小菜鸟

java菜鸟号正在起航

发表于 更新于 分类于 Waline： 阅读次数： 本文字数： 5.1k 阅读时长 ≈ 5 分钟

Struts2 入门示例：从配置到请求处理的完整流程

Struts2 是一款经典的 Java Web MVC 框架，通过拦截器机制处理请求，将业务逻辑与视图展示分离。本文基于提供的示例代码，详细讲解 Struts2 的第一个应用如何搭建，包括核心依赖、配置文件、Action 类编写及请求访问流程。

环境准备与核心依赖

1. 导入 Struts2 核心包

使用 Maven 构建项目时，需在pom.xml中添加 Struts2 核心依赖：

<dependency>
  <groupId>org.apache.struts</groupId>
  <artifactId>struts2-core</artifactId>
  <version>2.5.22</version> <!-- 版本需根据实际需求选择 -->
</dependency>

该依赖包含 Struts2 的核心类（如拦截器、Action 支持类）和默认配置文件（如struts-default.xml）。

Web.xml 配置：Struts2 拦截器的注册

Struts2 通过拦截器接收所有 Web 请求，因此需在web.xml中配置其核心过滤器StrutsPrepareAndExecuteFilter：

阅读全文 »

发表于 更新于 分类于 Waline： 阅读次数： 本文字数： 6.8k 阅读时长 ≈ 6 分钟

XML 格式验证：DTD 与 XML Schema 详解

XML（可扩展标记语言）的灵活性使其广泛应用于数据交换和存储，但这种灵活性也带来了格式混乱的风险。为确保 XML 文档的结构合法性和数据有效性，需要通过语义约束机制进行验证。目前主流的 XML 验证方式有两种：DTD（文档类型定义） 和XML Schema（XML 模式）。

DTD（Document Type Definition，文档类型定义）

DTD 是最早的 XML 语义约束标准，通过定义元素、属性、实体等规则，规范 XML 文档的结构。它语法简单，易于理解，但功能有限。

DTD 的引入方式

DTD 可以嵌入 XML 文档内部，或作为外部文件引用，主要有三种引入方式：

（1）内部 DTD

DTD 规则直接定义在 XML 文档内部，仅对当前文档有效。

语法格式：

<?xml version="1.0"?>
<!DOCTYPE 根元素 [
  <!-- DTD规则定义 -->
]>
<!-- XML文档内容 -->

示例：

<?xml version="1.0"?>
<!DOCTYPE note [
  <!ELEMENT note (to, from, body)>  <!-- note元素必须包含to、from、body子元素，顺序固定 -->
  <!ELEMENT to (#PCDATA)>          <!-- to元素只能包含文本 -->
  <!ELEMENT from (#PCDATA)>        <!-- from元素只能包含文本 -->
  <!ELEMENT body (#PCDATA)>        <!-- body元素只能包含文本 -->
]>
<note>
  <to>ll</to>
  <from>zh</from>
  <body>hello</body>
</note>
（2）外部 DTD

DTD 规则存储在独立的.dtd文件中，可被多个 XML 文档共享，便于维护。

语法格式：

<?xml version="1.0"?>
<!DOCTYPE 根元素 SYSTEM "外部DTD文件路径">
<!-- XML文档内容 -->
阅读全文 »

发表于 更新于 分类于 Waline： 阅读次数： 本文字数： 3.9k 阅读时长 ≈ 4 分钟

MapReduce 数据清洗：脏数据进来，干净数据出去，连 Reduce 都省了

数据清洗是数据分析的第一步，也是最重要的一步——“垃圾进，垃圾出”，数据不干净，后面的分析全是错的。

清洗就是三件事：

  1. 过滤掉坏数据（格式错、字段缺、值不对）
  2. 标准化好数据（日期统一、大小写统一）
  3. 去掉重复的

在 MapReduce 里做数据清洗有个特别的优势：只需要 Mapper，不需要 Reducer。

因为清洗是逐条处理——每条数据独立判断、独立转换，不需要聚合。省掉 Reduce 阶段，就省掉了 Shuffle，数据直接从 Mapper 写到 HDFS，快得多。

