IT博客-搜索引擎

不要把所有的鸡蛋放在一个篮子里 -- 吴军谈最大熵模型 [转]

专心练剑 — Thu, 09 Oct 2008 07:34:00 GMT

摘要: 数学上最漂亮的办法是最大熵(maximum entropy)模型，它相当于行星运动的椭圆模型。“最大熵”这个名词听起来很深奥，但是它的原理很简单，我们每天都在用。说白了，就是要保留全部的不确定性，将风险降到最小。阅读全文

专心练剑 2008-10-09 15:34 发表评论

在亚马逊EC2上托管Web站点

专心练剑 — Sun, 05 Oct 2008 02:38:00 GMT

摘要: 关于亚马逊的弹性计算云(Elastic Cloud Computing) 阅读全文

专心练剑 2008-10-05 10:38 发表评论

浅谈SaaS系统中的数据模型设计

专心练剑 — Sun, 07 Sep 2008 03:39:00 GMT

来源:e800企业软件频道

在如今的中小企业管理软件市场中，特别是在中国，应用企业管理软件来优化运营及提升企业生产效率的需求一直在持续上升，而其中基于软件即服务理念的 SaaS模式也为很多企业所青睐，但由于目前市场上这一模式的解决方案所能覆盖的范围有限，而且有些开发实施运营中的关键问题迟迟得不到很好的解决，导致这一市场还没有能被真正被开发起来。

　　本文尝试通过对国内外对于基于SaaS模式的数据模型的几种常见思路及其适用场景的研究，对这方面的若干关键问题进行初步的探讨和分析。

　　一． SaaS系统常见数据模型

　　在设计SaaS系统的数据模型时出于服务客户及减低开发成本等考虑，在数据的共享和隔离之间求得一定的平衡是必须考虑的一个重要因素。

因此一般在设计对应数据模型时不仅要考虑到技术因素，例如怎样构建一个弹性架构以支持数目不定的客户、怎样消除大容量并发访问数据库对系统性能造成的压力以及怎样允许用户按需扩展自定义数据等；同时也必须将商业因素纳入考虑范围之中，例如架构在该SaaS系统上的业务应用主要面向哪些行业的客户、目标客户对于数据存储方式是否有基于一定法律法规的要求等等。一般而言，SaaS系统的数据模型有如下三种形式：

　　1.1独立数据库

　　将每个客户的数据单独存放在一个独立数据库是实现数据隔离的一种最为简便的解决方案。

在应用这种数据模型的SaaS系统中，大部分系统资源和应用代码还是由所有的客户所共享使用，但物理上每个客户有自己的一整套数据，而且单独存放。系统将借由元数据（Metadata）来记录哪一个数据库属于哪一个特定客户，与此同时也可以部署一定的数据库访问策略来确保即使系统处于异常状况下，客户数据也不会被其它客户意外访问到。

　　显而易见的是，一旦每个客户拥有其独立数据库，那他将可以轻易的对其做个性化的修改来符合其实际业务需求，而且如果系统出现异常情况需要将历史备份数据重新恢复的话，也将是一项轻而易举的工作。但是，这种数据模型的最大问题是对应的部署和维护成本非常高，硬件资源的消耗将明显高于其它两种方案，一台服务器将只能支持有限数量的客户。作为一种对应的解决技巧，系统可以定期使用例如SQL Server 2003中提供的Auto-close功能将暂时没有活动连接使用的数据库实例从服务器的内存中移除，因此每台服务器可以更灵活的支持相对较多的客户访问，但这也只能在一定程度上缓解服务器的压力。

　　当客户由于所处行业因素或其它商业因素的限制，愿意支付额外的费用来做到数据隔离，确保数据安全，这种独立数据库的数据模型将是最为适合的解决方案。举例来说，处于银行业或医疗行业的客户们经常会有非常强的隔离数据的需求，这些客户甚至可能根本不会考虑去使用任何不提供客户独立数据库支持的SaaS系统。

