大模型从入门到精通——基于智谱AI和LangChain实现RAG应用(一)

news2024/9/26 21:55:29

基于智谱AI和LangChain实现RAG应用(一)

1. 使用 LangChain 调用智谱 GLM

1.1 自定义chatglm

#!/usr/bin/env python
# -*- encoding: utf-8 -*-

from typing import Any, List, Mapping, Optional, Dict
from langchain_core.callbacks.manager import CallbackManagerForLLMRun
from langchain_core.language_models.llms import LLM
from zhipuai import ZhipuAI

import os

# 继承自 langchain.llms.base.LLM
class ZhipuAILLM(LLM):
    # 默认选用 glm-4
    model: str = "glm-4"
    # 温度系数
    temperature: float = 0.1
    # API_Key
    api_key: str = None
    
    def _call(self, prompt : str, stop: Optional[List[str]] = None,
                run_manager: Optional[CallbackManagerForLLMRun] = None,
                **kwargs: Any):
        client = ZhipuAI(
            api_key = self.api_key
        )

        def gen_glm_params(prompt):
            '''
            构造 GLM 模型请求参数 messages

            请求参数：
                prompt: 对应的用户提示词
            '''
            messages = [{"role": "user", "content": prompt}]
            return messages
        
        messages = gen_glm_params(prompt)
        response = client.chat.completions.create(
            model = self.model,
            messages = messages,
            temperature = self.temperature
        )

        if len(response.choices) > 0:
            return response.choices[0].message.content
        return "generate answer error"


    # 首先定义一个返回默认参数的方法
    @property
    def _default_params(self) -> Dict[str, Any]:
        """获取调用API的默认参数。"""
        normal_params = {
            "temperature": self.temperature,
            }
        # print(type(self.model_kwargs))
        return {**normal_params}

    @property
    def _llm_type(self) -> str:
        return "Zhipu"

    @property
    def _identifying_params(self) -> Mapping[str, Any]:
        """Get the identifying parameters."""
        return {**{"model": self.model}, **self._default_params}

定义了一个名为 ZhipuAILLM 的类，它继承自 LLM（这是 LangChain 框架中的一个基类，用于表示语言模型）。该类封装了与智谱AI（ZhipuAI）进行交互的逻辑，主要用于调用智谱AI的 GLM 模型进行文本生成任务。以下是代码的详细解释：

1. 头部注释
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
  • #!/usr/bin/env python：这是 Unix/Linux 脚本的 Shebang，表示这个脚本应该用 python 解释器来运行。
  • # -*- encoding: utf-8 -*-：声明文件使用 UTF-8 编码，确保代码可以处理多语言文本（如中文）。
2. 导入模块
from typing import Any, List, Mapping, Optional, Dict
from langchain_core.callbacks.manager import CallbackManagerForLLMRun
from langchain_core.language_models.llms import LLM
from zhipuai import ZhipuAI

import os
  • typing 模块：提供类型提示（Type Hints）的支持，提升代码的可读性和安全性。
  • langchain_core.callbacks.manager.CallbackManagerForLLMRun：用于管理和追踪语言模型运行时的回调函数。
  • langchain_core.language_models.llms.LLM：LangChain 框架中的 LLM 基类，ZhipuAILLM 继承自这个类。
  • zhipuai.ZhipuAI：智谱AI的客户端，用于与智谱AI的服务进行交互。
3. 定义 ZhipuAILLM 类
class ZhipuAILLM(LLM):
    model: str = "glm-4"
    temperature: float = 0.1
    api_key: str = None
  • model: 默认模型设为 "glm-4"，这代表使用 GLM-4 模型进行推理。
  • temperature: 温度系数，控制生成文本的随机性。较低的值（如 0.1）会使生成的文本更确定性。
  • api_key: 用于身份验证的 API 密钥，必须在实例化时提供。
4. 定义 _call 方法
def _call(self, prompt: str, stop: Optional[List[str]] = None,
          run_manager: Optional[CallbackManagerForLLMRun] = None,
          **kwargs: Any):
    client = ZhipuAI(api_key=self.api_key)

    def gen_glm_params(prompt):
        messages = [{"role": "user", "content": prompt}]
        return messages

    messages = gen_glm_params(prompt)
    response = client.chat.completions.create(
        model=self.model,
        messages=messages,
        temperature=self.temperature
    )

    if len(response.choices) > 0:
        return response.choices[0].message.content
    return "generate answer error"

