如何在Android中解析AMF

转自:http://blog.csdn.net/visualcatsharp/article/details/6636960

 AMF是Adobe捣鼓出来的一种开源的传输格式,用在多个地方,例如flash与后台传输,red5流媒体之类。在Adobe的BlazeDS服务器其实已经提供了如何解析AMF的代码,但由于耦合度有点高,因此有热心人士从BlazeDS服务器源代码中将解析AMF那一部分抽了出来并放在google的代码库里,网址如下:http://code.google.com/p/amf-serializer/,这个类库在Java环境下使用完全没有问题,但在Android中使用的时候,会报一些类似于PropertyDescriptor没找到或者解析不了的错误。原因在于Android1.6的JavaSDK里貌似没有PropertyDescriptor这个类。PropertyDescriptor是一个用于内省的类,其实里面有一些功能我们完全可以用基本的反射来模拟出来:

PropertyDescriptor

[java]  view plain copy
  1. import java.lang.reflect.Method;  
  2.   
  3. public class PropertyDescriptor {  
  4.     private String name;  
  5.     private String displayName;  
  6.     private Method readMethod;  
  7.     private Method writeMethod;  
  8.     public String getName() {  
  9.         return name;  
  10.     }  
  11.     public void setName(String name) {  
  12.         this.name = name;  
  13.     }  
  14.     public String getDisplayName() {  
  15.         return displayName;  
  16.     }  
  17.     public void setDisplayName(String displayName) {  
  18.         this.displayName = displayName;  
  19.     }  
  20.     public Method getReadMethod() {  
  21.         return readMethod;  
  22.     }  
  23.     public void setReadMethod(Method readMethod) {  
  24.         this.readMethod = readMethod;  
  25.     }  
  26.     public Method getWriteMethod() {  
  27.         return writeMethod;  
  28.     }  
  29.     public void setWriteMethod(Method writeMethod) {  
  30.         this.writeMethod = writeMethod;  
  31.     }  
  32. }  

PropertyDescriptorHelper

[java]  view plain copy
  1. import java.lang.reflect.Method;  
  2. import java.util.ArrayList;  
  3. import java.util.HashMap;  
  4. import java.util.List;  
  5. import java.util.Map;  
  6.   
  7. public class PropertyDescriptorHelper {  
  8.   
  9.     public static List<PropertyDescriptor> getPropertyDescriptors(Class<?> type) {  
  10.         List<PropertyDescriptor> lsDescriptor = new ArrayList<PropertyDescriptor>();  
  11.         Method[] aryMethod = type.getMethods();  
  12.         Map<String, Method> dicMethod = new HashMap<String, Method>();    
  13.         for (Method method : aryMethod) {       
  14.             if(method.getName().startsWith("set") && method.getParameterTypes() != null && method.getParameterTypes().length == 1) {  
  15.                 dicMethod.put(method.getName(),method);    
  16.             }  
  17.         }  
  18.           
  19.         for(Method method : aryMethod) {  
  20.             if (method.getName().startsWith("get") && method.getParameterTypes().length == 0) {  
  21.                 String name = Character.toLowerCase(method.getName().charAt(3)) + method.getName().substring(4, method.getName().length());  
  22.                   
  23.                 PropertyDescriptor desc = new PropertyDescriptor();  
  24.                 desc.setDisplayName(name);  
  25.                 desc.setName(name);  
  26.                 desc.setReadMethod(method);  
  27.                 String setMethodName = "set" + name.substring(0,1).toUpperCase() + name.substring(1, name.length());  
  28.                 if(dicMethod.containsKey(setMethodName)){  
  29.                     desc.setWriteMethod(dicMethod.get(setMethodName));  
  30.                 }  
  31.                 lsDescriptor.add(desc);  
  32.             } else if (method.getName().startsWith("is") && method.getParameterTypes().length == 0) {  
  33.                 String name = Character.toLowerCase(method.getName().charAt(2)) + method.getName().substring(3, method.getName().length());  
  34.                 PropertyDescriptor desc = new PropertyDescriptor();  
  35.                 desc.setDisplayName(name);  
  36.                 desc.setName(name);  
  37.                 desc.setReadMethod(method);  
  38.                 String setMethodName = "set" + name.substring(0,1).toUpperCase() + name.substring(1, name.length());  
  39.                 if(dicMethod.containsKey(setMethodName)){  
  40.                     desc.setWriteMethod(dicMethod.get(setMethodName));  
  41.                 }  
  42.                 lsDescriptor.add(desc);  
  43.             }  
  44.         }  
  45.           
  46.         return lsDescriptor;  
  47.     }  
  48.       
  49.     public static List<PropertyDescriptor> getPropertyDescriptors(Object bean) {  
  50.         return getPropertyDescriptors(bean.getClass());  
  51.     }  
  52. }  

有了这两个类以后,就可以查找amf-serializer类库中所有使用到PropertyDescriptor的地方,替换为我们写的这两个类,这样解析AMF的基本功能就具备了。

         不过单纯使用这个类库,只是能解析AMF,但与服务端交互的功能还没有。这个也很简单,BlazeDS服务器源代码里就有一个AMFConnection类,这个类包装了JDK里的HttpURLConnection类进行网络传输并对AMF进行序列化反序列化,我们只需要把这个抽出来修改一下就可以用。

         顺便提一下,AMF其实是支持多个方法调用的,原理就是在一个AMFMessage里添加多个AMFBody,每一个AMFBody就是一个方法调用,但AMFConnection默认并不支持多个方法调用,大家参考AMFConnection类里的call方法自行添加即可。

         完整的demo请到这里下载:http://download.csdn.net/detail/visualcatsharp/4294746


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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