　　1.2共享数据库单独模式（Schema）

　　第二种方式则是所有客户使用同一数据库，但各自拥有一套不同的数据表组合存在于其单独的模式之内。

在这种数据模型下，当客户尝试第一次使用该SaaS系统时，系统在创建用户环境时会创建一整套默认的表结构，同时将其关联到该客户的独立模式。此时一般使用SQL CREATE命令来创建模式，同时授权一个用户帐号来访问该模式。举例来说，在SQL Server 2005 中可以使用如下命令：

　　CREATE SCHEMA ContosoSchema AUTHORIZATION Contoso

　　接下来，系统可以使用SchemaName.TableName来访问该客户的模式：

　　CREATE TABLE ContosoSchema.Resumes (EmployeeID int identity primary key, Resume nvarchar(MAX))

　　一旦模式创建完毕，它将成为该客户所属用户帐号访问的的默认模式。

　　ALTER USER Contoso WITH DEFAULT_SCHEMA = ContosoSchema

一旦默认模式设置完毕，在使用该客户的用户帐号进行SQL语句操作时就不要再使用SchemaName.TableName 来指定特定的数据表，而是只需要指明表名即可。因此在系统代码内一句简单的SQL语句就可以应用于所有客户，而且每个客户仅访问到自己的模式内的数据:

　　SELECT * FROM Resumes

这种客户独立模式的方式相对比较容易被实现，而且从数据扩展性而言，这种解决方案和独立数据库一样，客户可以相对自由的对其中的数据结构进行新增和修改。一般在最初创建该客户的模式时，系统会预先创建一整套默认的数据结构，但在那之后，客户可以对其做个性化的修改来符合其实际业务需求。

　　这种客户独立模式的方式在数据共享和隔离之间获得了一定的平衡，它既借由数据库共享使得一台服务器就可以支持更多的客户，又在物理上实现了一定程度的数据隔离以确保数据安全。

但这种解决方案的一个不利之处就是当系统出现异常情况需要将历史备份数据重新恢复的话，流程将变得相对复杂。因为如果每个客户拥有独立数据库的话，那么只需恢复该客户最近的数据库备份即可。但在独立模式的模式下，如果简单的恢复数据库备份，那就意味着数据库内所有客户的数据将一同被恢复，无论该客户是否数据受损或需要做数据恢复与否。因此，在独立模式下，如果系统管理员希望恢复某个特定客户的数据，需要将数据库的备份解压到某临时服务器空间内，然后选定特定客户的表数据将其覆盖到系统主数据库内，一般来说，这将是一项非常复杂且耗时的工作。

这种客户独立模式的方式比较适合应用在每个客户拥有比较少的表数量的情况下，比如每个客户只有100张表或更少。这种方式毫无疑问可以在每台服务器上支持比独立数据库方式更多的客户数量，减低了服务供应商的运营成本。因此一旦SaaS系统的潜在客户们不介意其数据与其它客户的数据物理上存放在同一数据库内，这将是SaaS系统开发商一种理想的选择。

　　1.3共享数据库共享模式（Schema）

　　第三种方式是用一个数据库和一套数据表来存放所有客户的数据。在这种模式下一个数据表内可以包含了多个客户的记录，由一个客户ID字段来确认哪条记录是属于哪个客户的。

在所有这三种数据模型中，这种共享模式的方式具有最低的硬件成本和维护成本，而且每台服务器可以支持最大数量的客户。但是由于所有客户使用同一套数据表，因此可能需要在保证数据安全性上花费更多额外的开发成本，以确保一个客户永远不会因系统异常而访问到其它客户的数据。

在这种共享模式的方式下，恢复备份数据的流程类似上文提到的共享数据库但独立模式的方式，系统管理员解压备份数据至临时服务器空间，选定需要恢复的数据表，而且还需要额外的选定所需要恢复的客户记录，再导入到系统主数据库内。如果此时有大量记录需要导入，则系统的数据库服务的性能将受到很大影响，而且所有正在使用系统的客户也将受到影响。