  • _call 方法：这个方法定义了当你调用语言模型时实际发生的操作。

    • prompt: 用户提供的输入文本。
    • stop: 可选参数，用于指定生成文本的停止条件。
    • run_manager: 可选参数，用于管理模型运行时的回调。
    • **kwargs: 允许传递其他可选参数。

  • client = ZhipuAI(api_key=self.api_key): 创建一个智谱AI的客户端实例。

  • gen_glm_params(prompt)：内部函数，用于生成请求参数 messages，其中包含用户的输入提示。

  • messages：构造的请求参数列表。

  • response = client.chat.completions.create(...)：向智谱AI发送请求，使用指定模型和参数生成文本。

  • if len(response.choices) > 0：检查生成的响应中是否有内容，如果有，返回生成的文本内容；否则，返回错误信息。

5. 定义 _default_params 属性
@property
def _default_params(self) -> Dict[str, Any]:
    normal_params = {
        "temperature": self.temperature,
    }
    return {**normal_params}
  • _default_params：返回默认的模型参数，例如温度（temperature）。这用于在没有明确指定参数时，提供一些默认值。
6. 定义 _llm_type 属性
@property
def _llm_type(self) -> str:
    return "Zhipu"
  • _llm_type：返回模型的类型标识符，在这里是 "Zhipu"，表示这是一个智谱AI的模型。
7. 定义 _identifying_params 属性
@property
def _identifying_params(self) -> Mapping[str, Any]:
    return {**{"model": self.model}, **self._default_params}

_identifying_params：返回一个字典，包含标识模型实例的所有参数，如模型名称和默认参数。这个属性可以用来唯一标识该语言模型实例。

这个类封装了对智谱AI的 GLM 模型的调用，可以用于集成在 LangChain 框架中，执行文本生成任务。主要功能包括：

  • 设置模型类型和参数（如温度系数）。
  • 生成请求参数并与智谱AI的服务进行交互。
  • 返回生成的文本或错误信息。

1.2 接入 langchain

当前涉及到构建相关知识库，参考链接：

大模型入门到精通——使用Embedding API及搭建本地知识库(一)

大模型入门到精通——使用Embedding API及搭建本地知识库(二)

定义ZhipuAIEmbeddings如下：


from __future__ import annotations

import logging
from typing import Dict, List, Any

from langchain.embeddings.base import Embeddings
from langchain.pydantic_v1 import BaseModel, root_validator

logger = logging.getLogger(__name__)

class ZhipuAIEmbeddings(BaseModel, Embeddings):
    """`Zhipuai Embeddings` embedding models."""

    client: Any
    """`zhipuai.ZhipuAI"""

    @root_validator()
    def validate_environment(cls, values: Dict) -> Dict:
        """
        实例化ZhipuAI为values["client"]

        Args:

            values (Dict): 包含配置信息的字典，必须包含 client 的字段.
        Returns:

            values (Dict): 包含配置信息的字典。如果环境中有zhipuai库，则将返回实例化的ZhipuAI类；否则将报错 'ModuleNotFoundError: No module named 'zhipuai''.
        """
        from zhipuai import ZhipuAI
        _ = load_dotenv(find_dotenv())
        api_key = os.environ["API_key"]
        values["client"] = ZhipuAI(api_key=api_key)
        return values
    
    def embed_query(self, text: str) -> List[float]:
        """
        生成输入文本的 embedding.

        Args:
            texts (str): 要生成 embedding 的文本.

        Return:
            embeddings (List[float]): 输入文本的 embedding，一个浮点数值列表.
        """
        embeddings = self.client.embeddings.create(
            model="embedding-2",
            input=text
        )
        return embeddings.data[0].embedding
    
    def embed_documents(self, texts: List[str]) -> List[List[float]]:
        """
        生成输入文本列表的 embedding.
        Args:
            texts (List[str]): 要生成 embedding 的文本列表.

