《自然语言处理理论与实战》适用于具备一定编程基础的计算机专业、软件工程专业、通信专业、电子技术专业和自动化专业的大学二年级以上的学生、科研工作者和相关技术人员。一些做工程应用的自然语言处理工程师,也可以通过阅读《自然语言处理理论与实战》补充理论知识,理论知识的魅力在于遇到工程难题时,可以知道其背后的原因,快速、准确地解决问题。

目录

第1 章基础入门 1

1.1 什么是自然语言处理 1

1.1.1 自然语言处理概述 1

1.1.2 自然语言处理的发展历史 3

1.1.3 自然语言处理的工作原理 6

1.1.4 自然语言处理的应用前景 7

1.2 开发工具与环境 7

1.2.1 Sublime Text 和Anaconda 介绍 7

1.2.2 开发环境的安装与配置 8

1.3 实战:第一个小程序的诞生 13

1.3.1 实例介绍 13

1.3.2 源码实现 13

第2 章快速上手Python 15

2.1 初识Python 编程语言 15

2.1.1 Python 概述 15

2.1.2 Python 能做什么 17

2.1.3 Python 的语法和特点 19

2.2 Python 进阶 24

2.2.1 Hello World 24

2.2.2 语句和控制流 24

2.2.3 函数 27

2.2.4 List 列表 29

2.2.5 元组 32

2.2.6 set 集合 33

2.2.7 字典 33

2.2.8 面向对象编程:类 34

2.2.9 标准库 36

2.3 Python 深入——第三方库 36

2.3.1 Web 框架 36

2.3.2 科学计算 37

2.3.3 GUI 37

2.3.4 其他库 37

第3 章线性代数 39

3.1 线性代数介绍 39

3.2 向量 40

3.2.1 向量定义 40

3.2.2 向量表示 42

3.2.3 向量定理 42

3.2.4 向量运算 43

3.3 矩阵 47

3.3.1 矩阵定义 47

3.3.2 矩阵表示 48

3.3.3 矩阵运算 48

3.3.4 线性方程组 51

3.3.5 行列式 51

3.3.6 特征值和特征向量 55

3.4 距离计算 56

3.4.1 余弦距离 56

3.4.2 欧氏距离 57

3.4.3 曼哈顿距离 58

3.4.4 明可夫斯基距离 59

3.4.5 切比雪夫距离 61

3.4.6 杰卡德距离 62

3.4.7 汉明距离 63

3.4.8 标准化欧式距离 64

3.4.9 皮尔逊相关系数 65

第4 章概率论 67

4.1 概率论介绍 67

4.2 事件 68

4.2.1 随机试验 68

4.2.2 随机事件和样本空间 69

4.2.3 事件的计算 70

4.3 概率 71

4.4 概率公理 73

4.5 条件概率和全概率 76

4.5.1 条件概率 76

4.5.2 全概率 77

4.6 贝叶斯定理 78

4.7 信息论 79

4.7.1 信息论的基本概念 79

4.7.2 信息度量 80

第5 章统计学 85

5.1 图形可视化 85

5.1.1 饼图 85

5.1.2 条形图 88

5.1.3 热力图 91

5.1.4 折线图 93

5.1.5 箱线图 96

5.1.6 散点图 99

5.1.7 雷达图 102

5.1.8 仪表盘 104

5.1.9 可视化图表用法 106

5.2 数据度量标准 108

5.2.1 平均值 108

5.2.2 中位数 108

5.2.3 众数 110

5.2.4 期望 111

5.2.5 方差 112

5.2.6 标准差 113

5.2.7 标准分 114

5.3 概率分布 115

5.3.1 几何分布 115

5.3.2 二项分布 116

5.3.3 正态分布 118

5.3.4 泊松分布 121

5.4 统计假设检验 123

5.5 相关和回归 125

5.5.1 相关 125

5.5.2 回归 127

5.5.3 相关和回归的联系 130

第6 章语言学 132

6.1 语音 132

6.1.1 什么是语音 132

6.1.2 语音的三大属性 133

6.1.3 语音单位 134

6.1.4 记音符号 135

6.1.5 共时语流音变 136

6.2 词汇 137

