Android解析XML文件的三方法之PULL

7 篇文章 0 订阅

除了可以使用SAX和DOM解析XML文件,大家也可以使用Android内置的Pull解析器解析XML文件。Pull解析器的运行方式与SAX解析器相似。它提供了类似的事件,如:开始元素和结束元素事件,使用parser.next()可以进入下一个元素并触发相应事件。事件将作为数值代码被发送,因此可以使用一个switch对感兴趣的事件进行处理。当元素开始解析时,调用parser.nextText()方法可以获取下一个Text类型节点的值。

public class PullService {
public static List<Person> readXML(InputStream inputStream) throws IOException{
    XmlPullParser parser = Xml.newPullParser();
    try {
    parser.setInput(inputStream, "UTF-8");
    int eventType = parser.getEventType();
   
    Person currentPerson = null;
    List<Person> persons = null;
    while (eventType != XmlPullParser.END_DOCUMENT) {
     switch (eventType) {
    case XmlPullParser.START_DOCUMENT://文档开始事件,可以进行数据初始化处理
      persons = new ArrayList<Person>();
      break;
    case XmlPullParser.START_TAG://开始元素事件
      String name = parser.getName();
      if (name.equalsIgnoreCase("person")) {
       currentPerson = new Person();
       currentPerson.setId(new Integer(parser.getAttributeValue(null, "id")));
      } else if (currentPerson != null) {
       if (name.equalsIgnoreCase("name")) {
        currentPerson.setName(parser.nextText());// 如果后面是Text节点,即返回它的值
       } else if (name.equalsIgnoreCase("age")) {
        currentPerson.setAge(new Short(parser.nextText()));
       }
      }
      break;
    case XmlPullParser.END_TAG://结束元素事件
      if (parser.getName().equalsIgnoreCase("person") && currentPerson != null) {
       persons.add(currentPerson);
       currentPerson = null;
      }
      break;
     }
     eventType = parser.next();
    }
    inputStream.close();
    return persons;
    } catch (Exception e) {
     e.printStackTrace();
    }
    return null;
   }

//将内容保存至XML文件
public static String writeXML(List<Person> persons, Writer writer){
     XmlSerializer serializer = Xml.newSerializer();
     try {
         serializer.setOutput(writer);
         serializer.startDocument("UTF-8", true);
       //第一个参数为命名空间,如果不使用命名空间,可以设置为null
         serializer.startTag("", "persons");
         for (Person person : persons){
             serializer.startTag("", "person");
             serializer.attribute("", "id", person.getId().toString());
             serializer.startTag("", "name");
             serializer.text(person.getName());
             serializer.endTag("", "name");
             serializer.startTag("", "age");
             serializer.text(person.getAge().toString());
             serializer.endTag("", "age");
             serializer.endTag("", "person");
         }
         serializer.endTag("", "persons");
         serializer.endDocument();
         return writer.toString();
     } catch (Exception e) {
         e.printStackTrace();
     }
     return null;
}


}

生成的person.xml如下:

<?xml version="1.0" encoding="UTF-8"?>
<persons>
<person id="23">
   <name>liming</name>
   <age>30</age>
</person>
<person id="20">
   <name>lili</name>
   <age>25</age>
</person>

</persons>

原文地址:点击打开链接

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,能够捕捉数据中的时间依赖性。 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,它们在神经网络中用于添加非线性,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