        Returns:
            List[List[float]]: 输入列表中每个文档的 embedding 列表。每个 embedding 都表示为一个浮点值列表。
        """
        return [self.embed_query(text) for text in texts]
    
    
    async def aembed_documents(self, texts: List[str]) -> List[List[float]]:
        """Asynchronous Embed search docs."""
        raise NotImplementedError("Please use `embed_documents`. Official does not support asynchronous requests")

    async def aembed_query(self, text: str) -> List[float]:
        """Asynchronous Embed query text."""
        raise NotImplementedError("Please use `aembed_query`. Official does not support asynchronous requests")
    
def vectorize_text(embeddings_model,chunks):
   
    return embeddings_model.embed_documents(chunks)


from dotenv import find_dotenv, load_dotenv
import os

# 读取本地/项目的环境变量。

# find_dotenv()寻找并定位.env文件的路径
# load_dotenv()读取该.env文件，并将其中的环境变量加载到当前的运行环境中
# 如果你设置的是全局的环境变量，这行代码则没有任何作用。
_ = load_dotenv(find_dotenv())

# 获取环境变量 API_KEY
api_key = os.environ["API_key"] #填写控制台中获取的 APIKey 信息
1. 实例化 ZhipuAILLM 类，并传入参数创建一个模型对象 zhipuai_model。
zhipuai_model = ZhipuAILLM(model="glm-4", temperature=0.1, api_key=api_key)

参数解释:

  1. model="glm-4":

    • 指定了使用的模型版本为 "glm-4"。这个参数告诉 ZhipuAILLM 类使用 GLM-4 模型进行推理和生成文本。
    • 你还可以指定其他模型版本（如 "glm-4-0520"），如果模型版本支持不同的特性或更新，这样的配置可以灵活切换不同的模型。

  2. temperature=0.1:

    • 设置生成文本的温度系数（temperature）。温度系数控制生成文本的随机性：
      • 较低的值（如 0.1）意味着生成的文本更具有确定性，输出更加集中于模型认为最可能的结果。
      • 较高的值会增加生成内容的多样性和创造性，但也可能导致结果不太一致。

  3. api_key=api_key:

    • api_key 智谱AI API 密钥
2. 调用如下
zhipuai_model("你好，请你自我介绍一下！")

zhipuai_model("请介绍一下百度网站")

在这里插入图片描述

2. 构建检索问答链

2.1 加载向量数据库

  • 配置系统路径以导入模块。
  • 从环境变量中读取智谱AI API 密钥。
  • 定义用于生成文本嵌入的对象。
  • 设置向量数据库的保存路径。
  • 加载并实例化向量数据库，用于存储和检索嵌入向量。
## 加载向量数据库
import sys
sys.path.append("./data_base/vector_db/chroma") # 将父目录放入系统路径中
# 使用智谱 Embedding API，注意，需要将上一章实现的封装代码下载到本地
from langchain.vectorstores.chroma import Chroma
from dotenv import load_dotenv, find_dotenv
import os

_ = load_dotenv(find_dotenv())    # read local .env file
zhipuai_api_key = os.environ['API_key']
# 定义 Embeddings
embedding = ZhipuAIEmbeddings()

# 向量数据库持久化路径
persist_directory = './data_base/vector_db/chroma'

# 加载数据库
vectordb = Chroma(
    persist_directory=persist_directory,  # 允许我们将persist_directory目录保存到磁盘上
    embedding_function=embedding
)



print(f"向量库中存储的数量：{vectordb._collection.count()}")


question = "什么是prompt engineering?"
docs = vectordb.similarity_search(question,k=3)
print(f"检索到的内容数：{len(docs)}")


for i, doc in enumerate(docs):
    print(f"检索到的第{i}个内容: \n {doc.page_content}", end="\n-----------------------------------------------------\n")

在这里插入图片描述

2.2 创建LLM

import os 
OPENAI_API_KEY = os.environ["API_key"]

zhipuai_model = ZhipuAILLM(model = "glm-4", temperature = 0.1, api_key = api_key)  
zhipuai_model.invoke("请你介绍一下自己")

2.3 构建检索问答链

1. 提示模版定义

通过插入特定的上下文和问题来生成提示，适用于自然语言处理模型。它确保模型生成的回答简洁明确，并在回答结束时添加

from langchain.prompts import PromptTemplate

template = """使用以下上下文来回答最后的问题。如果你不知道答案，就说你不知道，不要试图编造答
案。最多使用三句话。尽量使答案简明扼要。总是在回答的最后说“谢谢你的提问！”。
{context}
问题: {question}
"""

