Android网络框架xUtils的Http网络数据请求操作

42 篇文章 6 订阅
18 篇文章 0 订阅

xUtils:当前比较火的框架,并且用处也是比较多。

一.目前xUtils主要有四大模块:

DbUtils模块:用于数据库的操作,也是需要注解方式指定表名和列名;
ViewUtils模块:注解方式就可以进行UI,资源和事件绑定;
HttpUtils模块:用于网络数据的请求;
BitmapUtils模块:用于图片的下载和绑定视图;

本文主要讲解xUtils中的Http网络数据请求操作。

使用:
AndroidStudio使用xUtils之前添加依赖就可以了:

    compile 'org.xutils:xutils:3.3.38'

GitHub中的源码地址:https://github.com/wyouflf/xUtils3

二.使用示例

(一)添加依赖语句

compile 'org.xutils:xutils:3.3.38'

(二)添加权限

<uses-permission android:name="android.permission.INTERNET" />
<uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE" />

(三)在自己的Application中的onCreate方法里注册xutils

x.Ext.init(this);

这里要记得在AndroidManifest中添加Application中的name。

(四)设计布局activity_main.xml文件

<?xml version="1.0" encoding="utf-8"?>
<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"
    android:layout_width="match_parent"
    android:layout_height="match_parent"
    android:orientation="vertical">


    <Button
        android:layout_width="wrap_content"
        android:layout_height="wrap_content"
        android:onClick="btn1"
        android:text="btn1" />

    <Button
        android:layout_width="wrap_content"
        android:layout_height="wrap_content"
        android:onClick="btn2"
        android:text="btn2" />

    <Button
        android:layout_width="wrap_content"
        android:layout_height="wrap_content"
        android:onClick="btn3"
        android:text="btn3" />

</LinearLayout>

(五)java代码设计

package fuxi.xutils;

import android.os.Bundle;
import android.support.v7.app.AppCompatActivity;
import android.view.View;
import android.widget.Toast;

import org.xutils.common.Callback;
import org.xutils.http.RequestParams;
import org.xutils.x;

/**
 * xUtils中的HttpUtils的使用示例
 */

public class HttpUtilsDemo extends AppCompatActivity {
    @Override
    public void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main2);
    }

    /**
     * get的方式请求网络字符串数据
     * 这里请求的是html百度网页的源码数据
     */
    public void btn1(View view) {
        //设置Url地址
        RequestParams entity = new RequestParams("https://www.baidu.com");
        //数据请求,这里先要设置回到的call接口对象,数据在接口对象的方法中获取
        x.http().get(entity, call);

    }

    /**
     * get的方式请求网络json字符串数据
     * 传入一些键值对的值
     * 这里演示的是ShowAPI网站中的示例
     */
    public void btn2(View view) {
        //设置Url地址
        RequestParams entity = new RequestParams("http://route.showapi.com/341-3?");
        entity.addQueryStringParameter("showapi_appid", "13074");
        entity.addQueryStringParameter("showapi_sign", "ea5b4bf2e140498bb772d1bf2a51a7a0");
        //数据请求,这里先要设置回到的call接口对象,数据在接口对象的方法中获取
        x.http().get(entity, call);
    }

    /**
     * get的方式请求网络数据
     * 这里使用的是有缓存的数据的请求
     */
    public void btn3(View view) {
        RequestParams entity = new RequestParams("https://www.baidu.com");
        // 默认缓存存活时间, 单位:毫秒.(如果服务没有返回有效的max-age或Expires)
        entity.setCacheMaxAge(1000 * 60);
        // 使用CacheCallback, xUtils将为该请求缓存数据.
        Callback.Cancelable cancelable = x.http().get(entity, new Callback.CacheCallback<String>() {

            private boolean hasError = false;
            private String result = null;

            @Override
            public boolean onCache(String result) {
                // 得到缓存数据, 缓存过期后不会进入这个方法.
                // * 如果信任该缓存返回 true, 将不再请求网络;
                //   返回 false 继续请求网络, 但会在请求头中加上ETag, Last-Modified等信息,
                //   如果服务端返回304, 则表示数据没有更新, 不继续加载数据.
                this.result = result;
                return false; // true: 信任缓存数据, 不在发起网络请求; false不信任缓存数据.
            }

