Node(二)

article/2025/11/6 20:46:09

一、node的文件系统

1、二进制文件的读写(按字节读写:一个字节是8个二进制位)

(1)读二进制文件

fs.read(fd,buffer,offset,length,position,callback)

fd:文件描述符。由open函数返回。

buffer:被写入数据的缓冲区。(用来缓存从文件中读取的数据)

offset:偏移量,描述的是写入缓冲区的位置信息。读取的数据要放在缓冲区的什么位置。一般从0开始。

length:表示从文件中读取的字节数。

position:表示从文件中读取数据的位置。若为null(0),表示从当前位置开始读。

callback:回调函数。参数:err、bytesRead、buffer

(2)关闭文件

fs.close(fd,callback)

fd:文件描述符

callback:回调函数。参数err。

2、写二进制文件(向二进制文件写入内容)

fs.write(file,buffer,offset,length,position,callback) --- 将buffer中的数据写入到fd所描述的文件中去。

写入时若文件不存在则新建一个文件,若文件存在则覆盖原文件内容。

3、向文件中追加数据

(1)异步追加

fs.appendFile(path,data,options,callback)

path:文件全名(文件路径和文件名)

data:追加的数据

callback:回调函数,参数err

(2)同步追加

fs.appendFileSync(path,data,options,callback)

4、目录操作

(1)创建目录

a、异步创建

fs.mkdir(path,model,callback)

path:目录名。(包含有路径)

model:可以设置计算机权限,可省略

callback:回调函数。

b、同步创建

fs.mkdirSync(path,model,callback)

(2)读取目录

a、异步创建:

fs.readdir(path,callback)

path:目录名。(包含有路径)

callback:回调函数。参数err、files(files中存放的是读取目录中的文件和子目录信息,实质是一个集合)。

(3)删除目录

a、异步删除

fs.rmdir(path,callback)

path:目录名。(包含有路径)

callback:回调函数。

二、node的数据流(Stream接口)

1、系统处理缓存的方式

(1)传统方式:先将数据全部读入缓存(内存),然后再进行处理。

优点:符合人的思维方式,流程比较流畅

缺点:对于数据量很大的文件,处理的效率低下。

(2)数据流方式 :读一块处理一块,将待处理的数据分割成一块一块的,像流水一样,每当有新的数据块进入内存时会触发一个事件,程序就从内存中获取新数据进行处理。

优点:程序对数据的处理速度快,效率高。

2、node总的数据流

(1)Readable:用于读操作的数据流。

(2)Writeable:用于写操作的数据流

(3)Duplex:用于读写操作的数据流。

(4)Transform:输出基于输入的地方进行计算的一种双相流。

3、node中使用数据流时触发的事件:每个数据流都有一个EventEmitter实例,该实例的作用是触发事件。

(1)data:当流中有数据可以读取时触发此事件。data是事件名

(2)end:当流中没有数据时事件被触发。end是事件名

(3)error:当有任何错误时触发。error是事件名

(4)finish:当所有数据已刷新到底层系统时触发此事件。finish是事件

4、从流中读取数据:fs模块的createReadStream方法的作用是创建一个读取数据的数据流。

fs.createReadStream(文件全名)

5、向流中写入数据:fs模块的createWriteStream方法可以创建一个写数据流

fs.createWriteStream(文件全名)

6、管道流:用于从一个流中获取数据,并通过该流输出到另一个流。

7、链式流:是一种机制,一个流的输出连接到另一个流,并创建一个链多流操作。

(1)压缩文件

(2)解压缩

练习:


http://chatgpt.dhexx.cn/article/ReQTcONX.shtml

相关文章

【论文精读】node2vec: Scalable Feature Learning for Networks

node2vec: Scalable Feature Learning for Networks 可扩展的 图嵌入 表示学习算法 可扩展:算法可用于互联网规模级别的数据,在有限的时间和空间中 图嵌入:将图的连接信息嵌入到连续、低维、稠密的D维空间中 表示学习:用数据驱…

Graph Embedding(DeepWalk,LINE,Node2vec)

为什么要对图进行嵌入? 直接在这种非结构的,数量不定(可能数目非常多),属性复杂的 图 上进行机器学习/深度学习是很困难的,而如果能处理为向量将非常的方便。但评价一个好的嵌入需要: 保持图属…

深度学习 - 33.GraphEmbedding Node2vec 图文详解

一.引言 前面介绍了如何生成带权的图: GraphEmbedding - networkx获取图结构 从带权的图随机游走生成序列: GraphEmbedding - DeepWalk 随机游走 embedding 向量的评估与可视化: GraphEmbedding - embedding 向量的降维与可视化 以及复杂度O(1)的采样算法 Alias: GraphEmbe…

Node2Vec算法介绍

大家好,我是Linzhuo,今天又来给大家分享graph embedding的相关知识啦。 在上一篇文章中,我们介绍了graph embedding的经典方法:Deepwalk,其通过随机游走(Random walk)的方式将Graph embedding与Word embedding的方法(w…

KDD 2016 | node2vec:Scalable Feature Learning for Networks

目录 前言Abstract1.IntroductionPresent work 2.Related Work3.Feature Learning Framework3.1 Classic search strategies3.2 node2vec3.2.1 Random Walks3.2.2 Search bias α \alpha α3.2.3 The node2vec algorithm 3.3 Learning edge features 4.Experiments4.1 Case St…