QA_CHAIN_PROMPT = PromptTemplate(input_variables=["context","question"],
                                 template=template)
2. 构建检索问答链
  1. 问题输入: 用户提出一个问题。
  2. 文档检索: 使用向量数据库检索与问题相关的文档或上下文。
  3. 答案生成: 智谱AI模型根据检索到的上下文生成简明的答案，遵循提供的提示模板。
  4. 返回结果: 返回生成的答案和用于生成答案的源文档（如果启用了 return_source_documents）。

RetrievalQA.from_chain_type 构建检索问答链

from langchain.chains import RetrievalQA

qa_chain = RetrievalQA.from_chain_type(zhipuai_model,
                                       retriever=vectordb.as_retriever(),
                                       return_source_documents=True,
                                       chain_type_kwargs={"prompt":QA_CHAIN_PROMPT})
3. 问答链测试
  • 定义问题

question_1 = "什么是南瓜书？"
question_2 = "王阳明是谁？"
1. 大模型+知识库
  • 打印回答1
result = qa_chain({"query": question_1})
print("大模型+知识库后回答 question_1 的结果：")
print(result["result"])
  • 打印回答2
result = qa_chain({"query": question_2})
print("大模型+知识库后回答 question_2 的结果：")
print(result["result"])

在这里插入图片描述

2. 大模型回复
  • 打印回答1
prompt_template = """请回答下列问题:
                            {}""".format(question_1)

### 基于大模型的问答
zhipuai_model.predict(prompt_template)
  • 打印回答2
prompt_template = """请回答下列问题:
                            {}""".format(question_2)

### 基于大模型的问答
zhipuai_model.predict(prompt_template)

在这里插入图片描述

2.4 添加记忆功能

question = "为什么这门课需要教这方面的知识？"
result = qa({"question": question})
print(result['answer'])

在这里插入图片描述

实现一个对话式的检索问答链，其中结合了智谱AI模型、向量数据库和会话记忆来处理连续的问题。

1. 导入必要的模块
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
  • ConversationalRetrievalChain: 用于创建一个支持多轮对话的检索问答链。与标准的检索问答链不同，它能够保持上下文，并在多轮对话中使用之前的对话历史。
  • ConversationBufferMemory: 提供了会话记忆功能，能够保存对话的历史记录，从而在对话过程中引用之前的内容。
2. 创建会话记忆 memory
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)
  • memory_key="chat_history": 定义用于存储对话历史的键名，与后续提示模板中的变量名保持一致，以便在生成答案时能够引用这些历史记录。
  • return_messages=True: 指定返回的对话历史记录将以消息列表的形式返回，而不是作为一个单一的字符串。这对于在多轮对话中保留消息的顺序和内容非常有用。
3. 创建检索器 retriever
retriever = vectordb.as_retriever()
  • vectordb.as_retriever(): 使用之前加载的向量数据库 vectordb 生成一个检索器对象。这个检索器负责从数据库中检索与当前问题相关的内容。
4. 创建对话检索问答链 qa
qa = ConversationalRetrievalChain.from_llm(
    zhipuai_model,
    retriever=retriever,
    memory=memory
)
  • ConversationalRetrievalChain.from_llm: 这是一个工厂方法，用于创建一个对话式检索问答链实例。
    • zhipuai_model: 使用的语言模型对象（之前实例化的 ZhipuAILLM）。
    • retriever=retriever: 使用的检索器对象，用于从向量数据库中检索相关信息。
    • memory=memory: 会话记忆对象，保存并管理对话的历史记录，使得模型能够在多轮对话中使用上下文信息生成更连贯的回答。
5. 处理第一个问题
question = "我可以学习到关于提示工程的知识吗？"
result = qa({"question": question})
print(result['answer'])
  • question: 第一个问题，询问关于“提示工程”的知识。
  • qa({"question": question}): 将问题传递给问答链进行处理。问答链会通过以下步骤生成答案：
    1. 检索与问题相关的文档或内容。
    2. 使用模型生成一个基于检索内容的回答。
    3. 利用会话记忆引用之前的对话（如果有）。
  • print(result['answer']): 输出模型生成的答案。
6. 处理第二个问题
question = "为什么这门课需要教这方面的知识？"
result = qa({"question": question})
print(result['answer'])
  • question: 第二个问题，询问为什么课程需要教授“提示工程”相关的知识。
  • 由于对话记忆功能的存在，模型能够引用之前的对话上下文来生成更准确和连贯的回答。

