网站你懂我意思正能量晚上,腾讯广告官网,vs做asp网站流程,怎么推销自己的网站过滤器是仅在某些情况下应应用的模式。 在原始帖子中 #xff0c;我提供了一个非常简单的示例#xff0c;旨在演示如何应用它。 在这篇文章中#xff0c;我提供了一个更详细的示例#xff0c;该示例还旨在说明何时以及为什么应用它。 介绍 该职位包括以下10个简短步骤 。… 过滤器是仅在某些情况下应应用的模式。 在原始帖子中 我提供了一个非常简单的示例旨在演示如何应用它。 在这篇文章中我提供了一个更详细的示例该示例还旨在说明何时以及为什么应用它。 介绍 该职位包括以下10个简短步骤 。 在每个步骤中我介绍了以下两种类型的要求 B- * 业务要求由产品所有者提供→ 无可争辩 S- * 解决方案要求从解决方案的选择→ 有争议的结果中得出 我提出了一个Java模型该模型可以满足到目前为止介绍的要求。 我一直这样做直到Filterer成为首选解决方案。 所以让我带你踏上这段旅程…… 步骤1问题检测器 要求1 假设企业要求一种算法来检测英文文本中的语法和拼写问题 。 例如 文字 您很了解。 →要检测的问题 migth 类型拼写 文字 我没有注意放松。 →要检测的问题 注意 类型拼写 松散 类型语法 文字 我一直注意到它很松。 →要检测的问题∅ 这是第一个业务需求 B-1 。 B-1会议的最简单模型可以是 输入 纯文本 输出 问题列表每个问题提供 输入文字内的偏移量 这是我们的第一个解决方案要求 S-1 。 Java模型1 我们可以将S-1建模为 interface IssueDetector {// e.g. text: You migth know it.ListIssue detect(String text);
} 哪里 interface Issue {int startOffset(); // e.g. 4 (start of migth)int endOffset(); // e.g. 9 (end of migth)IssueType type(); // e.g. SPELLING
}enum IssueType { GRAMMAR, SPELLING } 提交1 。 步骤2机率 要求2 但是要实现以这种确定性方式工作的真实IssueDetector相当困难 问题概率P 100 无问题概率P 0 相反 IssueDetector应该是概率性的 可能的问题概率P 我们可以通过引入概率阈值 PT 来保持问题/非问题的区别 问题概率P≥PT 非问题概率P PT 。 尽管如此仍然值得修改模型以保留概率 P –例如在渲染 更高的概率→更突出的渲染中很有用。 综上我们额外的解决方案要求是 S-2 支持发布概率 P S-3 支持概率阈值 PT 。 Java模型2 通过将probability()添加到Issue我们可以满足S-2 interface Issue {// ...double probability();
} 我们可以通过在IssueDetector添加probabilityThreshold IssueDetector probabilityThreshold来满足S-3的IssueDetector interface IssueDetector {ListIssue detect(String text, double probabilityThreshold);
} 提交2 。 步骤3可能的问题 要求3 假设业务需要 B-3 使用英语语言家校对的文本测试所有问题检测器无概率。 这样的校对文本 或 测试用例 可以定义为 文字例如您shuold知道。 预期的问题例如 shuold 类型拼写 因此我们的解决方案要求是 S-4 支持预期的问题没有可能性。 Java模型3 我们可以通过提取子接口 ProbableIssue 来满足S-4 interface ProbableIssue extends Issue {double probability();
} 并从IssueDetector返回ProbableIssue interface IssueDetector {ListProbableIssue detect(...);
} 提交3 。 步骤4明智的文字 要求4 假使假设 所有测试用例都在外部定义例如在XML文件中 我们要创建一个参数化的JUnit测试 其中参数是作为Stream 提供的 测试用例 。 通常一个测试用例代表了一种我们可以称之为按问题发布的文本 一种文本及其问题。 为了避免将有问题的文本建模为Map.EntryString, ListIssue 含糊不清表示抽象不足让我们介绍另一个解决方案要求 S-5 支持明智的文本。 Java模型4 我们可以将S-5建模为 interface IssueWiseText {String text(); // e.g. You migth know it.ListIssue issues(); // e.g. [migth]
} 这使我们可以简单地定义测试用例Stream 如下所示 StreamIssueWiseText 代替 StreamMap.EntryString, ListIssue 。 提交4 。 步骤5预期覆盖率 要求5 假设业务需要 B-4 报告一系列测试用例的 预期 问题范围 为了简单起见将问题的覆盖范围定义为 总发行时长 ───────────── 总文字长度 实际上 问题的覆盖范围可能代表一些非常复杂的业务逻辑 。 Java模型5 我们可以使用基于Collector的方法处理B-4 static double issueCoverage(Stream? extends IssueWiseText textStream) {return textStream.collect(IssueCoverage.collector());
