区别
一.设计思想
react
1 函数式思想，all in js ,jsx语法，js操控css
2 单项数据流
3 setState重新渲染
4 每当应用的状态被改变时，全部子组件都会重新渲染。当然，这可以通过shouldComponentUpdate这个生命周期方法来进行控制，如果为true继续渲染、false不渲染，但Vue将此视为默认的优化。
vue
1 响应式思想，也就是基于数据可变的。把html、js、css、组合到一起，也可以通过标签引擎组合到一个页面中
2 双向绑定，每一个属性都需要建立watch监听（页面不用，涉及到组件更新的话需要）
3 Vue宣称可以更快地计算出Virtual DOM的差异，这是由于它在渲染过程中，会跟踪每一个组件的依赖关系，不需要重新渲染整个组件树
二、性能
react ----大型项目
优化需要手动去做，状态可控
vue ------中小型项目
状态改变需要watch监听，数据量太大的话会卡顿
三、扩展性
react
1 类式写法api少，更容易结合ts
2 可以通过高阶组件来扩展
vue
1 声明式写法，结合ts比较复杂
2 需要通过mixin方式来扩展
React刚开始也有mixin的写法，通过React.createClass的api，不过现在很少用了。
Vue也不是不能实现高阶组件，只是特别麻烦，因为Vue对与组件的option做了各种处理，想实现高阶组件就要知道每一个option是怎么处理的，然后正确的设置。
1、 Spring的 IOC和AOP机制 ？
2、 Spring中 `@Autowired` 和 `@Resource` 注解的区别？
3、依赖注入的方式有几种，各是什么?
4、讲一下什么是 Spring ？
5、 Spring的AOP理解：
6、Spring的IOC理解
7、解释一下 Spring bean的生命周期
8、 解释Spring支持的几种bean的作用域
9、 Spring基于xml注入bean的几种方式：
10、Spring框架中都用到了哪些设计模式？
11、聊一聊Spring中@Transactional注解及其失效的六种场景
12、Spring AOP（思想）以及AspectJ框架（重点）
在Java开发领域中，Java IO（输入输出）和NIO（New IO，非阻塞IO）是非常重要的主题。掌握这两个概念不仅可以帮助开发人员更好地理解Java的IO操作，还可以在面试过程中展现自己的技术能力。本文将介绍一些常见的Java IO和NIO面试题，希望可以帮助读者进一步了解这两个关键概念。
Java IO是Java编程中最常用的一部分，涉及到文件、网络等数据的输入输出操作。以下是一些常见的Java IO面试题：
Java IO（输入输出）是Java提供的用于处理输入输出的API。它提供了一套用于读取和写入数据的类和接口，包括文件操作、网络操作等。
Java IO通过流（Stream）的方式进行数据的读取和写入。输入数据流向程序的过程称为输入流，输出数据从程序流向外部的过程称为输出流。
Java NIO是Java提供的新的IO模型，相比于传统的Java IO，NIO提供了更高效的IO操作。以下是一些关于Java NIO的面试题：
Java NIO是一种非阻塞IO模型，通过通道（Channel）和缓冲区（Buffer）来进行数据的读取和写入。相比于传统的Java IO，NIO提供了更高效的IO操作。
Java NIO和Java IO相比，Java NIO具有更高的性能和更好的可扩展性。Java NIO是基于通道和缓冲区的操作模型，而Java IO是基于流的操作模型。
总的来说，Java IO和NIO都是Java中重要的IO操作模型，不同场景下可以根据需求选择合适的IO模型。在面试过程中，对Java IO和NIO的了解可以展现出你的专业知识和技术能力，希望以上内容可以帮助读者更好地准备相关面试题目。
劳动档案是跟随者你的工作移动的，有的公司并不接收你的劳动档案，那就在人才中心保管着。
蔚蓝档案和碧蓝档案是塞尔达传说系列游戏中的两个不同的档案系统。蔚蓝档案是游戏《塞尔达传说：蔚蓝之瞳》中的档案系统，玩家可以创建多个不同的档案，每个档案都有独立的游戏进度和存档记录。玩家可以在不同的档案间切换，体验不同的故事线、角色发展和游戏进度。碧蓝档案则是游戏《塞尔达传说：碧之轨迹》中的档案系统，与蔚蓝档案不同的是，碧蓝档案是线性的，玩家不能创建多个档案，只能在同一个档案中进行游戏。此外，碧蓝档案中的进度保存也比较简单，不同于蔚蓝档案中的频繁手动存档，碧蓝档案会在玩家完成特定篇章后自动保存进度。总之，蔚蓝档案和碧蓝档案是两个不同的游戏中的档案系统，拥有不同的功能和特点。
业务档案是跑业务的，科技档案是科学
1.Dubbo的工作流程是什么？
答：Dubbo的工作流程包括：provider向注册中心去注册自己为一个服务，consumer去注册中心订阅服务，注册中心会通知consumer注册好的服务，consumer会将provider的地址等信息拉取到本地缓存，consumer去调用provider，consumer和provider都异步的通知监控中心。
2.Dubbo的通信原理是什么？
答：Dubbo底层使用hessian2进行二进制序列化进行远程调用，Dubbo底层使用Netty框架进行异步通信。
3.Dubbo负载均衡策略有哪些？
答：Dubbo负载均衡策略包括：random loadbalance、roundrobin loadbalance、leastactive loadbalance、consistanthash loadbalance等。
4.ZooKeeper是什么？有什么作用？
答：ZooKeeper是一个分布式协调服务，可以用于分布式应用程序的协调和管理。它提供了一个分布式的、开放的、可靠的数据存储，用于存储和管理分布式应用程序的配置信息、命名服务、状态信息等。
5.ZooKeeper的特点是什么？
答：ZooKeeper的特点包括：高可用性、高性能、数据一致性、顺序访问、可靠性、容错性等。
6.ZooKeeper的工作原理是什么？