6.2.1 什么是词汇 137

6.2.2 词汇单位 137

6.2.3 词的构造 138

6.2.4 词义及其分类 140

6.2.5 义项与义素 141

6.2.6 语义场 142

6.2.7 词汇的构成 143

6.3 语法 143

6.3.1 什么是语法 143

6.3.2 词类 144

6.3.3 短语 148

6.3.4 单句 150

6.3.5 复句 152

第7 章自然语言处理 155

7.1 自然语言处理的任务和限制 155

7.2 自然语言处理的主要技术范畴 156

7.2.1 语音合成 156

7.2.2 语音识别 156

7.2.3 中文自动分词 157

7.2.4 词性标注 158

7.2.5 句法分析 158

7.2.6 文本分类 159

7.2.7 文本挖掘 160

7.2.8 信息抽取 161

7.2.9 问答系统 161

7.2.10 机器翻译 162

7.2.11 文本情感分析 163

7.2.12 自动摘要 164

7.2.13 文字蕴涵 165

7.3 自然语言处理的难点 165

7.3.1 语言环境复杂 165

7.3.2 文本结构形式多样 166

7.3.3 边界识别限制 166

7.3.4 词义消歧 167

7.3.5 指代消解 168

7.4 自然语言处理展望 169

第8 章语料库 173

8.1 语料库浅谈 173

8.2 语料库深入 174

8.3 自然语言处理工具包:NLTK 176

8.3.1 NLTK 简介 176

8.3.2 安装NLTK 177

8.3.3 使用NLTK 180

8.3.4 在Python NLTK 下使用Stanford NLP 186

8.4 获取语料库 194

8.4.1 国内外著名语料库 195

8.4.2 网络数据获取 197

8.4.3 NLTK 获取语料库 200

8.5 综合案例:走进大秦帝国 208

8.5.1 数据采集和预处理 208

8.5.2 构建本地语料库 208

8.5.3 大秦帝国语料操作 209

第9 章中文自动分词 216

9.1 中文分词简介 216

9.2 中文分词的特点和难点 218

9.3 常见中文分词方法 219

9.4 典型中文分词工具 220

9.4.1 HanLP 中文分词 220

9.4.2 其他中文分词工具 223

9.5 结巴中文分词 224

9.5.1 基于Python 的结巴中文分词 224

9.5.2 结巴分词工具详解 227

9.5.3 结巴分词核心内容 230

9.5.4 结巴分词基本用法 233

第10 章数据预处理 241

10.1 数据清洗 241

10.2 分词处理 242

10.3 特征构造 242

10.4 特征降维与选择 243

10.4.1 特征降维 243

10.4.2 特征选择 243

10.5 简单实例 244

10.6 本章小结 249

第11 章马尔可夫模型 250

11.1 马尔可夫链 250

11.1.1 马尔可夫简介 250

11.1.2 马尔可夫链的基本概念 251

11.2 隐马尔可夫模型 253

11.2.1 形式化描述 253

11.2.2 数学形式描述 255

11.3 向前算法解决HMM 似然度 256

11.3.1 向前算法定义 256

11.3.2 向前算法原理 256

11.3.3 现实应用:预测成都天气的冷热 258

11.4 文本序列标注案例:Viterbi 算法 259

第12 章条件随机场 263

12.1 条件随机场介绍 263

12.2 简单易懂的条件随机场 265

12.2.1 CRF 的形式化表示 265

12.2.2 CRF 的公式化表示 266

12.2.3 深度理解条件随机场 268

第13 章模型评估 269

13.1 从统计角度介绍模型概念 269

13.1.1 算法模型 269

13.1.2 模型评估和模型选择 270

13.1.3 过拟合与欠拟合的模型选择 272

13.2 模型评估与选择 275

13.2.1 模型评估的概念 275

13.2.2 模型评估的评测指标 275

13.2.3 以词性标注为例分析模型评估 276

13.2.4 模型评估的几种方法 278