} Collector基于具有两个可变字段的Accumulator int totalIssueLength 0;
int totalTextLength 0; 对于每个IssueWiseText 我们增加 totalIssueLength issueWiseText.issues().stream().mapToInt(Issue::length).sum();
totalTextLength issueWiseText.text().length(); 然后我们将问题覆盖范围计算为 (double) totalIssueLength / totalTextLength 提交5 。 步骤6取得覆盖 要求6 假设业务需要 B-5 报告获得了整个测试集的问题覆盖率 。 “获得”是指“使用检测到的问题进行计算”。 现在事情开始变得有趣了 首先由于IssueCoverage表示业务逻辑 所以我们不应该重复它 S-6 重用问题覆盖代码。 其次由于该方法采用Stream? extends IssueWiseText Stream? extends IssueWiseText 我们需要为ProbableIssue建模一个IssueWiseText S-7 支持概率问题文本。 我在这里只看到两个选择 参数化 IssueWiseTextI extends Issue 子类型化 ProbabilisticIssueWiseText extends IssueWiseText 。 参数Java模型6 S-7的参数模型很简单-我们在IssueWiseText需要I extends Issue IssueWiseText I extends Issue 一个有界类型参数 interface IssueWiseTextI extends Issue {String text();ListI issues();
} 这个模型有缺点例如类型擦除 但是很简洁。 我们还可以修改IssueDetector来返回IssueWiseTextProbableIssue 。 此外我们的测试用例Stream可能会变成StreamIssueWiseTextIssue 尽管IssueWiseTextIssue颇有争议。 提交6a 。 子类型化Java模型6 另一个选择是选择子类型 它有其自身的缺点其中最大的缺点可能是重复 。 S-7的子类型模型采用返回类型协方差 interface ProbabilisticIssueWiseText extends IssueWiseText {OverrideList? extends ProbableIssue issues();
} IssueWiseText中的issues()必须成为上限 List? extends Issue 。 我们还可以修改IssueDetector来返回ProbabilisticIssueWiseText 。 提交6b 。 步骤7按问题类型过滤 要求7 假设业务需要 B-6 按问题类型报告问题范围 。 我们可以通过接受Predicate ? super Issue类型的额外参数来支持它Predicate ? super Issue Predicate ? super Issue IssueType参数通常太窄。 但是直接在IssueCoverage支持它会使业务逻辑复杂化 提交7a 。 相反我们宁愿将已过滤的IssueWiseText实例提供给IssueCoverage 。 我们如何进行过滤 “手动”执行操作调用new 会给实现带来不必要的耦合我们甚至还不了解它们。 这就是为什么我们让IssueWiseText进行过滤的原因我觉得这个逻辑属于那里 S-8 支持在IssueWiseText按Issue进行IssueWiseText 。 换句话说我们希望能够说 换句话说我们希望能够说 嘿IssueWiseText 按Issue筛选自己 参数Java模型7 在参数模型中我们将以下filtered方法添加到IssueWiseTextI IssueWiseTextI filtered(Predicate? super I issueFilter); 这使我们满足B-6的要求 return textStream.map(text - text.filtered(issue - issue.type() issueType)).collect(IssueCoverage.collector()); 提交7a 。 子类型化Java模型7 在子类型模型中我们还添加了filtered方法与上面的方法非常相似 IssueWiseText filtered(Predicate? super Issue issueFilter); 这让我们以与上述相同的方式遇到了B-6 。 提交7b 。 步骤8按机率筛选 要求8 假设业务需要 B-7 按最小概率报告问题的覆盖范围 。 换句话说企业希望知道概率分布如何影响问题的覆盖范围。 现在我们不希望运行IssueDetector与许多不同的概率阈值PT因为这将会是非常低效的。 相反我们将只运行一次 PT 0 然后以最低的概率继续丢弃问题以重新计算问题的覆盖范围。 但是为了能够按概率进行过滤我们需要 S-9 支持在概率问题文本中按ProbableIssue进行过滤。 参数Java模型8 在参数模型中我们不需要更改任何内容。 我们可以满足B-7的要求 return textStream.map(text - text.filtered(issue - issue.probability() minProbability)).collect(IssueCoverage.collector()); 提交8a 。 