　　如果SaaS服务供应商需要使用尽量少的服务器资源来服务尽可能多的客户，而且潜在客户们愿意在一定程度上放弃对数据隔离的需求来获得尽可能低廉的服务价格，则这种共享模式的方式是非常适合的。　　

　　二．开发商如何选择合适的数据模型

　　上述三种SaaS系统的数据模型各有其利弊，因此在为特定的SaaS应用选择适合的数据模型时，必须考虑到下列因素：

　　2.1 成本因素

　　基于数据共享设计的SaaS系统要求较高的开发成本（因为基于数据共享的系统架构相对比较复杂），因此初始投入较大，到长期来看运营维护成本则相对较少。

　　而基于数据隔离设计的SaaS系统则由于所需要硬件会随着支持客户数的上升而快速上升，因此相对初始投入尚可，但长期来看会有一个比较高的运营维护成本。

总体而言，选择数据共享的方式从长远角度可以为SaaS服务供应商节省大量的金钱。但远在其最终开始盈利之前，该类系统在开发中就已经需要大量的初期投入。如果无法投入所需的开发资源，或者由于商业原因需要将所开发的SaaS系统尽可能快的投放到市场，则选择数据隔离的设计模式更为恰当。

　　2.2安全因素

通常在SaaS系统中会存放有很多敏感的客户业务数据，因此客户会对确保数据的安全性有很高的期望，SaaS服务供应商与客户签署的服务条款中会需要包含很多数据安全保障条款。当然，一般客户常见误解是只有采取数据隔离方式设计的SaaS系统才能完全确保数据的安全性；事实上，采取数据共享方式设计的 SaaS系统一样可以在使用了一些成熟的设计模式之后，为客户提供很强的数据安全保障。

　　2.3客户因素

　　一个SaaS系统将来所服务的潜在客户的数量、商业背景乃至其业务需求都将在很大程度上影响数据模型的选择，下面就是一些常见的可能会影响到决定的一些因素。

　　估算该SaaS系统所期待的潜在客户数。到底是为数以百计的客户设计这一系统还是数以千计，又或者更多数量。简单的说，如果计划支持的客户数目越大，就应当越多地考虑使用数据共享的模式。

　　估算每个客户平均使用的数据存储空间。如果使用该SaaS系统的客户可能会存储海量数据，则独立数据库模式毫无疑问是最佳选择。

　　估算每个客户平均所需要支持的终端用户数。如果这个数字越大，则越应当考虑采用数据隔离的模式来满足终端用户的需求。

　　决定是否为每个客户提供类似于数据备份之类的增值服务。一般而言，采用数据隔离的模式比较便于实现这类服务。

　　2.4法律法规因素

公司、组织和政府机关经常需要遵守特定的法律法规的要求从而影响其选择使用哪一类的SaaS系统，而这种影响一般体现在对数据安全性的关注上。因此在设计一个SaaS系统之初，就必须对可能会影响潜在客户的法律法规做一定的调研，尤其是开发企业管理软件时，由于诸如财务、雇员管理、生产等诸多模块都会受特定地域或行业法律法规的影响，因此这些因素必须在系统设计之初就纳入考虑范围。

　　2.5技能因素

对SaaS系统开发商而言，设计一个单实例多用户支持的系统架构仍然是一个很大的挑战，要想熟悉对应的开发工具，掌握相应的开发环境，也需要一支具有相当技术实力的开发团队。相对来说，选择数据隔离的模式来开发SaaS系统允许开发人员更多的从以往的开发传统架构的软件的经验中受益，对于技术力量不强的开发商而言不失为一个明智的选择。