13.3 ROC 曲线比较学习器模型 279

第14 章命名实体识别 281

14.1 命名实体识别概述 281

14.2 命名实体识别的特点与难点 284

14.3 命名实体识别方法 284

14.4 中文命名实体识别的核心技术 286

14.5 展望 295

第15 章自然语言处理实战 296

15.1 GitHub 数据提取与可视化分析 296

15.1.1 了解GitHub 的API 296

15.1.2 使用NetworkX 作图 299

15.1.3 使用NetworkX 构建兴趣图 301

15.1.4 NetWorkX 部分统计指标 304

15.1.5 构建GitHub 的兴趣图 305

15.1.6 可视化 318

15.2 微博话题爬取与存储分析 320

15.2.1 数据采集 320

15.2.2 数据提取 329

15.2.3 数据存储 332

15.2.4 项目运行与分析 333

附录A Python 与其他语言调用 337

附录B Git 项目上传简易教程 339

参考文献 341

前言

本书讲述自然语言处理重要的相关学科知识和理论基础,并介绍使用这些知识的应用和工具,以及如何在实际环境中使用它们。市面上出版的自然语言处理书籍不多,且大多数讨论的是其背后的深奥原理,很少涉及基础知识和编程实现。自然语言处理是一门多学科交叉的学科,初入门的读者难以把握知识的广度和宽度,尤其对侧重点不能全面掌握。本书针对以上情况,经过科学调研分析,选择以理论结合实例的方式呈现知识点。首先介绍开发工具、Python语言、线性代数、概率论、统计学、语言学等工程上常用的知识,然后介绍自然语言处理的核心理论和案例解析,最后通过几个综合性的例子完成自然语言处理的学习和深入。本书旨在帮助读者快速高效地学习自然语言处理和人工智能技术。

读者对象

自然语言处理是什么?谁需要学习自然语言处理?自然语言处理在哪些地方应用?本书就是对这几个问题的回答。自然语言处理领域主要探讨:如何处理及运用自然语言;自然语言认知(让计算机“懂”人类的语言);自然语言生成系统(将计算机数据转化为自然语言)和自然语言理解系统(将自然语言转化为计算机程序更易于处理的形式)。自然语言处理在我们身边应用得非常广泛,其中包括:语音的自动合成与识别、机器翻译、自然语言理解、人机对话、信息检索、文本分类、自动文摘,等等。此外,自然语言处理也是人工智能、机器学习、深度学习的基础,重要程度不言而喻。如果读者有一定的编程基础,那么将有助于本书的阅读。如果读者不具备线性代数、概率论、统计学、语言学的知识,则可从本书中快速学习常见的工程应用知识;如果读者具备线性代数、概率论、统计学、语言学的知识,则更利于本书的阅读,可以对知识进行查全补充。此外,本身使用Python 语言进行编程,假设读者具备Python 知识,则可以跳过第2 章,也更有利于本书的阅读。本书对于具备一定编程基础的计算机专业、软件工程专业、通信专业、电子技术专业和自动化专业的大学二年级以上的学生都是适宜的。一些做工程应用的自然语言处理工程师,也可以通过阅读本书补充理论知识。理论知识的最大魅力在于遇到工程难题时,可以知道其背后的原因,快速准确地解决问题。本书整体难度适宜,适合作为自学用书或课程教材。

本书结构

本书共四大部分15 章,第一部分为基础部分,从第1 章至第6 章,主要介绍在自然语言交叉学科中,工程应用常用的学科知识,包括自然语言处理概述、Python 基础知识和环境搭建、线性代数、概率论、统计学、语言学。第二部分为理论部分,从第7 章至第14 章,主要介绍自然语言处理常用的理论知识,包括自然语言处理任务限制、技术范畴、语料库、中文自动分词、数据预处理、马尔可夫模型、条件随机场、模型评估和命名实体识别。第三部分为实战部分,第15 章通过GitHub 数据提取与可视化分析、微博话题爬取与存储分析,综合介绍网络爬虫、中文分词、数据处理、模型选择、数据分析、自然语言处理工具和数据可视化等技术点,这些技术也适用于以机器学习为代表的人工智能领域。本书各章节的具体内容介绍如下。

⊚ 第1 章基础入门:随着人工智能的快速发展,自然语言处理和机器学习技术的应用愈加广泛。然而身为初学者,要想快速入门这些前沿技术总是存在着各种各样的困难。为使读者对该领域的整体概况有一个系统明晰的认识,本章主要从发展历程、研究现状、应用前景等角度概要介绍自然语言处理及相关的机器学习技术。

