什么是Guava-Libraries？

Guava-Libraries是google对java的一个扩展，主要涵盖集合、缓存、并发、I/O、反射等等。

它本来是Google内部所使用的一个类库，后来整理开源出来了。这套库的设计引入了很多新的理念，研究一下可能会使你对Java这门语言有新的认识和看法。

地址：http://code.google.com/p/guava-libraries/

这篇短文主要是关于Guava-Libraries基础工具，内容是我参考官方wiki和自己的使用体验结合而成。

null的使用

null在java中是一个很特殊的东西。它可以标识一个不确定的对象，比如

Ojbect o =null

同时在很多个集合中它代表key不存在，也可以代表值为null。

null使用需要给外的小心，稍不注意就会出现很多问题。当然更多的时候只是单纯的觉得null不够优雅而已。

Guava为我们提供了一个Optional的抽象类来解决这个问题。用类Present和Absent代表值存在和不存在。

以下是一个例子：

Optional possible = Optional.of(5);
if (possible.isPresent()) {
System.out.println(possible.get());
}

Optional absentValue = Optional. absent();
if (absentValue.isPresent())
System.out.println(absentValue.get());
System.out.println(absentValue.or(-1));
System.out.println(absentValue.orNull());
System.out.println(absentValue.asSet());

第一种是值存在的，第二种是值不存在的。执行效果如下：

这里说明一下isPresent()方法是判断是否有值的。or方法是非null返回Optional的值，否则返回传入值。

orNull()方法是非null返回Optional的值，否则返回null。

我个人觉得or方法比较常用就是了。

条件判断

说明：写本文时还没有提供java平台的，现在官方有java平台的sdk了，可以直接使用。本文已经没有太多实际意义了。

语音识别技术

语音识别就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令。语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。说实话其中的技术比较多，要独立开发新的基本上不现实。所以自然把目光放到开源项目或者其他公司的API上面了。开源项目我尝试了SpeakRight和sphinx4，但是效果都是一般。AT&T的API老是申请不上，最后把目光放在科大讯飞上了。试用了一下，效果还行，但是它提供的Windows平台的API是C/C++的，我只懂点皮毛，所以稍微研究了一下通过Java调用它的语音云SDK。

JNA

java调用.dll获取.so一般通过JNI，但是JNI的使用比较复杂，需要用C另写一个共享库进行适配。而JNA是一个自动适配工具，通过它调用.dll只需要一个借口即可。

官网：https://github.com/twall/jna/

下载jna.jar即可。

编写接口

科大讯飞语音云主要提供语音合成和语音识别两个方面的东西，我主要使用语音识别这块的功能。

建立接口QTSR，继承Library。

将msc.dll等文件复制到项目根目录。

加载msc.dll

QTSR INSTANCE = (QTSR) Native.loadLibrary("msc", QTSR.class);

然后来看一下msc.dll公开了哪些方法。首先是QISRInit，这是一个全局初始化函数。

它的返回值为int，参数是const char。int还是java的int，但是char就对应的是java的String了。

所以在QTSR中添加方法：

publicintQISRInit(String configs);

返回值在msp_errors.h中定义，等一下我们还是要弄在java里面去。

继续看QISRInit函数，在官方文档中有调用示例：

constchar* configs=“server_url=dev.voicecloud.cn, timeout=10000, vad_enable=true”;

int ret = QISRInit( configs );

if(MSP_SUCCESS 

什么是umbraco

Umbraco是一个开放源码的CMS内容管理系统，基于asp.net建立，使用mssql进行存储数据。 使用Umbraco ，设计师能创造出有效的XHTML标记模板和开发人员可以创建任何基于.Net的模块。主要特点包括:

• 漂亮，友好的用户界面
• 综合所见即所得编辑器
• 支持编辑在Microsoft Word
• 全部源代码可用（开放源代码）
• 超级简单的模板引擎
• 完全支持Web标准

最近需要把一个asp的软件下载站点转移到asp.net，数据库最好用MSSQL。在网上Google一番以后决定试试umbraco，看着一大票的英文文档是在有些难受，还是先看看umbraco是什么样子的再研究文档。我的电脑是Win7的，装了MSSQL 2005 DEV和VS2010，没有IIS7。