2008-05-13

专心练剑 2008-09-07 11:39 发表评论

3G时代对数据挖掘的要求

专心练剑 — Tue, 02 Sep 2008 14:20:00 GMT

一、运营商实施数据挖掘要解决以下问题:
　　1.IT系统
　　数据的完成性及有效性是数据挖掘和经营分析的基础，在2G及2.5G时代，移动运营商业务比较单一，主要以语音为主，其运营支撑系统中对用户行为及价值属性的记录还停留在粗“粒度”的状态，这自然不能满足3G时代运营商应对业务多样化、用户需求多样化的要求，除了近年来数据仓库的建设外，为备战3G，我国移动运营商已开始着手升级相关运营支持系统，如3G业务计费等，使IT系统“粒度”更加细化。以便对数据挖掘以及经营分析决策提供更有力支持。
　　2.团队
　　数据挖掘不单纯是对数据本身的分析和呈现，还有赖于对业务的深刻理解，必须要有一支由不同背景人员组成的数据挖掘项目团队，包括数据挖掘专家及业务专家等组成，甚至需要结合外部第三方咨询公司及调研公司的资源，实现优势互补。
　　3.流程
数据挖掘是一个系统化的过程，涉及定义问题、准备数据、数据探索、生成模型、验证模型、部署及更新模型等环节。创建数据挖掘模型是一个迭代的过程。如数据探索及模型生成后的验证及部署更新阶段，都有可能需要对问题重新定义。一个好的数据模型往往是经过多次迭代才能形成的。运营商需要在企业内部建立系统化的流程，这样才能确保数据挖掘结果的可靠性，以便对经营分析决策提供良好支持。数据挖掘研究院

二、数据挖掘与常规数据分析的差异
　　狭义的观点认为，常规数据分析侧重于解决一般性问题如描述性统计、交叉报表等问题，数据挖掘则可以更好地解决分类、聚类、关联等问题。
举例来说，某运营商想知道移动IM的发展情况，通过常规的数据分析，就可以知道移动IM的用户数量、渗透率、收入情况等、不同品牌间用户的差异、不同 ARPU值用户的差异等，常规数据分析侧重于描述过去发生了什么。如果运营商希望建立一个模型，从目前所有没有使用移动IM用户中找出一类或几类用户作为移动IM营销的目标用户群，通过WAPPUSH或短信的方式告知用户可以免费使用，则需要使用数据挖掘的方法，如通过决策树方法筛选目标用户，找出使用移动IM业务可能性较高的用户的特征规则，精确识别目标用户群，优化营销资源配置、从而提升营销效果。

专心练剑 2008-09-02 22:20 发表评论

转：架构师书单

专心练剑 — Sun, 01 Jun 2008 07:46:00 GMT

摘要: "其实中国程序员，现在最需要的是一张安静的书桌。"，的确，中国架构师大多缺乏系统的基础知识，与其自欺欺人的宣扬"读书无用，重在实践变通，修身立命哲学书更重要"，把大好时间用来追逐互联网上的片言只语，不如直面缺陷，系统的学习一次。阅读全文

专心练剑 2008-06-01 15:46 发表评论

转：商务智能(BI)的四大关键技术

专心练剑 — Thu, 15 May 2008 02:53:00 GMT

　　商务智能的四大关键技术

　　商务智能的支撑技术主要包括ETL(数据的提取、转换与加载)技术和数据仓库与数据集市技术、OLAP技术、数据挖掘技术与数据的发布与表示技术。

　　1.数据仓库技术

　　实施BI首先要从企业内部和企业外部不同的数据源，如客户关系管理(CRM)、供应链管理(SCM)、企业资源规划(ERP)系统以及其他应用系统等搜集有用的数据，进行转换和合并，因此需要数据仓库和数据集市技术的支持。

数据仓库(Data Warehouse)是指从多个数据源收集的信息，以一种一致的存储方式保存所得到的数据集合。数据仓库创始人之一W.H.Inmon的定义为：“数据仓库是一个面向主题的、集成的、稳定的、包含历史数据的数据集合，它用于支持管理中的决策制定过程”。在构造数据仓库时，要经过数据的清洗、数据的抽取转换、数据集成和数据加载等过程。面向不同的需求，对数据进行清洗以保证数据的正确性，然后对数据进行抽取，转换成数据仓库所需形式，并实现加载到数据仓库。

