跳到主要內容

網頁技術初探


網頁技術初探(1)

網頁請求與回應

近幾年很流行的動態網頁,說明網頁即時回應的重要我們利用下圖去說明動態網頁的運作
,當我們打開瀏覽器時,我們會輸入URL來連結網頁的內容,這時會向網頁伺服器送出請求,根據使用者要求執行網頁程式(ASP、JSP和PHP)等等執行程式的程序,會將程式執行的結
果,再給網頁伺服器再回應給瀏覽器。在這過程中,網頁伺服器扮演著編譯器的角色,而望頁程式扮演的執行者的角色,網頁伺服器主要工作會把執行者執行的結果編譯成網頁格式(HTML),回傳給前端使用者。我們下面會一一解析它們扮演角色的重要性。


網頁伺服器:

一個網頁伺服器,主要會完成三項任務
  1. 它會提供服務
  2. 它提供空間放置網頁
  3. 它會提供HTTP協定與瀏覽器做溝通        

而要達到網頁伺服器必須建置網頁伺服器的程式,目前比較有名的網頁伺服器如下:
  • Apache軟體基金會的Apache HTTP伺服器
  • Microsoft的Internet Information Server(IIS)
  • Google的Google Web Server

網頁程式 :

網頁程式主要可以分為客戶端網頁程式與伺服器端網頁程式,主要的不同是伺服器端網頁程式是在伺服器端的網頁程式都需要編譯器去編譯程式才會執行,主要的工作例如:製作報表、商業邏輯、連結資料庫等等。比較不會因為客戶端的不同而去需要改變,但是當多人使用時,需要考慮到網路頻寬與伺服器硬體的問題。至於客戶端的網頁程式應用瀏覽器中,只要瀏覽器是以直譯的方式顯示,主要做一些網頁排版或是動態顯示等等,例如:身分證驗證、電子郵件驗證等等都是常看到的應用。

*客戶端網頁程式:  JavaScript、CSS、VBScript
*伺服器端網頁程式 : PHP 、 ASP 、JSP、Perl

各種程式的優勢與劣勢


網頁程式 優點 缺點
PHP好學、有強大的函式庫
支援套件多

網頁語法與PHP程式會混在一起,維護不易
非物件導向程式語言不好做擴展
JSP 網頁顯示與程式可以分開
容易模組化
可以自訂開Tag
多種framwork可以使用
多平台使用
學習時間長
framework容易無法長期支援,而造成維護困難
ASPIDE整合環境好,開發快
網頁顯示與程式可以分開
使用者可以快速上手
很難學習到技術基礎
有些企業的需求無法滿足


待續....




留言

這個網誌中的熱門文章

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform 淺談機器學習原理-Nonlinear Transform Nonlinear Transform *通用能力 gerneralization : 就是將訓練好的模型,放到正式環境可以正常的運作,通常Linear Model的gerneralization會比較好,因為線性模型解決的問題比較單純。缺點是應用侷限比較大。 參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 非線性問題 當如果今天假設要圈出裡面小圈圈的資料,我們就無法使用線性的模型,我們可以用非線性解像圈圈的方程式 s i g n ( − x 1 2 − x 2 2 + r ) sign(-x1^2-x2^2+r) s i g n ( − x 1 2 − x 2 2 + r ) 來解決,在演算法我們利用reduce來將不會的問題透過已知的問題來解決,所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。 Reduce 方法論 我們調整圓形的方程式改為 z 0 z_0 z 0 ​ , z 1 z_1 z 1 ​ , z 2 z_2 z 2 ​ 來轉換線性方程式, { ( x n , y n ) } \{{(x_n,y_n)}\} { ( x n ​ , y n ​ ) } => { ( z n , y n ) } \{{(z_n,y_n)}\} { ( z n ​ , y n ​ ) } 在這空間資料中只要能找線,就可將不同的分類區分,圖中可以線性可以線去做分類。 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後,希望透過線性方程式方式來學習,得到正解。 當我們Nonlinear transform轉換成線性方程式,當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線...

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題: 例如:log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在: 利用google查詢所遭遇到的問題,例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法: 我實作下面解法後,就可以順利執行手寫辨識的程式. //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096

淺談機器學習原理-Linear Model

Linear Regession 淺談機器學習原理-Linear Model Linear Regession 需要預測數值,輸出為實數的數值,我們就稱為它是regession的任務。 範例:Netflix百萬獎金比賽,有100萬筆的rating資料與480K的使用者給17.7k的電影來評分,預測使用者評分電影的星星*數量。 (1) 定義問題是否需要使用ML : 預測使用者評分電影的星星*數量,算是一個複雜的問題。且知道評分結果為1~5星,可以知道這是一個regression的任務 (2) 收集資料 : Netflix有100萬筆的rating資料與 (3) 定義模型 :假設它是regession問題,我們可以知道hypothesis: h(x) = w T ∗ x w^T *x w T ∗ x 的方程式。我們可以與分類Perceptron的公式來比較。 Linear Regession :用來找到最接近實際目標值,也就是最小誤差error的值 (4) 測量誤差 : squared error : ( 預測值 − 真實的值 ) 2 (預測值-真實的值)^2 ( 預測值 − 真實的值 ) 2 ,我們算出誤差值後,如何得到最小的誤差min(Error(x)) 理想化的誤差值 我們可以假設誤差接近於0值為球體的位置,是在曲線的最下方也就是偏微分等於0的位置,我們要找的讓W偏微分等於零。 Statistics vs Machine Learning Statistics: 統計比較著重在數學的推論 Machine Learning: 機器學習比較著重在資料計算,統計工具對機器學習領域是很有幫助 Logistic Regression 邏輯回歸 需要預測機率,輸出為小數點,我們就稱為它Logistic Regression任務。資料輸出為+1,-1的值,可以預測為機率發生,可以由公式可以知道x在發生+1的機率是多少。範例: 疾病預測、鐵達尼的死完的機率 機...