参考

https://datawhalechina.github.io/llm-universe/#/C4/2.构建检索问答链?id=_2-创建一个-llm

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2077279.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

统一身份认证服务（CAS）系统实现SSO认识

统一身份认证服务（CAS）系统实现SSO认识

一、前言 CAS（Central Authentication Service）即中央认证服务，是 Yale 大学发起的一个企业级开源项目，旨在为 Web 应用系统提供一种可靠的 SSO 解决方案，它是一个企业级的开源单点认证登录解决方案，采用ja…
阅读更多...
netty编程之UDP

netty编程之UDP

写在前面 源码 。 UDP，user datagram protocol,是internet协议簇中无连接的传输协议，因为无连接所以相比于TCP需要维护更少的信息以及网络交互，所以具有更高的效率。本文看下netty是如何实现的，和TCP方式差别不大，下面…
阅读更多...
【宝马中国-注册/登录安全分析报告】

【宝马中国-注册/登录安全分析报告】

前言 由于网站注册入口容易被黑客攻击，存在如下安全问题： 暴力破解密码，造成用户信息泄露短信盗刷的安全问题，影响业务及导致用户投诉带来经济损失，尤其是后付费客户，风险巨大，造成亏损无底洞…
阅读更多...
Java使用EasyExcel导出图片（原比例大小）到Excel中

Java使用EasyExcel导出图片（原比例大小）到Excel中

EasyExcel导出图片 又开始写Excel导出的需求了，哈哈哈…… 目前的需求是将图表分析对的饼图和折线图，也就是一张完整的图片单独导出到Excel中 为了方便客户在业务报告时，可以使用数据分析图片，从而更清晰准确地展示数据趋势 因…
阅读更多...
【C++学习笔记】数据类型与运算符（一）

【C++学习笔记】数据类型与运算符（一）

目录 一、常量与变量 1.1 常量 字面常量 符号常量 1.2 变量 1.3 标识符命名规范 二、数据类型 2.1 整型 2.2 实型（浮点型） 2.3 字符型 2.4 字符串 2.5 布尔型 三、cin控制台输入 3.1 输入代码 3.2 解决输入中文乱码 四、运算符 4.1 算术…
阅读更多...
OpenCV杂项图像变换(1)自适应阈值处理函数adaptiveThreshold()的使用

OpenCV杂项图像变换(1)自适应阈值处理函数adaptiveThreshold()的使用

操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述 函数对数组应用自适应阈值。 该函数根据以下公式将灰度图像转换为二值图像： 对于 THRESH_BINARY: t e x t d s t ( x , y ) { maxV…
阅读更多...
# NLP-transformer学习：（5）Bert 实战

# NLP-transformer学习：（5）Bert 实战

NLP-transformer学习：（5）模型训练和预测 基于 NLP-transformer学习：（2,3,4），这里对transformer 更近一步，学习尝试使用其中的bert 文章目录 NLP-transformer学习：&#x…
阅读更多...
在 Debian 上安装 IntelliJ IDEA 笔记

在 Debian 上安装 IntelliJ IDEA 笔记

在 Debian💩 上安装 IntelliJ IDEA 💡 笔记 下载安装 JDK17安装 IntelliJ IDEA Community添加创建桌面启动项（快捷方式） 参考资料 下载 两个包已经下好了，一个JDK17，一个IntelliJ IDEA Community 使用 wge…
阅读更多...
【Liunx入门】Liunx软件包管理器

【Liunx入门】Liunx软件包管理器

文章目录 前言一、什么是软件包二、网络相关指令三、Ubuntu包管理软件apt1.查看软件包2.sudo权限3.软件安装4.卸载软件5.软件更新6.升级软件包 总结 前言 Linux软件包管理器是Linux系统中用于安装、升级和卸载软件包的工具。它们提供了一个方便的方式来管理软件包，…
阅读更多...
c++习题25-大整数加法

c++习题25-大整数加法

目录 一，题目 二，思路 三，代码 一，题目 描述 求两个不超过200位的非负整数的和。 输入 有两行，每行是一个不超过200位的非负整数，可能有多余的前导0。 输出 一行，即相加后的结果。结果里不…
阅读更多...
Physics of Language Models学习小结