　　数据仓库是一种语义上一致的数据存储，充当决策支持数据模型的物理实现，并存放企业战略决策所需信息。数据仓库的数据模型有星型模式、雪花模式。星型模式最为常见，有一个包含大批数据并且不含冗余的中心表，每维一组小的附属表。雪花模式中某些维表是规范化的，因而把数据进一步分解到附加的表中，模式图形成了类似雪花的形状。对数据仓库的研究集中在数据集成中数据模式的设计、数据清洗和数据转换、导入和更新方法等。

数据仓库通常是企业级应用，因此涉及的范围和投入的成本非常巨大，使一些企业无力承担。因而，他们希望在最需要的关键部门建立一种适合自身应用的、自行定制的部门数据仓库子集。正是这种需求使数据集市应运而生。数据集市( Data Mart) 是聚焦在选定的主题上的，是部门范围的。根据数据的来源不同，数据集市分为独立的和依赖的两类。在独立的数据集市中，数据来自一个或多个操作的系统或外部信息提供者，或者来自在一个特定的部门或地域局部产生的数据。依赖的数据集市中的数据直接来自企业数据仓库。

　　2.联机分析处理技术(OLAP)

联机分析处理(Online Analytical Processing ，简称OLAP) 又称多维分析，由EF Codd 在1994 年提出，它对数据仓库中的数据进行多维分析和展现，是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维特性的信息进行快速、一致、交互地存取，从而获得对数据更深入了解的一类软件技术。它的技术核心是“维”这个概念，因此OLAP也可以说是多维数据分析工具的集合。

　　进行OLAP分析的前提是已有建好的数据仓库，之后即可利用OLAP 复杂的查询能力、数据对比、数据抽取和报表来进行探测式数据分析了。称其为探测式数据分析，是因为用户在选择相关数据后，通过切片(按二维选择数据)、切块(按三维选择数据)、上钻(选择更高一级的数据详细信息以及数据视图)、下钻(展开同一级数据的详细信息)、旋转(获得不同视图的数据) 等操作，可以在不同的粒度上对数据进行分析尝试，得到不同形式的知识和结果。联机分析处理研究主要集中在ROLAP(基于关系数据库的OLAP) 的查询优化技术和MOLAP(基于多维数据组织的OLAP) 中减少存储空间和提高系统性能的方法等。

　　3.数据挖掘技术

与OLAP的探测式数据分析不同，数据挖掘是按照预定的规则对数据库和数据仓库中已有的数据进行信息开采、挖掘和分析，从中识别和抽取隐含的模式和有趣知识，为决策者提供决策依据。数据挖掘的任务是从数据中发现模式。模式有很多种，按功能可分为两大类：预测型( Predictive)模式和描述型(Descriptive)模式。

　　预测型模式是可以根据数据项的值精确确定某种结果的模式。挖掘预测型模式所使用的数据也都是可以明确知道结果的。描述型模式是对数据中存在的规则做一种描述，或者根据数据的相似性把数据分组。描述型模式不能直接用于预测。在实际应用中，根据模式的实际作用，可细分为分类模式、回归模式、时间序列模式、聚类模式、关联模式和序列模式6 种。其中包含的具体算法有货篮分析(Market Analysis)、聚类检测(Clustering Detection)、神经网络(Neural Networks)、决策树方法(Decision Trees)、遗传算法(Genetic Analysis)、连接分析(Link Analysis)、基于范例的推理(Case Based Reasoning)和粗集(RoughSet)以及各种统计模型。

OLAP 与数据挖掘的区别和联系是：OLAP 侧重于与用户的交互、快速的响应速度及提供数据的多维视图，而数据挖掘则注重自动发现隐藏在数据中的模式和有用信息，尽管允许用户指导这一过程。OLAP 的分析结果可以给数据挖掘提供分析信息作为挖掘的依据，数据挖掘可以拓展OLAP 分析的深度，可以发现OLAP 所不能发现的更为复杂、细致的信息。数据挖掘的研究重点则偏向数据挖掘算法以及数据挖掘技术在新的数据类型、应用环境中使用时所出现新问题的解决上，如对各种非结构化数据的挖掘、数据挖掘语言的标准化以及可视化数据挖掘等。