⊚ 第2 章快速上手Python:Python 作为一门简洁优美且功能强大的语言,越来越受到编程人员的青睐,在工业界和学术界也非常受欢迎。本书的全部代码都是通过Python 实现的,之所以选择Python 语言,是因为其可以跨平台跨应用开发,因此本章旨在帮助读者快速领略Python 的概貌。如果读者已经具备Python 基础,则可略过此章。

⊚ 第3 章线性代数:机器学习是计算机科学、统计学、数学和信息论等多个领域交叉的学科。线性代数又是数学的一个重要分支,对机器学习有着直接的影响。诸如算法建模、参数设置、验证策略、识别欠拟合和过拟合,等等。读者往往知道线性代数很有用,常常全书通读,造成时间不足和效率较低,归因于对线性代数在机器学习中的重点和用途不明。本章主要以简明的方式介绍常用的线性代数知识,并使读者知道线性代数常用于哪些方面。

⊚ 第4 章概率论:机器学习与深度学习是多学科交叉的科学技术,其中数学尤为重要,是很多形式化模型向数学建模的必经过程。继线性代数核心知识的介绍之后,本章着重介绍概率论的相关知识。

⊚ 第5 章统计学:在数据科学中,统计学的地位尤为显著。这是一门在数据分析的基础上,研究如何测定、收集、整理、归纳和分析数据规律,以便给出正确消息的学科。通过揭示数据背后的规律和隐藏信息,给相关角色提供参照价值,以做出相应的决策。其在数据挖掘、自然语言处理、机器学习中都被广泛应用。本章首先介绍常见的图形可

视化的概念和使用,继而介绍数据度量标准、概率分布、统计假设检验、相关和回归,以短小精悍的篇章使读者掌握基本的统计知识。

⊚ 第6 章语言学:本章主要从语音、词汇、语法三个角度对现代汉语进行一个简单概要的勾勒,在以往传统的语言学教材中一般还有“文字”“修辞”两节内容,因篇幅有限、与全书关联不强,在此删繁就简,未给读者一一呈现。需要注意的是,语言学本身是一门十分庞杂的学科,知识体系与研究方法或因语言不同而有区别,或因派别主义不同而有区别。但无论是何种语言,或是何门何派,在进行自然语言处理时我们要面临的永远是一个个真实的语料和具体的语言现象。理论是用来指导实践、拓宽我们研究思路的,究竟最后采用何种理论,这只是一个“白猫黑猫”的问题。

⊚ 第7 章自然语言处理:本章开篇直击要点,即自然语言处理的任务和限制。进而介绍其所涉及的主要技术范畴,并对这些技术方向进行介绍。在针对当前自然语言处理的难点进行详细剖析后,最终对2017 年以后自然语言处理的发展进行展望。

⊚ 第8 章语料库:大数据发展的基石就是数据量的快速增加,无论是自然语言处理、数据挖掘、文本处理,还是机器学习领域,都是在此基础上通过规则或统计方法进行模型构建的。但是不是数据量足够大就叫大数据了呢?是不是数据量足够多就构成语料库了呢?带着这些疑问,本章将带你走进语料库的世界,对语料知识进行一次全面而深入的了解。

⊚ 第9 章中文自动分词:中文分词技术属于自然语言处理的技术范畴,中文分词是其他中文信息处理的基础,搜索引擎只是中文分词的一个应用。诸如机器翻译(MT)、语音合成、自动分类、自动摘要、自动校对,等等。

⊚ 第10 章数据预处理:数据预处理的整个步骤流程在自然语言处理的工程中要比其在机器学习的工程中精简一些,最大的区别就在于数据清洗和特征构造这两个至关重要的过程。在自然语言处理中特征构造是否良好,很大程度上取决于所构造的特征数据集的数据特性与文本内容语义吻合程度的高低。比如,文本情感分类和文本内容分类都属于分类范畴,但对于同一种算法(参数都调整到最优),在两个不同分类的业务下,得到的结果可能会相差很大。通过仔细分析,我们不难发现造成这种差异的根本原因就是构造出来的特征数据集的数据模式没有很好地契合文本的真实语义,这也是自然语言处理的最大难点。

