WCF中可以使用SVCUtil.exe生成客户端代理类和配置文件1.找到如下地址“C:\Windows\System32\cmd.exe”命令行工具，右键以管理员身份运行（视系统能否为win7而定）2.输入如下命令：C:\＞cdC:\ProgramFiles\MicrosoftSDKs\Windows\v7.0A\binC:\ProgramFiles\MicrosoftSDKs\Windows\v7.0A\bin＞SvcUtil.exe/out:clientCode.cs/config:\app.confighttp://localhost:62026/CalculatorService.svc说明：参数：“C:\ClientCode.cs”，是指生成的代理类输出存放到的地址参数：“C:\app.config”，是指存放到调用WCF服务程序目录下的配置文件的输出存放地址参数：“http://localhost:81/WCFServiceTest/CNPatentSearchService.svc”，是指部署到IIS的WCF服务的地址3.运行以上命令后，会在"C:\"目录下生成两个文件，ClientCode.cs和app.config（C:\app.config中已经为我们配置好了WCF服务的根节点等必须的信息，当然，如果您也可以自己对部分参数进行修改）

找人要到的英文原版说明书，对应PSAT2011年2.1.6版本，中文翻译的说明书过于简略，这份英文说明书对命令行（commandlineusage）的说明更详细，引荐。

这本教程花费了我足足两个月的时间写的，每个章节以例子为核心讲解知识点，最大的好处是要用的时候把代码粘贴一下，修改修改就可以上手用了，绝对原创，光是调试这些例子就够我折腾了。
知识点覆盖比较全面，要个20分不过分吧，有几本书认真讲过那些常用模块:socket,数据库操作，xml解析，多线程，最具体的做法多半是一带而过，我可是一个例子一个例子做出来的。
把目录发给大家看看：2.1 第1课：简单文本输出 52.2 第2课：给变量赋值 52.3 第3课：命令的赋值与置换一 62.4 第4课：命令的赋值与置换二 72.5 第5课：命令的赋值与置换三 72.6 第6课：算数运算 82.7 第7课：文本比较－SWITCH应用 92.8 第8课：数值比较－IF应用 102.9 第9课：WHILE循环 112.10 第10课：FOR循环和INCR 112.11 第11课：过程PROC 122.12 第12课：过程PROC的参数定义 132.13 第13课：变量的作用域 132.14 第14课：LIST结构 142.15 第15课：LIST项的增删改 152.16 第16课：更多LIST相关 162.17 第17课：字符串函数 172.18 第18课：更多字符串函数 172.19 第19课：修改字符串函数 202.20 第20课：正则表达式 212.21 第21课：更多正则表达式 222.22 第22课：数组 242.23 第23课：更多数组相关 252.24 第24课：文件存取 282.25 第25课：文件信息 302.26 第26课：TCL中的子进程调用－OPEN&EXEC 332.27 第27课：命令或者变量能否存在－INFO 342.28 第28课：解释器状态－INFO 352.29 第29课：过程信息－INFO 362.30 第30课：模块化－SOURCE 372.31 第31课：建库－UNKNOWN&INFOLIBRARY 382.32 第32课：创建命令－EVAL 402.33 第33课：在EVAL中应用FORMAT&LIST 402.34 第34课：不使用EVAL替换－FORMAT&SUBST 422.35 第35课：改变工作目录－CD&PWD 432.36 第36课：调试和错误－ERRORINFO&ERRORCODE&CATCH 442.37 第37课：调试－TRACE 452.38 第38课：命令行参数和环境串 462.39 第39课：TIME&UNSET 472.40 第40课：SOCKET&FILEEVENT&VWAIT 492.41 第41课：日期时间－CLOCK 512.42 第42课：I/O通道－FBLOCKED&FCONFIG 532.43 第43课：子解释器 562.44 第44课：数据库操作 572.45 第45课：函数或过程数组的输入和输出方法 592.46 第46课：INFO的用法 602.47 第47课：多线程 612.48 第48课：解析XML 72

关于计算机网络技术的答卷可以验证能否正确如何来验证的·命令行

该rar包中包括MOngoDB数据库操作基本的增删改查，以及在CMD命令行中怎样配置MOngodb和增删改查，还有就是连接mongoDB的jar包和详细的操作文档，本来想上传NOde.js来着，可是只能上传60兆，只能放弃了，不过这些已经足够你入门了

:movie_camera:Notflix:movie_camera:||:laptop_computer:项目Notflix是一个ReactJS网站，旨在通过alura的“ImersãoReact”活动中进行研究。
单击预览已部署的演示！！:fire::fire::fire::exclamation_mark:去做编辑和删除功能，我承认本人很懒-现在已经完成了！:check_mark:视频卡悬停了-完成！:check_mark:将无聊的警报替换为一件好事-完成！:check_mark:播放视频的漂亮模态-完成！:check_mark::wrench:技术领域该项目是使用以下技术开发的：:question_mark:如何使用要克隆并运行此应用程序，您需要从您的命令行：安装简单#Clonethisrepository$gitclonehttps://git

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

用GDB调试程序重新编排，整洁美观。
GDB概述GDB是GNU开源组织发布的一个强大的UNIX下的程序调试工具。
或许，各位比较喜欢那种图形界面方式的，像VC、BCB等IDE的调试，但如果你是在UNIX平台下做软件，你会发现GDB这个调试工具有比VC、BCB的图形化调试器更强大的功能。
所谓“寸有所长，尺有所短”就是这个道理。
一般来说，GDB主要帮忙你完成下面四个方面的功能：1、启动你的程序，可以按照你的自定义的要求随心所欲的运行程序。
2、可让被调试的程序在你所指定的调置的断点处停住。
（断点可以是条件表达式）3、当程序被停住时，可以检查此时你的程序中所发生的事。
4、动态的改变你程序的执行环境。
从上面看来，GDB和一般的调试工具没有什么两样，基本上也是完成这些功能，不过在细节上，你会发现GDB这个调试工具的强大，大家可能比较习惯了图形化的调试工具，但有时候，命令行的调试工具却有着图形化工具所不能完成的功能。
让我们逐个看来。

HadoopHDFS分布式文件系统DFS简介HDFS的系统组成引见HDFS的组成部分详解副本存放策略及路由规则命令行接口Java接口客户端与HDFS的数据流讲解掌握hdfs的shell操作掌握hdfs的javaapi操作理解hdfs的工作原理设计思想分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；
在大数据系统中作用：为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务重点概念：文件切块，副本存放，元数据补充：hdfs是架在本地文件系统上面的分布式文件系统，它就是个软件，也就是用一套代码把底下所有机器的

openssl的强大功能,其内部包含了大量加密算法程序.其命令行提供了丰富的加密,验证,证书生成等功能,甚至可以用其建立一个完整的CA.与其同时,它也提供了一套完整的库函数,可用开发用SSL/TLS的通信程序.

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。