nodejs流之行读取器例子

我们现在写一个类,然后可以传入一个文件路径得到类的实例 然后我们可以监听它的newLine事件,当这个行读取器每次读到一行的时候就会向外发射newLine事件,当读到结束的时候会发射end事件 mac下的:<Buffer 31 32 33 0a 34 35 36 0a 37 38 39 0a 30>

Unix系统里,每行结尾只有换行"(line feed)",即"\n",
Windows系统里面,每行结尾是"<回车><换行>",即"\r\n"
Mac系统里,每行结尾是"回车"(carriage return),即"\r"
在ASCII码里
换行 \n 10 0A
回车 \r 13 0D

let EventEmitter = require("events");
let util = require("util");
let fs = require("fs");
const NEW_LINE = 0x0A; // /n换行
const RETURN = 0x0D; // /r 回车
function LineReader(path, encoding) {
    EventEmitter.call(this); //成为EventEmitter的子类,后面会用到EventEmitter父类的方法
    this.encoding = encoding || "utf8";
    this._reader = fs.createReadStream(path); //创建一个可读流
    //当给一个随心添加一个新的监听函数时候回触发newListener事件
    this.on("newListener", (type, listener) => {
        //如果说你添加了newLine和监听,那么就开始读取文件内容并按行发射数据
        if (type == "newLine") { //监听事件
            //当我们监听了一个可读流的readable事件,流会调用底层的读取文件的API方法填充缓存区,填充完之后向外发射readable事件
            let buffers = [];
            //两种方式来监听可读流,on("data")流动模式不走缓存区 on("readable") 暂停模式
            this._reader.on("readable", () => {
                let char; //Buffer 是一个只有一个字节Buffer
                //console.log(this._reader.read(1)); //[Buffer 31]
                while (null != (char = this._reader.read(1))) {
                    switch (char[0]) {
                        case NEW_LINE:
                        //buffers是以个字节数组,所以我们要用Buffer.from来转换成Buffer
                            this.emit("newLine", Buffer.from(buffers).toString(this.encoding));
                            buffers.length = 0; //清空缓存
                            break;
                        case RETURN:
                            this.emit("newLine", Buffer.from(buffers).toString(this.encoding));
                            buffers.length = 0; //清空缓存
                            //往后再读一个字节
                            let nChar=this._reader.read(1);
                            if(nChar[0]!=NEW_LINE){
                                buffers.push(nChar[0]);
                            }
                            break;
                        default:
                        //每次读一个字节放到buffers里面缓存起来
                            buffers.push(char[0]);
                            break;
                    }
                }
            });
            //当你用流去监听数据的时候用on("data")或者on("readable")都一样,当读完之后读会发射end事件
            
            this._reader.on("end",()=>{
                //当end的时候有可能还有数据所以要emit发射一下
                this.emit('newLine',Buffer.from(buffers).toString(this.encoding));
                this.emit("end");
            })
        }
    })
};
util.inherits(LineReader, EventEmitter);
module.exports = LineReader;
复制代码
let LineReader = require('./5.LineReader');
let reader = new LineReader('./1.txt','utf8');
reader.on('newLine',data=>{
    console.log(data);//123 456 789 0
});
reader.on('end',()=>{
    console.log('over');
});
复制代码

时间不早了,今天就到这了,洗洗睡了

人丑就要多读书

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