答：ZooKeeper的工作原理是基于ZAB协议，它将数据存储在内存中，并将数据同步到所有的ZooKeeper服务器上，保证数据的一致性。ZooKeeper使用了一种基于观察者模式的机制，当数据发生变化时，会通知所有的观察者。
7.ZooKeeper的节点类型有哪些？
答：ZooKeeper的节点类型包括：持久节点、临时节点、持久顺序节点、临时顺序节点。
8.ZooKeeper如何保证数据的一致性？
答：ZooKeeper使用了ZAB协议来保证数据的一致性，它将数据存储在内存中，并将数据同步到所有的ZooKeeper服务器上，保证数据的一致性。
在现代社会中，各行各业都有许多不同的职称，这些职称反映了一个人在特定领域中的专业知识和技能水平。职称一般由相关的行业组织或政府机构颁发，以认可和奖励个人在特定领域的成就和贡献。
在档案行业和图书行业中，同样存在着职称制度。档案职称是指在档案领域内，根据个人的学历、工作经验和成绩评定出来的专业职称。而图书职称则是指在图书馆和出版领域内的职业资格认证，也是评定个人在该领域中专业能力的一种方式。
虽然档案职称和图书职称看似是两个不同的概念，但事实上它们之间存在着一定的通用性。首先，档案工作和图书工作都是以信息管理为核心的职业，都需要掌握相应的专业知识和技能。因此，无论是从事档案工作还是从事图书工作，都需要具备一定的学术背景和技术能力。
其次，档案和图书在实际工作中有很多交叉点，比如数字化文献的管理和检索、信息资源的整理和编目等。在这些共同的领域里，档案职称和图书职称所要求的能力和素质是相似的。因此，一些人员可能会同时拥有档案职称和图书职称，以增加自己在职场上的竞争力和适应不同的工作环境。
此外，档案职称和图书职称的获取方法也有一定的相似之处。一般来说，都需要通过相关考试或职称评定机构认证，符合一定的条件才能获得职称。这些条件可能包括学历、工作经验、学术成果等方面的要求。
综上所述，尽管档案职称和图书职称是针对不同领域的职业资格认证，但它们之间存在一定的交叉点和通用性。这为从事档案工作或图书工作的人员提供了更广泛的发展空间和职业选择。无论选择哪一种职称，只要不断学习和提升自己的专业能力，相信都能在相关领域中取得良好的职业发展。
个人人事档案分别在组织部和人社局管理，组织部和人社局专门设有档案室。机关事业单位的副科级以上人员的档案在组织部管理。机关事业单位的一般干部档案在人社局管理。党员的档案在各级党委或县委组织部管理，包括有入党申请书、入党志愿书或受过党组织表彰奖励或处分等。
共青团员的档案在党政机关或乡镇，本人所在的团委存档。
之前看了Mahout官方示例 20news 的调用实现；于是想根据示例的流程实现其他例子。网上看到了一个关于天气适不适合打羽毛球的例子。
训练数据：
Day Outlook Temperature Humidity Wind PlayTennis
D1 Sunny Hot High Weak No
D2 Sunny Hot High Strong No
D3 Overcast Hot High Weak Yes
D4 Rain Mild High Weak Yes
D5 Rain Cool Normal Weak Yes
D6 Rain Cool Normal Strong No
D7 Overcast Cool Normal Strong Yes
D8 Sunny Mild High Weak No
D9 Sunny Cool Normal Weak Yes
D10 Rain Mild Normal Weak Yes
D11 Sunny Mild Normal Strong Yes
D12 Overcast Mild High Strong Yes
D13 Overcast Hot Normal Weak Yes
D14 Rain Mild High Strong No
检测数据：
sunny，hot，high，weak
结果：
Yes=》 0.007039
No=》 0.027418
于是使用Java代码调用Mahout的工具类实现分类。
基本思想：
1. 构造分类数据。
2. 使用Mahout工具类进行训练，得到训练模型。
3。将要检测数据转换成vector数据。
4. 分类器对vector数据进行分类。
接下来贴下我的代码实现=》
1. 构造分类数据：
在hdfs主要创建一个文件夹路径 /zhoujainfeng/playtennis/input 并将分类文件夹 no 和 yes 的数据传到hdfs上面。
数据文件格式，如D1文件内容： Sunny Hot High Weak
2. 使用Mahout工具类进行训练，得到训练模型。
3。将要检测数据转换成vector数据。
4. 分类器对vector数据进行分类。
这三步，代码我就一次全贴出来；主要是两个类 PlayTennis1 和 BayesCheckData = =》
package myTesting.bayes;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.util.ToolRunner;
import org.apache.mahout.classifier.naivebayes.training.TrainNaiveBayesJob;
import org.apache.mahout.text.SequenceFilesFromDirectory;
import org.apache.mahout.vectorizer.SparseVectorsFromSequenceFiles;
public class PlayTennis1 {
private static final String WORK_DIR = "hdfs://192.168.9.72:9000/zhoujianfeng/playtennis";
/*
* 测试代码
*/
public static void main(String[] args) {
//将训练数据转换成 vector数据
makeTrainVector();