为什么数据清洗不需要 Reduce？

MapReduce 的标准流程是 Map → Shuffle → Reduce。但清洗场景不需要分组、不需要聚合。

每条数据独立处理，过滤掉坏的，转换好的，然后直接输出。

flowchart TD
    A[原始数据HDFS] --> B[InputFormat 分片]  
    B --> C[Mapper 读取并清洗数据]  
    C -->|过滤/转换| D[符合条件的数据输出]  
    D --> E[OutputFormat 写入 HDFS]

所以配置就是一句话：

job.setNumReduceTasks(0);

Reduce 数量设成 0，Shuffle 就不会发生，数据直接走 Mapper → OutputFormat → HDFS。

省掉了排序、省掉了网络传输、省掉了磁盘溢写——对于只需要”过滤+转换”的作业，这是最大的性能优化。

一个例子：清洗 Nginx 日志

原始日志：

192.168.1.1 - [2023-10-01 12:00:00] "GET /index.html" 200 1024
192.168.1.2 - [2023-10-01 12:01:00] "GET /error.html" 404 512
192.168.1.3 - [2023-10-01 12:02:00] "POST /submit" 200 2048
阅读全文 »

发表于 更新于 分类于 Waline： 阅读次数： 本文字数： 3.1k 阅读时长 ≈ 3 分钟

ReduceTask 工作机制：拉数据、排序、分组、计算——一个 Reduce 任务的完整一生

Map 阶段干完活了，输出了一堆中间文件，散落在各个节点上。Reduce 的任务就是：把这些数据拉过来，按 Key 分组，然后执行你的业务逻辑。

ReduceTask 走四个阶段：

Copy → Merge → Sort → Reduce

  • Copy：从各个 Map 节点把属于自己的数据拉过来
  • Merge：把拉过来的数据合并、排序
  • Sort：最终按 Key 排好，分好组
  • Reduce：跑你的业务逻辑，输出结果
flowchart TD
    A[Map 输出文件] -->|Copy 阶段| B[ReduceTask 拉取分区数据]  
    B -->|Merge 阶段| C[内存/磁盘合并数据]  
    C -->|Sort 阶段| D[按 Key 分组排序]  
    D -->|Reduce 阶段| E[执行 reduce 函数输出结果]  
    E --> F[写入 HDFS 最终结果]
阅读全文 »

发表于 更新于 分类于 Waline： 阅读次数： 本文字数： 4.5k 阅读时长 ≈ 4 分钟

JMS（Java 消息服务）详解：规范、模型与实践

JMS（Java Message Service，Java 消息服务）是 Sun 公司定义的一套面向消息中间件的 Java 规范，旨在为 Java 应用程序提供统一的消息通信接口。它类似于 JDBC（数据库访问规范），屏蔽了不同消息中间件（如 ActiveMQ、RabbitMQ）的实现差异，使开发者能通过统一的 API 进行跨平台、跨组件的异步通信。

JMS 核心概念与作用

核心目标

JMS 的核心是实现应用程序之间的异步、可靠通信，通过消息中间件作为中介，解除发送方与接收方的直接耦合：

  • 发送方只需将消息发送到消息中间件，无需关心接收方是否在线或如何处理消息。
  • 接收方可在合适时机从中间件获取消息，实现 “发送即忘” 的异步通信模式。

消息系统的优势

  • 解耦：服务间无需直接依赖，通过消息间接通信，降低系统耦合度。
  • 异步：发送方无需等待接收方处理完成，提高系统响应速度。
  • 可靠：消息中间件确保消息不丢失、不重复，支持事务和持久化。
  • 削峰填谷：应对突发流量（如秒杀场景），通过消息队列缓冲请求，避免系统过载。

JMS 编程模型：六大核心组件

JMS 定义了一套标准化的组件，所有 JMS 应用程序都基于这些组件构建，确保跨平台兼容性。

系统管理对象（Administered Objects）

由消息中间件管理员配置，客户端通过 JNDI（Java 命名和目录接口）获取，包括连接工厂和目标对象。

阅读全文 »
0%