服务系统优化到一定程度后,提高性能的瓶颈可能就在于数据的网络传输上。因为在一天的任何时间内,都有可能在客户端和服务器端之间传送成千上万的大数据,这需要占用很大的带宽,严重影响客户端的体验。
一种可能的解决办法,我们希望能够在把数据返回给客户端前,先压缩这些数据。如果传输的是文件,图片之类的,网络已经有了很多介绍。但是我们所需要的----对网络传输数据进行压缩。
当使用ZipInputStream 和 ZipOutputStream压缩处理时,并没有强制你只能压缩文件。唯一要注意的是你必须把数据转换为字节数组的形式。
以下是创建一个RMI形式的套接字的简要步骤:
1、选择或者创建一个新的套接字.
2、创建一个服务器端的套接字.
3、创建一个RMIClientSocketFactory
4、创建一个RMIServerSocketFactory
5、创建一个继承了UnicastRemoteObjec的远程对象,从而使用新的factories.
根据这一大致的想法,我们来看每一步如何具体的实现.
步骤1: 创建ZipSocket;由于要进行Zip压缩,我们重新创建这样的套接字
import java.io.InputStream;
import java.io.OutputStream;
import java.util.zip.ZipInputStream;
import java.util.zip.ZipOutputStream;
import java.net.Socket;
public class ZipSocket extends Socket {
private InputStream in;
private OutputStream out;
public ZipSocket() { super(); }
public ZipSocket(String host, int port) throws IOException {
super(host, port);
}
public InputStream getInputStream() throws IOException {
if (in == null) {
in = new ZipInputStream(super.getInputStream());
}
return in;
}
public OutputStream getOutputStream() throws IOException {
if (out == null) {
out = new ZipOutputStream(super.getOutputStream());
}
return out;
}
public synchronized void close() throws IOException {
OutputStream o = getOutputStream();
o.flush();
super.close();
}
}
步骤2: 创建ZipServerSocket
import java.net.ServerSocket;
import java.net.Socket;
import java.io.IOException;
public class ZipServerSocket extends ServerSocket {
public ZipServerSocket(int port) throws IOException {
super(port);
}
public Socket accept() throws IOException {
Socket socket = new ZipSocket();
implAccept(socket);
return socket;
}
}
步骤3:创建ZipClientSocketFactory
客户端的factory的创建必须遵循以下的形式:
import java.io.IOException;
import java.io.Serializable;
import java.net.Socket;
import java.rmi.server.RMIClientSocketFactory;
public class ZipClientSocketFactory implements RMIClientSocketFactory, Serializable {
public Socket createSocket(String host, int port) throws IOException {
ZipSocket socket = new ZipSocket(host, port);
return socket;
}
}
步骤4:创建ZipServerSocketFactory
import java.io.IOException;
import java.io.Serializable;
import java.net.ServerSocket;
import java.rmi.server.RMIServerSocketFactory;
public class ZipServerSocketFactory implements RMIServerSocketFactory, Serializable {
public ServerSocket createServerSocket(int port) throws IOException {
ZipServerSocket server = new ZipServerSocket(port);
return server;
}
}
步骤5: 创建一个继承了UnicastRemoteObjec的远程对象,从而使用新的factories
public class YourRMIObject extends UnicastRemoteObject {
public YourRemoteObject( int port ) {
super( port, new ZipClientSocketFactory(), new ZipServerSocketFactory() );
}
// 剩下的是你自己的程序实现
}
至此,你的通信数据已经得到了压缩。
相关推荐
关于Wcf传输大数据的解决方案和代码,能直接应用进项目
通过源系统端的Agent进程对数据库Log日志进行实时分析,获取交易指令,将交易指令 和交易数据经过格式转化生成数据格式;过滤转化为与生产应用相吻合的指令;再次实 时传输到目标端系统
为了满足网络大数据背景下,大数据传播的数据知识高精度要求和清除劣质数据干扰,基于粒度可变调整方案提出了机会调度的网络大数据知识扩充算法。在分析网络大数据特征基础上,通过自适应向量编码,捕捉网络大数据的...
数据之间没有统一标准 数据难以快速集成和共享 数据使用者无法理解数据模型 数据质量问题堪忧 跨平台数据传输困难 难以基于海量数据进行业务创新 大数据时代的数据治理全文共11页,当前为第2页。 目前大数据平台的...
整合海量数据:结合运营商数据和自身存量数据,整合海量数据搭建大数据平台:对数据采集清洗加工,进行平台数据呈现,方便调取,同时确保数据安全开发行业应用:针对政法行业特殊应用需求,开发面向行业的大数据应用
基于ORACLE数据库传输表空间的数据压缩解决方案.pdf
基于信息大数据融合的网络通信信号传输效率模型研究.pdf
为了满足网络大数据背景下,大数据传播的数据知识高精度要求和清除劣质数据干扰,基于粒度可变调整方案提出了机会调度的网络大数据知识扩充算法。在分析网络大数据特征基础上,通过自适应向量编码,捕捉网络大数据的...
STM32当USB传输较多数据时,会出现传输不了,本文档完美解决。
大数据中枢平台解决方案旨在构建一个高效、稳定、安全的数据处理与分析平台,以满足企业或组织在大数据应用方面的需求。以下是一个详细的大数据中枢平台解决方案: 一、平台概述 大数据中枢平台是一个集数据采集、...
大数据中枢平台解决方案旨在构建一个集成化、智能化的大数据处理与分析平台,以支持企业或组织在海量数据中挖掘价值、优化决策、提升业务效能。以下是一个具体的大数据中枢平台解决方案: 一、平台概述 大数据中枢...
面向云计算的大数据网络体系结构下数据传输机制.pdf
网络传输文件压缩源码,点对点传输,压缩源码,压缩效率高达160倍不要错过!
大数据时代下计算机数据存储与传输技术研究.pdf
数据规模和传输速度要求很高,或结构不适合原本数据库系统;医院临床数据中心包括病人历史数据,医疗仪器所产生的影像数据以及各类仪器设备所产生的波形数据(时态数据),还包括病人的基因组学数据;集成平台发展...
易安卓E4A多线程大数据网络通讯TCP b1.4 支持大数据文件、图片、直接发送,支持双向,无需要用户分包组包,模块库自动智能处理,目前此模块是E4A唯一最强大通讯模块,也是安卓,JAVA中最强大通讯模块之一!
大数据时代的到来,数据快速增长,数据集合规模已经从TB级增长到PB级。而现有的网络传输带 ...系统参数、增强uDT可靠性和减少系统调用代价的解决方案,提升了大数据的传输速度,增强了UDT在高速广域 网的可适用性。
企业数据跨国传输及本地化留存解决方案样本.pdf企业数据跨国传输及本地化留存解决方案样本.pdf企业数据跨国传输及本地化留存解决方案样本.pdf企业数据跨国传输及本地化留存解决方案样本.pdf企业数据跨国传输及本地化...
介绍了BP神经网络的基本原理,并通过构造特殊的映射关系、精心设计的BP神经网络获得一套基于神经网络的高效无损音频数据压缩方案。通过试验证明该方案行之有效,并且压缩比为7∶1。
随着科学、技术和工程的迅猛发展, 近 20 年来, 许多领域 (如光学观测、光学监控、健康医 ...高级读者定制自己的大数据解决方案提供辅助思想, 希望能够对大数据相关的科技和工程人员起到 一些参考作用.