//产生训练模型
makeModel(false);
//测试检测数据
BayesCheckData.printResult();
}
public static void makeCheckVector(){
//将测试数据转换成序列化文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"testinput";
String output = WORK_DIR+Path.SEPARATOR+"tennis-test-seq";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean参数是，是否递归删除的意思
fs.delete(out, true);
}
SequenceFilesFromDirectory sffd = new SequenceFilesFromDirectory();
String[] params = new String[]{"-i",input,"-o",output,"-ow"};
ToolRunner.run(sffd, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("文件序列化失败！");
System.exit(1);
}
//将序列化文件转换成向量文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"tennis-test-seq";
String output = WORK_DIR+Path.SEPARATOR+"tennis-test-vectors";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean参数是，是否递归删除的意思
fs.delete(out, true);
}
SparseVectorsFromSequenceFiles svfsf = new SparseVectorsFromSequenceFiles();
String[] params = new String[]{"-i",input,"-o",output,"-lnorm","-nv","-wt","tfidf"};
ToolRunner.run(svfsf, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("序列化文件转换成向量失败！");
System.out.println(2);
}
}
public static void makeTrainVector(){
//将测试数据转换成序列化文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"input";
String output = WORK_DIR+Path.SEPARATOR+"tennis-seq";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean参数是，是否递归删除的意思
fs.delete(out, true);
}
SequenceFilesFromDirectory sffd = new SequenceFilesFromDirectory();
String[] params = new String[]{"-i",input,"-o",output,"-ow"};
ToolRunner.run(sffd, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("文件序列化失败！");
System.exit(1);
}
//将序列化文件转换成向量文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"tennis-seq";
String output = WORK_DIR+Path.SEPARATOR+"tennis-vectors";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean参数是，是否递归删除的意思
fs.delete(out, true);
}
SparseVectorsFromSequenceFiles svfsf = new SparseVectorsFromSequenceFiles();
String[] params = new String[]{"-i",input,"-o",output,"-lnorm","-nv","-wt","tfidf"};
ToolRunner.run(svfsf, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("序列化文件转换成向量失败！");
System.out.println(2);
}
}
public static void makeModel(boolean completelyNB){
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"tennis-vectors"+Path.SEPARATOR+"tfidf-vectors";
String model = WORK_DIR+Path.SEPARATOR+"model";
String labelindex = WORK_DIR+Path.SEPARATOR+"labelindex";
Path in = new Path(input);
Path out = new Path(model);
Path label = new Path(labelindex);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean参数是，是否递归删除的意思
fs.delete(out, true);
}
if(fs.exists(label)){
//boolean参数是，是否递归删除的意思