Physics of Language Models学习小结

1.概述 Physics of Language Models 参考：https://zhuanlan.zhihu.com/p/711391378 这是一系列论文和一个新的LLM研究方向，官网的概述如下。 苹果掉落，盒子移动，但重力和惯性等普遍规律对技术进步至关重要。虽然GPT-5或LLaMA-…
阅读更多...
Threejs学习-三维坐标系、相机控件

Threejs学习-三维坐标系、相机控件

坐标系： Three.js 使用的是右手坐标系，x 轴朝右，y 轴朝上，z 轴朝向自己。 相机控件轨道控制器 相机控件OrbitControls 通过相机控件OrbitControls实现旋转缩放预览效果。 // 设置相机控件轨道控制器OrbitControls const contr…
阅读更多...
fastjson漏洞分析与复现

fastjson漏洞分析与复现

一、基础知识 Fastjson介绍： fastjson是阿里巴巴开源的JSON解析库，它可以解析JSON格式的字符串，支持将Java Bean序列化为JSON字符串，也可以从JSON字符串反序列化到JavaBean。即fastjson的主要功能就是将Java Bean序列化成JSON字…
阅读更多...
IDEA插件支持API调试、接口用例支持一键同步API变更，MeterSphere开源持续测试工具v3.2.0版本发布

IDEA插件支持API调试、接口用例支持一键同步API变更，MeterSphere开源持续测试工具v3.2.0版本发布

2024年8月26日，MeterSphere开源持续测试工具正式发布v3.2.0版本。 在这一版本中，接口测试方面，MeterSphere API Debugger插件支持API调试，接口用例支持一键同步API变更；测试管理方面，在“测试用例”模块中…
阅读更多...
牛客笔试训练

牛客笔试训练

牛客.过桥 在函数 public static int n;public static int[]arrnew int[2001];public static int bfs(){int left1;int right1;int ret0;while(left<right){ret;int rright;for(int ileft;i<right;i){rMath.max(r,arr[i]i);if(r>n){return ret;}}leftright1;rightr;}…
阅读更多...
网络原理 TCP与UDP协议

网络原理 TCP与UDP协议

博主主页: 码农派大星. 数据结构专栏:Java数据结构 数据库专栏:MySQL数据库 JavaEE专栏:JavaEE 关注博主带你了解更多数据结构知识 1.应用层 之前编写完了基本的 java socket &#xff0c;要知道&#xff0c;我们之前所写的所有代码都在应⽤层&#xff0c;都是为了 完成某项…
阅读更多...
关键点检测——HRNet源码解析篇

关键点检测——HRNet源码解析篇

&#x1f34a;作者简介&#xff1a;秃头小苏&#xff0c;致力于用最通俗的语言描述问题 &#x1f34a;专栏推荐&#xff1a;深度学习网络原理与实战 &#x1f34a;近期目标&#xff1a;写好专栏的每一篇文章 &#x1f34a;支持小苏&#xff1a;点赞&#x1f44d;&#x1f3fc;、…
阅读更多...
linux下部署数据库总结

linux下部署数据库总结

数据库 数据库主要分为两大类&#xff1a;关系型数据库与 NoSQL 数据库 关系型数据库&#xff0c;是建立在关系模型基础上的数据库&#xff0c;其借助于集合代数等数学概念和方法来处理数据库 中的数据主流的 MySQL、Oracle、MS SQL Server 和 DB2 都属于这类传统数据库。 NoSQ…
阅读更多...
JVM理论篇（一）

JVM理论篇（一）

一、类加载子系统 1.1 类加载子系统作用 类加载子系统负责从文件系统或者网络中加载Class文件&#xff0c;Class文件在文件开头有特定的文件标识。(CAFEBABE)ClassLoader只负责class文件的加载&#xff0c;至于它是否可以运行&#xff0c;则由Execution Engine 执行引擎决定。…
阅读更多...
Spire.PDF for .NET【文档操作】演示：创建标记的 PDF 文档

Spire.PDF for .NET【文档操作】演示：创建标记的 PDF 文档

带标签的 PDF&#xff08;也称为 PDF/UA&#xff09;是一种包含底层标签树&#xff08;类似于 HTML&#xff09;的 PDF&#xff0c;用于定义文档的结构。这些标签可以帮助屏幕阅读器浏览整个文档而不会丢失任何信息。本文介绍如何使用Spire.PDF for .NET在 C# 和 VB.NET 中从头…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023