Android常用的开源项目及其比较系列-Retrofit进阶教程

上一篇我们谈了谈Androiod开源项目的网络框架, 比较了它们之间的优缺点,原文在这里 。今天我们着重谈谈Retrofit框架如何更友好的使用,本着提出问题解决问题的原则,也为大家以后解决问题提供基本思路。

目前都有哪些问题?

根据官方Demo, 简单使用是这么样的


上面代码如果用在实际项目中有如下问题:

  • 只能创建指定的服务,而实际项目中可能有多种服务,如:登录,支付、事件上报、Github

  • URL固定,同样的实际项目中不同服务 base url可能不同。

  • 如果项目https中用到自签名证书该怎么办?

如何解决问题?

上面我们简单提出我们会遇到的问题, 其实总结就是一个问题如何更好的封装Retrofit?对于封装每个人的理解不一样,这就是为什么android中会出现那么多开源网络框架,我一直爱说“没有最好的、只有更好的”。
前面两个问题解决基本思路是首先我们提炼公共部分,然后实现不同的部分,,废话不多说先上代码。

从上面的代码我们可以看到创建一个createService抽象方法,让子类进行相应的实现。代码如下:

如何解决自签名问题?

解决签名问题之前,我们来说说什么是自签名?因为Retrofit访问网络是通过okhttp去真正进行网络请求的, 而okhttp默认情况下是支持https协议的,比如:https://www.google.com、https://www.github.com  。支持的https的网站基本都是CA机构颁发的证书,默认情况下是可以信任的。
当自己搭建https的网站,自己通过keytool去生成一个证书,然后使用,并不是CA机构去颁发的。使用自签名证书的网站,大家在使用浏览器访问的时候,一般都是报风险警告,大名鼎鼎的网站就是这么干的,12306。
如果通过代码访问,可能有如下异常:


简单说一下, https协议其实是http+SSL, SSL位于TCP/IP和HTTP协议之间,最终保证数据安全。客服端和服务端建立连接之前需要,先要进行一次握手,基本原理如下:

  1. 浏览器将自己支持的一套加密算法、HASH算法发送给网站。

  2. 网站从中选出一组加密算法与HASH算法,并将自己的身份信息以证书的形式发回给浏览器。证书里面包含了网站地址,加密公钥,以及证书的颁发机构等信息。

  3. 浏览器获得网站证书之后,开始验证证书的合法性,如果证书信任,则生成一串随机数字作为通讯过程中对称加密的秘钥。然后取出证书中的公钥,将这串数字以及HASH的结果进行加密,然后发给网站。

  4. 网站接收浏览器发来的数据之后,通过私钥进行解密,然后HASH校验,如果一致,则使用浏览器发来的数字串使加密一段握手消息发给浏览器。

  5. 浏览器解密,并HASH校验,没有问题,则握手结束。接下来的传输过程将由之前浏览器生成的随机密码并利用对称加密算法进行加密。

代码实现如下:


上面代码主要干了上面几件事

  • 构造CertificateFactory对象,通过它的generateCertificate(is)方法得到Certificate。

  • 然后讲得到的Certificate放入到keyStore中。

  • 通过trustManagers、keyManagers初始化我们的SSLContext

调用如下:
如果是单向认证,上面就可以了, 如果是双向的,即服务端要认证客服端的合法性,HttpsUtils.getSslSocketFactory(null, null, null) 后两个参数就是要填client的bsf文件和相应的密码了,一般用在安全性比较高的场景,如:支付。

总结

好了, 到目前为止我们已经解决上面所提到的问题了, 这里只是Call使用, 还可以结合RxJava一块使用, 可以让威力变得无穷。
如果你有更好的想法, 可以联系我,一块探讨、进步!
项目地址: https://github.com/jasonim/Retrofit-Utils-

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