fs.delete(label, true);
}
TrainNaiveBayesJob tnbj = new TrainNaiveBayesJob();
String[] params =null;
if(completelyNB){
params = new String[]{"-i",input,"-el","-o",model,"-li",labelindex,"-ow","-c"};
}else{
params = new String[]{"-i",input,"-el","-o",model,"-li",labelindex,"-ow"};
}
ToolRunner.run(tnbj, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("生成训练模型失败！");
System.exit(3);
}
}
}
package myTesting.bayes;
import java.io.IOException;
import java.util.HashMap;
import java.util.Map;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.PathFilter;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.mahout.classifier.naivebayes.BayesUtils;
import org.apache.mahout.classifier.naivebayes.NaiveBayesModel;
import org.apache.mahout.classifier.naivebayes.StandardNaiveBayesClassifier;
import org.apache.mahout.common.Pair;
import org.apache.mahout.common.iterator.sequencefile.PathType;
import org.apache.mahout.common.iterator.sequencefile.SequenceFileDirIterable;
import org.apache.mahout.math.RandomAccessSparseVector;
import org.apache.mahout.math.Vector;
import org.apache.mahout.math.Vector.Element;
import org.apache.mahout.vectorizer.TFIDF;
import com.google.common.collect.ConcurrentHashMultiset;
import com.google.common.collect.Multiset;
public class BayesCheckData {
private static StandardNaiveBayesClassifier classifier;
private static Map<String, Integer> dictionary;
private static Map<Integer, Long> documentFrequency;
private static Map<Integer, String> labelIndex;
public void init(Configuration conf){
try {
String modelPath = "/zhoujianfeng/playtennis/model";
String dictionaryPath = "/zhoujianfeng/playtennis/tennis-vectors/dictionary.file-0";
String documentFrequencyPath = "/zhoujianfeng/playtennis/tennis-vectors/df-count";
String labelIndexPath = "/zhoujianfeng/playtennis/labelindex";
dictionary = readDictionnary(conf, new Path(dictionaryPath));
documentFrequency = readDocumentFrequency(conf, new Path(documentFrequencyPath));
labelIndex = BayesUtils.readLabelIndex(conf, new Path(labelIndexPath));
NaiveBayesModel model = NaiveBayesModel.materialize(new Path(modelPath), conf);
classifier = new StandardNaiveBayesClassifier(model);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("检测数据构造成vectors初始化时报错。。。。");
System.exit(4);
}
}
/**
* 加载字典文件，Key: TermValue； Value：TermID
* @param conf
* @param dictionnaryDir
* @return
*/
private static Map<String, Integer> readDictionnary(Configuration conf, Path dictionnaryDir) {
Map<String, Integer> dictionnary = new HashMap<String, Integer>();
PathFilter filter = new PathFilter() {
@Override