            @Override
            public void onSuccess(String result) {
                // 注意: 如果服务返回304 或 onCache 选择了信任缓存, 这时result为null.
                if (result != null) {
                    this.result = result;
                }
            }

            @Override
            public void onError(Throwable ex, boolean isOnCallback) {
                hasError = true;
                Toast.makeText(x.app(), ex.getMessage(), Toast.LENGTH_LONG).show();
            }

            @Override
            public void onCancelled(CancelledException cex) {
                Toast.makeText(x.app(), "cancelled", Toast.LENGTH_LONG).show();
            }

            @Override
            public void onFinished() {
                if (!hasError && result != null) {
                    // 成功获取数据
                    Toast.makeText(x.app(), "finish" + result, Toast.LENGTH_LONG).show();
                }
            }
        });


    }

    /**
     * 网络请求时的callBack回调对象
     */
    Callback.CommonCallback call = new Callback.CommonCallback<String>() {
        @Override
        public void onSuccess(String result) {
            Toast.makeText(x.app(), result, Toast.LENGTH_LONG).show();
        }

        @Override
        public void onError(Throwable ex, boolean isOnCallback) {
            Toast.makeText(x.app(), ex.getMessage(), Toast.LENGTH_LONG).show();
        }

        @Override
        public void onCancelled(Callback.CancelledException cex) {
            Toast.makeText(x.app(), "cancelled", Toast.LENGTH_LONG).show();
        }

        @Override
        public void onFinished() {

        }
    };


}

程序运行后的界面:
s1

点击第一个按钮,请求到的百度页面的源码数据:
s1

点击第二个按钮获取到json数据:
s2

点击第三个按钮请求到,有缓存的百度网页源码数据
s3

      上面就是简单的示例演示,Post请求比较复杂一些。
      并且这个xUtils框架工具一直在更新,我看网上大部分的用法都已经过时了。有点纠结的就是原作者的标注解释也不多!

      这里请求到了json数据就可以就行处理获取到对应的数据,一般还有使用gson网络框架解析成Bean对象。

  • 4
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,下面我将介绍使用PyTorch框架实现MNIST数据集分类的卷积神经网络。在开始之前,请确保已经安装了PyTorch。 首先,导入必要的库: ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import transforms, datasets ``` 接着,我们可以定义一些超参数: ```python batch_size = 64 learning_rate = 0.01 num_epochs = 10 ``` 然后,我们可以使用PyTorch内置的transforms模块来对数据进行预处理,包括将数据转换为张量、数据归一化等操作: ```python transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) ``` 接下来,我们可以使用datasets模块来加载MNIST数据集: ```python train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True) ``` 然后,我们可以使用DataLoader模块来创建数据加载器: ```python train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False) ``` 接着,我们可以定义卷积神经网络模型: ```python class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv2d(1, 32, kernel_size=5, padding=2) self.conv2 = nn.Conv2d(32, 64, kernel_size=5, padding=2) self.fc1 = nn.Linear(64*7*7, 1024) self.fc2 = nn.Linear(1024, 10) self.pool = nn.MaxPool2d(kernel_size=2, stride=2) self.relu = nn.ReLU(inplace=True) def forward(self, x): x = self.conv1(x) x = self.relu(x) x = self.pool(x) x = self.conv2(x) x = self.relu(x) x = self.pool(x) x = x.view(-1, 64*7*7) x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x ``` 这里我们定义了一个包含两个卷积层和两个全连接层的卷积神经网络。 接下来,我们可以实例化模型,并定义损失函数和优化器: ```python model = CNN() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate) ``` 然后,我们可以开始训练模型: ```python for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() if (i+1) % 100 == 0: print('Epoch [%d/%d], Iter [%d/%d] Loss: %.4f' % (epoch+1, num_epochs, i+1, len(train_dataset)//batch_size, loss.item())) ``` 最后,我们可以计算模型在测试集上的准确率: ```python correct = 0 total = 0 with torch.no_grad(): for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the model on the 10000 test images: %.2f %%' % (100 * correct / total)) ``` 这样就完成了使用PyTorch框架实现MNIST数据集分类的卷积神经网络

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

峥嵘life

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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