PyG基于Node2Vec实现节点分类及其可视化

文章目录 前言一、导入相关库二、加载Cora数据集三、定义Node2Vec四、定义模型五、模型训练六、可视化完整代码前言 大家好,我是阿光。 本专栏整理了《图神经网络代码实战》,内包含了不同图神经网络的相关代码实现(PyG以及自实现),理论与实践相结合,如GCN、GAT、GraphS…

浅析 v-node

浅析 v-node 🌈 本节我们来探索一下虚拟DOM,将会从以下4个方面进行阐述: 虚拟DOM的本质虚拟DOM的优势虚拟DOM转换真实DOM 过程虚拟DOM树 diff算法 虚拟DOM的本质 ⭐️虚拟DOM 本质上是一个 js 对象,用于描述页面的结构&#x…

deepwalknode2vec 代码实战

提示:笔记内容来自于B站up主同济子豪兄 文章目录 1. Embedding嵌入的艺术2. deepwalk2.1. 什么是图嵌入?2.2. deepwalk的步骤1、生成graph;2、利用random walk生成多个路径;3、训练表示向量的学习;4、为了解决分类个数…

Node2Vec

Node2Vec 论文名称:node2vec: Scalable Feature Learning for Networks 论文地址:https://www.kdd.org/kdd2016/papers/files/rfp0218-groverA.pdf Node2Vec是用于学习网络节点的连续特征表示。node2vec将节点映射为低维特征表示,最大化网…

node2vec python 实现和理解

1. 安装 pip install node2vec 2. 使用案例 import networkx as nx from node2vec import Node2Vec# Create a graph 这里可以给出自己的graph graph nx.fast_gnp_random_graph(n100, p0.5)# Precompute probabilities and generate walks - **ON WINDOWS ONLY WORKS WITH …

node2vec的一些理解

node2vec node2vec也是一种网络嵌入的表示方法,它是基于DeepWalk的基础上进行改进的。主要改进的地方在于它在随机游走的过程中加入了一个权重,使得游走可以采用深度优先和广度优先的策略进行游走。 Search bias α 使得随机游走产生片偏差的最简单的…

从word2vec到node2vec

word2vec 1. 什么是word2vec 在自然语言处理任务(NLP)中,最细粒度是词语,所以处理NLP问题,首先要处理好词语。 由于所有自然语言中的词语,都是人类的抽象总结,是符号形式的。而对于数学模型&a…

详解Node2vec以及优缺点

1. 论文介绍 首先介绍了复杂网络面对的几种任务: 网络节点的分类,通俗点说就是将网络中的节点进行聚类,我们关心的是哪些节点具有类似的属性,就将其分到同一个类别中。链接预测,就是预测网络中哪些顶点有潜在的关联。…

node2vec论文阅读

本文要阅读的论文来自数据挖掘领域的顶级会议KDD-2016. 论文介绍了一种Graph representation方法 得益于CNN以及Seq2seq等模型,深度学习在图像和自然语言处理等领域有很好的应用。然而在涉及到图(有向图,无向图)结构的应用比如社…

【Graph Embedding】node2vec:算法原理,实现和应用

前面介绍过基于DFS邻域的DeepWalk和基于BFS邻域的LINE。 DeepWalk:算法原理,实现和应用 LINE:算法原理,实现和应用 node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。简单来说,可以看作是eepwalk的一…

图与推荐系统(一):Graph Embedding之node2vec (原理 + 代码实战)

文章目录 一. 介绍二. 公式三. 代码细节四. 代码 一. 介绍 node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。简单来说,可以看作是deepwalk的一种扩展,是结合了DFS和BFS随机游走的deepwalk。node2vec通过调整方向的参数来控制模型更倾向B…

图神经网络之Node2Vec详解

目录 背景传统算法存在的问题算法背景动机 算法随机序列的生成Node2Vec算法算法的具体流程: 总结相关资料 背景 传统算法存在的问题 一些方法中所提出的特征需要依赖人手工定义,这需要特定领域内专业人士来完成,而且依靠人手工定义特征的有…

node2vec算法

图嵌入算法 一、背景1.提出2.应用3.特点 二、DeepWalkRandomWalk 三、node2vec引言node2walkskip-gram(用中心词预测周围词) 一、背景 1.提出 ①使用邻接矩阵表示网络时,由于矩阵中大多数元素是0,难以体现节点间关系,同时数据的稀疏性使得计…

node2vec代码实现及详细解析

目录 前言1.数据导入2.node2vecWalk2.1 归一化转移概率2.1.1 原理解析2.1.2 Alias采样2.1.3 代码实现 2.2 node2vecWalk的实现 3.LearnFeatures4.参数选择5.完整代码 前言 在KDD 2016 | node2vec:Scalable Feature Learning for Networks 中我们详细讨论了node2vec…

Node2vec原理剖析,代码实现

DeepWalk原理介绍 与词嵌入类似,图嵌入基本理念是基于相邻顶点的关系,将目的顶点映射为稠密向量,以数值化的方式表达图中的信息,以便在下游任务中运用。 Word2Vec根据词与词的共现关系学习向量的表示,DeepWalk受其启…