　　4.BI 的表示和发布技术

　　为了使分析后的数据直观、简练地呈现在用户面前，需要采用一定的形式表示和发布出来，通常采用的是一些查询和报表工具。不过，目前越来越多的分析结果是以可视化的形式表现出来，这就需要采用信息可视化技术。

所谓信息可视化是指以图形、图像、虚拟现实等易为人们所辨识的方式展现原始数据间的复杂关系、潜在信息以及发展趋势，以便我们能够更好地利用所掌握的信息资源。随着Web 应用的普及，商务智能的解决方案能够提供基于Web 的应用服务，这样就扩展了商务智能的信息发布范围。作为基于Web 的商务智能解决方案，需要一些基本的组成要素，包括基于Web 的商务智能服务器、会话管理服务、文件管理服务、调度、分配和通知服务、负载平衡服务和应用服务等。

专心练剑 2008-05-15 10:53 发表评论

转：开源BI系统的简述

专心练剑 — Mon, 12 May 2008 14:33:00 GMT

摘要: 本文介绍了ETL工具、报表工具、OLAP工具的各项开源资源情况，有一定的普及和参考价值。阅读全文

专心练剑 2008-05-12 22:33 发表评论

Commercial & Freeware Expert System Shells

专心练剑 — Sun, 24 Feb 2008 11:01:00 GMT

This is a mix of free, free for non-commercial use, and commercial inference engine tools and manufacturers. The pure Java systems are shown. Others are probably in LISP or C/C++. An older, more extensive, listing may be found at CMU AI Department

Aion Commercial: Mostly mainframe BRMS, now Computer Associates Clever Path
Acquire Software Commercial RBS
Attar Commercial: XpertRule Builder and Data Mining RBS
CLIPS Free: C Language Interface Production System
Corticon Commercial: Java RBS using mostly Excel-like tables for rules, non-Rete
drools Free: dynamic rules object-oriented system, Java RBS; mostly rules in XML
Euler: Free, Backward Chaining, Kind of weird but very academic, Java Rule System
EXSYS Expert System Software & Services Commercial:
Fair-Isaac Blaze Advisor Commercial: High-end .NET and Java BRMS
Gensym Corporation Home Page Commercial
The Haley Enterprise - CIA Commercial: High-end C/C++ and Java (Paul Haley)
ILOG Rules and JRules Commercial: High-end C/C++, .NET and Java BRMS
InfoSapient: Free, Open Source, Java RBS
Jess: (Sandia Labs) Commercial, Free for Non Commercial Use. Java, Clips-sub-set RBS (Author, Dr. Ernest Friedman-Hill)
Jena2: Free, Java, Semantic Web Framework, RBS from HP Labs
JLog: Free, Open Source, ProLog in Java System
JEOPS Free: Java RBS (Author: Dr. Carlos Figueira Filho)
JEOPS on SourceForge Free: Java RBS(Author: Carlos Figueira Filho)
JLisa: Free, Open Source, CLIPS-Like, Java RBS
JTP: Java Theorem Prover, Free, Open Source, Java RBS
Mandarex: Free, Backward Chaining, Open Source, Java RBS
MindBox: (Formerly Inference Corporation) Commercial, High-End, Non-Java BRMS
OFBiz: Open for Business, Free, Open Source Java RBS
OpenRules: Free and Commercial Versions, XML-based, non-Rete, RBS
PegaRules: PegaSystems, Commercial BRMS
Pellet: Free, OWL and OWL DL RBS, use with Jena or OWL API, from MindSwap
PST - Production System Technologies Commercial, Free for non-commercial use: Java RBS (Author: Dr. Charles Forgy)

OPSJ (Java RBS using Rete 2)
CLIPS/R2 (OPS in C/C++ Using Rete 2)
OPS/R2 (Rete 2 for OPS)