⊚ 第11 章马尔可夫模型:笔者最早接触马尔可夫模型的定义源于吴军先生的《数学之美》一书,起初觉得深奥难懂且没什么用处。直到学习自然语言处理时,才真正使用到马尔可夫模型,并体会到此模型的奇妙之处。马尔可夫模型在处理序列分类时具有强大的功能,解决诸如词类标注、语音识别、句子切分、字素音位转换、局部句法剖析、语块分析、命名实体识别、信息抽取等问题。此外它还广泛应用于自然科学、工程技术、生物科技、公用事业、信道编码等多个领域。

⊚ 第12 章条件随机场:条件随机场常用于序列标注、数据分割等自然语言处理任务中,此外在中文分词、中文人名识别和歧义消解等任务中也有应用。本书基于笔者在做语句识别序列标注过程中对条件随机场产生的了解。主要内容源于自然语言处理、机器学习、统计学习方法和部分网上资料对CRF 的相关介绍,最后由笔者进行大量研究整理后汇总成知识体系。本章首先介绍条件随机场的相关概念,然后结合实例以期让读者深入理解条件随机场的应用。

⊚ 第13 章模型评估:本章源于基于HMM 模型序列标注的一个实验,在实验完成之后,迫切想知道采用的序列标注模型好坏,有哪些指标可以度量。于是就产生了对这一专题进度的学习总结,这样也便于其他人参考。本章依旧简明扼要地梳理出模型评估核心指标,以期达到实用的目的。

⊚ 第14 章命名实体识别:命名实体识别在自然语言处理中占据着非常重要的地位,也是不可逾越的学术问题。命名实体识别的学术理论和研究方法众多,本章侧重整体介绍。首先阐述命名实体识别的背景知识和研究概况,介绍中文命名实体识别的特点与难点,辅以案例加深理解;然后对命名实体识别当前的研究方法和核心技术进行详细介绍;最后展望其在未来人工智能方面的发展前景。

⊚ 第15 章自然语言处理实战:自然语言处理技术是理论与实践相结合的一门学科,通过前面基础理论知识的介绍,读者对其理论有所认识,但其究竟有何用、怎么用却不深刻。本章通过实例演练,一方面对前面几章的知识进行复习回顾,另一方面利于加深理解研发的相关工作。本章的第一个案例以GitHub 为例,实现数据提取和可视化;第二个案例以微博话题为例,实现数据采集、提取、存储与分析。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/370650.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

NOIP2017年11月9日赛前模拟

最后一次NOIP模拟了 题目1:回文数字 Tom 最近在研究回文数字。  假设 s[i] 是长度为 i 的回文数个数(不含前导0),则对于给定的正整数 n 有: 以上等式中最后面的括号是布尔表达式,Tom 想知道S[n] mod 2333…

height百分比失效

heigh:100%失效 解决方案: 第一种 html, body { height: 100%; } 第二种 div { height: 100%; position: absolute; } 非定位元素的宽高百分比计算不会将 padding 计算在内,而定位元素会计算在内。 利用这个特性可以实现图片左右半区点击分别上一张图…

Java堆空间,本机堆和内存问题

最近,我在和一个朋友讨论为什么Java进程使用的内存比启动Java进程时设置的最大堆多。 代码创建的所有Java对象都是在Java堆空间内创建的,其大小由-Xmx选项定义。 但是一个Java进程由很多空间组成,而不仅仅是Java堆空间。 以下是组成Java进程…

mysql视图表怎么设置约束_MySQL一一sql的视图、索引、约束

一、视图本质上相当于一张**“虚拟表”**,可当作独立的一张表进行操作(增、删、改、查)** 作用:**** a)**可通过权限控制,只将“表中的少数列”暴露给数据库用户,而不让该用户直接操纵数据库中“实际表”** b)**…

Software Development Life Cycle

转载于:https://www.cnblogs.com/genezhao/p/6879848.html

python中 的用法_详解python中@的用法

python中的用法 是一个装饰器,针对函数,起调用传参的作用。 有修饰和被修饰的区别,function作为一个装饰器,用来修饰紧跟着的函数(可以是另一个装饰器,也可以是函数定义)。 代码1 结果1 Its fun…

ArrayAndString(数组和字符串)

1.实现一个算法,确定一个字符串的所有字符是否全都不同。假使不允许使用额外的数据结构,又该怎么处理? public class UniqueChars {public static void main(String[] args) {// TODO Auto-generated method stubString string "abcdef…

MyBatis教程– CRUD操作和映射关系–第2部分

为了说明这一点,我们正在考虑以下示例域模型: 会有用户,每个用户可能都有一个博客,每个博客可以包含零个或多个帖子。 这三个表的数据库结构如下: CREATE TABLE user (user_id int(10) unsigned NOT NULL auto_incr…

position 的属性值

理论上来说,全部 position 的取值有8个 包括:position:static | relative | absolute | fixed | sticky | initial | inherit | unset 其中最常用的是 static 、relative、absolute、fixed 和 sticky initial、inherit、unset 是css的关键…

[ JavaScript ] JavaScript 实现继承.