获取umbraco

umbraco的官网是：http://www.umbraco.org/

下载地址：http://www.umbraco.org/download

还有一个中文的爱好者网站：http://www.umbracochina.com/

这个中文网站提供了汉化包，针对4.7和4.X版本（是这么写着的），但是我不推荐用这个。因为文档毕竟没有汉化，汉化的界面虽然看着舒服，但是文档有些东西就对不上了。当然个人观点哈。

下载界面最上面的是针对Microsoft Web Platform Installer or WebMatrix的，没用过…

点下面那个下到4.7.2的编译好的版本，直接解压到D盘去，在IIS中新建一个站点，然后访问…

错误和解决

访问直接报服务器错误：HTTP 错误 500.19 – Internal Server Error，无法访问请求的页面，因为该页的相关配置数据无效。

看情况是缺少配置，我打开Web.config确实没有这个节点的配置。我比较好奇为什么这个有名的一个开源项目的配置有错误…难道是我无意中跳了步骤？

不管了，参考一下标准配置将配置文件补全，在configSections节点中添加：

<sectiongroupname="system.web.extensions"type="System.Web.Configuration.SystemWebExtensionsSectionGroup, 

简介

最开始接触ormlite是在android的开发中，ormlite的简单便利让我印象深刻。

这几天在研究顾客购物行为，需要使用到数据库，但是对于数据库的速度什么的要求不大，我首先想到的是Ormlite+Sqlite。

实体类

ormlite的官网http://ormlite.com/，最新版本4.41

因为是在一般java环境中使用，所以不需要那个android包。

引入包以后建立modal，例如：Commodity.java。因为使用的sqlite，主键自增长，设置为

@DatabaseField(generatedId =true)

完整的代码如下：

package com.cnblogs.htynkn.DataSpider.Modal;

import com.j256.ormlite.field.DatabaseField;
import com.j256.ormlite.table.DatabaseTable;

/**
*@author 夜明的孤行灯
*@date 2012-6-29
*/

@DatabaseTable(tableName ="Commodity")
publicclass Commodity {
@DatabaseField(generatedId =true)
privateint id;
@DatabaseField(columnName ="Name")
private String name;
@DatabaseField(columnName ="JdKey")

文本倾向性分析

文本倾向性分析（情感分析 ）是将用户的观点分为“正面”和“负面”，有时候会多一个“中性”。文本倾向性分析一个比较直观的应用就是追踪用户对于一个事物的观点和偏好，比如分析豆瓣上一个电影的评论进行分析。正因为如此情感分析又被称为观点挖掘。

LingPipe

lingpipe 是alias公司开发的一款自然语言处理软件包，包括主题分类、句题检测、字符语言建模等十余个模块。而且文档完整，甚至每一个算法都有论文参考。更难能可贵的是它支持中文。

官方地址：http://alias-i.com/lingpipe/

下载地址：http://alias-i.com/lingpipe/web/download.html

LingPipe分为两个大块，一块是LingPipe核心文件，另外一块是LingPipe的模型类。需要支持中文的话需要下载Chinese Word Segmentation模块。

准备语料库

语料库在语言学上意指大量的文本，通常经过整理，具有既定格式与标记。

一般而言做情感分析有个很重要的步骤就是采集观点并进行整理，但由于应用场景不同，处理方法也不同。为了方便起见，这里使用已经处理好的语料库。Movie Review Data的polarity dataset v2.0，包含1000个正面的观点和1000个负面观点。当然这个是英文的哈。

基本极性分析

基本极性是指事物从样本来看所处的整体倾向，比如：一本书，用户对其的情感倾向是正面的，这样的断言就是一个基本极性断言。

基本极性的分析直接使用LingPipi的DynamicLMClassifier即可。

大致上来讲分为两步，第一步训练，第二步进行分析。

新建一个类名为PolarityBasic。

publicPolarityBasic(String basePath) {
pDir =new File(basePath,"txt_sentoken");//获取语料集
categories = pDir.list();//获取类别
int nGram =4;
classifer = DynamicLMClassifier.createNGramProcess(categories,