public boolean accept(Path path) {
String name = path.getName();
return name.startsWith("dictionary.file");
}
};
for (Pair<Text, IntWritable> pair : new SequenceFileDirIterable<Text, IntWritable>(dictionnaryDir, PathType.LIST, filter, conf)) {
dictionnary.put(pair.getFirst().toString(), pair.getSecond().get());
}
return dictionnary;
}
/**
* 加载df-count目录下TermDoc频率文件，Key: TermID； Value：DocFreq
* @param conf
* @param dictionnaryDir
* @return
*/
private static Map<Integer, Long> readDocumentFrequency(Configuration conf, Path documentFrequencyDir) {
Map<Integer, Long> documentFrequency = new HashMap<Integer, Long>();
PathFilter filter = new PathFilter() {
@Override
public boolean accept(Path path) {
return path.getName().startsWith("part-r");
}
};
for (Pair<IntWritable, LongWritable> pair : new SequenceFileDirIterable<IntWritable, LongWritable>(documentFrequencyDir, PathType.LIST, filter, conf)) {
documentFrequency.put(pair.getFirst().get(), pair.getSecond().get());
}
return documentFrequency;
}
public static String getCheckResult(){
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String classify = "NaN";
BayesCheckData cdv = new BayesCheckData();
cdv.init(conf);
System.out.println("init done...............");
Vector vector = new RandomAccessSparseVector(10000);
TFIDF tfidf = new TFIDF();
//sunny，hot，high，weak
Multiset<String> words = ConcurrentHashMultiset.create();
words.add("sunny",1);
words.add("hot",1);
words.add("high",1);
words.add("weak",1);
int documentCount = documentFrequency.get(-1).intValue(); // key=-1时表示总文档数
for (Multiset.Entry<String> entry : words.entrySet()) {
String word = entry.getElement();
int count = entry.getCount();
Integer wordId = dictionary.get(word); // 需要从dictionary.file-0文件（tf-vector）下得到wordID，
if (StringUtils.isEmpty(wordId.toString())){
continue;
}
if (documentFrequency.get(wordId) == null){
continue;
}
Long freq = documentFrequency.get(wordId);
double tfIdfValue = tfidf.calculate(count, freq.intValue(), 1, documentCount);
vector.setQuick(wordId, tfIdfValue);
}
// 利用贝叶斯算法开始分类,并提取得分最好的分类label
Vector resultVector = classifier.classifyFull(vector);
double bestScore = -Double.MAX_VALUE;
int bestCategoryId = -1;
for(Element element: resultVector.all()) {
int categoryId = element.index();
double score = element.get();
System.out.println("categoryId:"+categoryId+" score:"+score);
if (score > bestScore) {
bestScore = score;
bestCategoryId = categoryId;
}
}
classify = labelIndex.get(bestCategoryId)+"(categoryId="+bestCategoryId+")";
return classify;
}
public static void printResult(){
System.out.println("检测所属类别是："+getCheckResult());
}
}