对于javascript中的继承,因为js中没有后端语言中的类式继承。所以js中的继承,一般都是原型继承(prototype)。 function P (name){this.name name;this.say function(){console.log(p);} }function S (name,id){this.id id;this.eat function(){conso…

mysql数据库应用的权限层级_MySQL数据库的用户权限管理

嗨!各位小伙伴今天翻了一下历史记录MySQL 数据库还有点内容今天开始我们就来补上吧~用户权限管理伙伴们要知道,在数据库方面有两个方向。一个是数据库管理员(Database Administrator)简称DBA,一个是数据库开发工程师(Database Developer)&…

linux i2c adapter 增加设备_Linux驱动之I2C驱动架构

一、Linux的I2C体系结构主要由三部分组成:(1) I2C核心提供I2C控制器和设备驱动的注册和注销方法,I2C通信方法,与适配器无关的代码以及探测设备等。(2) I2C控制器驱动(适配器)(3) I2C设备驱动二、重要的结构体i2c_adapter//i2c控制器(适配器)i…

Alpha-end

前言 失心疯病源10团队代码管理github个人感悟 肝不动了,肝不动了。明天如果见不到我,不要太想我。站立会议 队名:PMS530雨勤(组长) 今天完成了那些任务 熬夜肝代码代码签入github明天的计划 肝到凌晨还剩下哪些任务 团…

html 01前沿-web介绍

1. 认识网页 网页主要由文字、图像和超链接等元素构成。当然,除了这些元素,网页中还可以包含音频、视频以及Flash等。 2. 浏览器(显示代码) 浏览器是网页显示、运行的平台,常用的浏览器有IE、火狐(Firefox…

避免写慢SQL

最近在整理数据库中的慢SQL,同时也查询了相关资料。记录一下,要学会使用执行计划来分析SQL。 1. 为查询缓存优化你的查询 大多数的MySQL服务器都开启了查询缓存。这是提高性最有效的方法之一,而且这是被MySQL的数据库引擎处理的。当有很多相同…

为什么子孙后代会讨厌使用java.util.Stack

在我用无意义的重言式杀死你之前,这是要点 如果您的应用程序接近实时,或者将代码发送到Mars,则需要保留Java中默认的Stack实现。 根据LinkedList编写您自己的版本。 同样,如果您的应用程序是关键任务,并且希望堆栈由…

play 连接mysql_Play framework 2.x 连接mysql | 学步园

笔者所使用的系统为64位 windows7。本文假设java1.5版本以上环境已经搭好,play 框架已经下载至本地。首先我们创建一个项目。命令行进入play的目录命令:play new demo再次输入项目名字输入2 选择java项目创建完成界面OK,一个play框架下的java…

rpm -e --nodeps_微课 | rpm的思维导图

前导课程:微课 | rpm的查询、升级与卸载命令本次微课将演示使用xmind绘制rpm思维导图的过程,包括视频文字,大约需要你10分钟。另外,文末还有一则IT冷笑话,学习之余、会心一笑:)这个思维导图将包含以下内容:…

CentOS7搭建lamp环境

Mysql安装 CentOS 7 版本将MySQL数据库软件从默认的程序列表中移除,用mariadb代替了。MariaDB数据库管理系统是MySQL的一个分支,主要由开源社区在维护,采用GPL授权许可。开发这个分支的原因之一是:甲骨文公司收购了MySQL后&#x…

border-sizing属性详解和应用

box-sizing用于更改用于计算元素宽度和高度的默认的 CSS 盒子模型。它有content-box、border-box和inherit三种取值。inherit指的是从父元素继承box-sizing表现形式,不再冗赘。1. 属性讲解 content-box 默认值,也是css2.1中的盒子模型。在计算 width和…