子类型化Java模型8 在子类型化模型中这比较困难因为我们需要在ProbabilisticIssueWiseText一个额外的方法 ProbabilisticIssueWiseText filteredProbabilistic(Predicate? super ProbableIssue issueFilter); 让我们满足B-7的要求 return textStream.map(text - text.filteredProbabilistic(issue - issue.probability() minProbability)).collect(IssueCoverage.collector()); 提交8b 。 对我来说 ProbabilisticIssueWiseText这种额外方法非常令人不安请参阅此处 。 这就是为什么我提议… 步骤9筛选器 要求9 由于子类型模型中的常规过滤是如此“不一致”因此让我们使其统一 S-10 在问题型文本的子类型模型中支持统一过滤。 换句话说我们希望能够说 嘿ProbabilisticIssueWiseText 用ProbableIssue过滤自己但是与IssueWiseText本身通过Issue过滤自己一样 据我所知这只能通过Filterer Pattern实现 。 子类型化Java模型9 因此我们将通用 Filterer应用于IssueWiseText Filterer? extends IssueWiseText, ? extends Issue filtered(); 以及ProbablisticIssueWiseText Override
Filterer? extends ProbabilisticIssueWiseText, ? extends ProbableIssue filtered(); 现在我们可以通过调用以下内容进行统一过滤 text.filtered().by(issue - ...) 提交9 。 步骤10检测时间 到这个时候您必须想知道如果参数化模型这么简单的话为什么还要打扰子类型化模型。 因此最后一次我们假设业务需要 B-8 报告检测时间 检测给定文本中所有问题所花费的时间。 参数Java模型10 我仅看到将B-8合并到参数模型中的两种方法1组成2子类型化。 参数Java模型10的组成 涂抹组合物很容易。 我们介绍IssueDetectionResult interface IssueDetectionResult {IssueWiseTextProbableIssue probabilisticIssueWiseText();Duration detectionTime();
} 并修改IssueDetector以将其返回。 提交10a 。 参数Java模型10的子类型化 应用子类型需要更多的工作。 我们需要添加ProbabilisticIssueWiseTextI * interface ProbabilisticIssueWiseTextI extends ProbableIssue extends IssueWiseTextI {Duration detectionTime();// ...
} 并修改IssueDetector以返回ProbabilisticIssueWiseText? 。 提交10a 。 *请注意我在ProbabilisticIssueWiseText上保留了I 以便不以危险的方式将参数化与子类型化相关联 。 子类型化Java模型10 使用纯子类型模型合并B-8非常容易。 我们只是将detectionTime()添加到ProbabilisticIssueAwareText interface ProbabilisticIssueWiseText extends IssueWiseText {Duration detectionTime();// ...
} 提交10b 。 结论 没有时间详细讨论了该帖子已经比我预期的要长。 但是与其他解决方案Filterer 我更喜欢纯子类型化因此更喜欢Filterer 因为 具有组合的参数化使我没有通用的超类型在某些情况下这是一个问题 具有子类型的参数化具有太多的自由度。 我说“太多自由度”我只需要 IssueAwareText? ProbabilisticIssueAwareText? IssueAwareTextIssue 有争议 但在代码中我也会遇到根据经验说 IssueAwareText? extends Issue IssueAwareText? extends Issue 冗余上限 IssueAwareTextProbableIssue IssueAwareText? extends ProbableIssue IssueAwareText? extends ProbableIssue 为什么不ProbabilisticIssueAwareText? ProbabilisticIssueAwareText? extends ProbableIssue ProbabilisticIssueAwareText? extends ProbableIssue 冗余上限 ProbabilisticIssueAwareTextProbableIssue 所以对我来说太混乱了。 但是如果您真的对此主题感兴趣请查看“ 复杂子类型与参数化” 不过请注意它甚至比这篇文章还要长。 感谢您的阅读 翻译自: https://www.javacodegeeks.com/2019/02/filterer-pattern-10-steps.html