Resolution: Resolution Systems, Commercial RBS
ROWL: Free RBS in OWL for Jess
RuleCore: Rule Core Systems, Sweden, Commercial RBS, possibly non-Rete
Sandia Labs - Jess Commercial, Free for Government and Academic Use, Small fee for non-commercial use includes source code: Java, CLIPS Sub-set, RBS(Author: Dr. Ernest Friedman-Hill)
SHOP: Free, Hierarchial Task Network from University of Maryland
Sweet Rules: Free, Semantic Web Rules from MIT
TyRuBa: Free, Open Source, Java RBS
Teknowledge Corporation Commercial
Pyke Free knowledge-based inference engine

专心练剑 2008-02-24 19:01 发表评论

Java-Prolog混合编程工具

专心练剑 — Wed, 16 Jan 2008 08:16:00 GMT

JIProlog

Java Internet Prolog is a cross-platform pure Java 100% Prolog interpreter which integrates Prolog and Java languages in a very easy way. JIProlog allows to call Prolog predicates from Java without dealing with native code (JNI) and allows to invoke Java methods from Prolog in the same way you call predicates.

InterProlog

InterProlog is an open source Java front-end and functional enhancement for standard Prologs. InterProlog provides Java with the ability to call any Prolog goal through a PrologEngine object, and for Prolog to invoke any Java method through a javaMessage predicate, while passing virtually any Java objects and Prolog terms between both languages with a single instruction.

JPL

JPL is a set of Java classes and C functions providing an interface between Java and Prolog. JPL uses the Java Native Interface (JNI) to connect to a Prolog engine through the Prolog Foreign Language Interface (FLI), which is more or less in the process of being standardized in various implementations of Prolog. JPL is not a pure Java implementation of Prolog; it makes extensive use of native implementations of Prolog on supported platforms. The current version of JPL only works with SWI-Prolog.

JPL bridge Java and SWI-Prolog. It isn't a Prolog engine by itself.

专心练剑 2008-01-16 16:16 发表评论

Netbeans统一UTF-8编码的方法

专心练剑 — Tue, 25 Dec 2007 07:28:00 GMT

一直在网上找这个问题的解决方法,可是都是只有Netbenas5.5的解决方案,而且并没有根本的解决,今天上官方看了下,原来官方就有解决方法~哈哈~这招可以解决目前所有的版本,全部文件将用UTF-8解码.所以转移工作平台就更加简单咯~
这是原文:
For those who need to use international and multibyte characters, NetBeans can support UTF-8 editing. To enable it, go to your NetBeans installation directory and find the etc folder. There will be a file there called netbeans.conf.

This file keeps some configuration for NetBeans, including the default command line arguments. These are parameters that will be sent to a new starting Netbeans IDE.

Every argument lives inside a double-quoted variable called netbeans_default_options, and each one is separated from another by a space.

To enable UTF-8 in NetBeans, just place this parameter anywhere on the list of netbeans_default_options:-J-Dfile.encoding=UTF-8

中文解释一下:
1.找到你的Netbeans安装目录下的etc文件夹,如C:\Program Files\NetBeans 6.0 M9\etc
2.用记事本打开netbeans.conf
3.找到netbeans_default_options这一句(没带#号的,带#号的是注释)
4.在最后面加上一个空格,再加入-J-Dfile.encoding=UTF-8
如我现在的设置:
netbeans_default_options="-J-DAM_CONFIG_FILE=\"C:\Sun\AppServer\domains\domain1\config\AMConfig.properties\" -J-Dcom.sun.aas.installRoot=\"C:\Sun\AppServer\" -J-Xms128m -J-Xmx512m -J-XX:PermSize=32m -J-XX:MaxPermSize=160m -J-Dapple.laf.useScreenMenuBar=true -J-XX:+UseConcMarkSweepGC -J-XX:+CMSClassUnloadingEnabled -J-XX:+CMSPermGenSweepingEnabled -J-Dfile.encoding=UTF-8"
这样,打开的文件所有都用UTF-8解码了~哈哈,不再有乱码咯~

专心练剑 2007-12-25 15:28 发表评论