语言翻译

本文翻译自官网： https://ci.apache.org/projects/flink/flink-docs-release-1.9/dev/table/common.html Table API和SQL集成在共同API中。 该API的中心概念是 Table ，用作查询的输入和输出。 本文档介绍了使用Table API和SQL查询的程序的通用结构，如何注册 Table ，如何查询 Table 以及如何发出 Table（数据） 。 两个 planner 之间的主要区别 表API和SQL程序的结构 创建一个TableEnvironment 在 Catalog 中注册表 注册表格 注册一个TableSource 注册一个TableSink 注册 扩展 Catalog 查询表 表API SQL 混合 表API和SQL 发出表 (数据) 翻译并执行查询 与DataStream和DataSet API集成 Scala的隐式转换 将DataStream或DataSet注册为表 将DataStream或DataSet转换为表 将表转换为DataStream或DataSet 数据类型到表结构的映射 查询优化 解释表 两个 planner 之间的主要区别 Blink将批处理作业视为流的特殊情况。 因此，还不支持Table和DataSet之间的转换，并且批处理作业不会转换成DateSet ，而是

Dynamics 365 Portal 的多语言分两种情况： 1、通过定义两套记录来实现，如Web Link Set、Snippet Content，都是定义两套记录，分别关联不同的语言来实现 Web Link Set的情况： Snippet Content的情况： 2、通过关联两个Localized Content、 在页面的Web Page下，找到Localized Content子网格，添加相应的子页并关联不同语言即可自动根据当前Portal选择的语言自动切换对应的翻译（一定要翻译好，不然会取默认语言） 来源： https://www.cnblogs.com/liaochifei/p/11806146.html

作为JSP的替代方案，Velocity 经常被用来在应用中生成web页面。使用Velocity生成页面的一些好处有： Simplicity - 页面可以被非技术型的web设计师创作和维护了。 Ease of maintainance – 脚本代码可以像MVC模式所要求的那样从web页面中移除了。 Access both methods and properties - web设计师可以在一个Context中引用方法和属性对象了。 Consistency - Velocity能够被用来执行其他类型的文本生成任务（比如发送邮件），从而提供一种一致的文本信息格式配置。 本文档提供一些关于在web应用中使用Velocity的入门信息。 使用一个框架 原始的使用Velocity引擎的目标是根据模板生成文本。所以Velocity中本身并没有包含任何和web相关的功能。为了让一个web应用起作用，你需要一个框架去回应HTTP请求、控制用户认证、调用业务逻辑，然后生成响应。下面是一些强大的竞争者。 1、Velocity Tools / VelocityViewServlet - 入门最简单的办法是下载相关 Velocity Tools 子项目，使用里面的VelocityViewServlet。 配置和安装这个servlet是容易的。在你的web服务器上面创建一个放模板文件的文件夹

这段时间一直都在怼qt的国际化，以前也接触过国际化，但是感觉不是那么的深刻，这次是因为一个项目要做一个国际化的版本，代码里面是不能出现中文的，所以就翻译了一下。qt用的是4.8.6 64位的，IDE(集成开发环境)用的是vs2010。 我就把我操作的流程在这里给大家说一遍，按照我这么做的话肯定是没有什么问题，其实就是需要两个文件，一个是ts文件，一个是qm文件。 第一步需要在pro文件中加上一段话。 TRANSLATIONS += offlinedataquery_zh.ts 文件名其实可以自己去定的，我这里因为是项目需要名称定的是offlinedataquery_zh，这个zh是表示中文翻译，如果你有其他语言的需要也可以定义其他，比如日语可以定义jp都可以。 第二步找到qt的bin目录，这个可以用cmd。 然后执行 lupdate offlinedataquery.pro 这里文件还是要找准路径才行。 这里就会在根目录下生成一个ts文件。 然后再执行 lrelease offlinedataquery_zh.ts 这个时候就生成了一个qm文件，这个就是我们在代码中需要加载的文件 QTranslator* Translator = new QTranslator; QString tmp_gcdir = QObject::tr(getenv("GCDIR")); QString

入门指导 Zephir还有这本手册，是为了PHP开发者想开发C扩展并降低复杂度面打算的。 我们假设你有编程语言的基础。我们会在介绍的时候尽可能的向PHP，C，Javascript等语言的特点来陈述。 如果你懂得这些语言中的某一种的话，我们会指出它们来Zephir的相似点。当然其它的一些Zephir的新特性还有 不同点我们也会一一介绍。 检测安装情况 如果你成功的安装了Zephir，你可以在命令行中执行下面的命令: $ zephir help 如果安装正确的话，你会看到下面的提示: _____ __ _ /__ / ___ ____ / /_ (_)____ / / / _ \/ __ \/ __ \/ / ___/ / /__/ __/ /_/ / / / / / / /____/\___/ .___/_/ /_/_/_/ /_/ Zephir version 0.4.5a Usage: command [options]Available commands: build Generate/Compile/Install a Zephir extension clean Cleans the generated object files in compilation compile Compile a Zephir extension full-clean Cleans the

1. 前言与要求 　　这篇文档提供了ply的lexing与parsing总体说明。鉴于解析的内在复杂性(Given the intrinsic complexity of parsing),我强烈推荐你在开始你ply的大型项目之前应该阅读(或至少略读)整篇文档。 Ply3.5 兼容 python2 与 python3. 如果你正在使用python2，你必须使用python2.6或更新的。 2. 介绍 　　PLY是一款非常受欢迎的编译器构造工具lex与yacc的纯PYTHON版本。PLY的主要目标是忠诚于(stay farily faithful)传统的lex/yacc工具的工作方式。这支持LALR(1)分析，也支持额外的输入验证、错误输出以及诊断。因此，如果你已经使用了yacc在另外的编程语言，你应该可以相对容易的使用PLY。 　　早期版本的PLY被开发出来支持我2001年在芝加哥大学编译原理入门课程。因为PLY最初开发作为一个构造工具，你发现它对语法与符号规范相当的挑剔(picky)。部分地，这增加了用于捕捉新手容易造成的常见的编程错误的程序。当然，高级的使用者当在用于构建真正的编程语言的复杂的语法规则时的，也会发现一部分非常有用的细节。应该注意的是PLY不提供太多花里胡哨的方法（the way of bells and whistles）（比如自动构造语法抽象树，树的遍历等）

首先，我们编程都是用的高级语言(写汇编和机器语言的大牛们除外)，计算机不能直接理解高级语言，只能理解和运行机器语言，所以必须要把高级语言翻译成机器语言，计算机才能运行高级语言所编写的程序。 说到翻译，其实翻译的方式有两种，一个是编译，一个是解释。两种方式只是翻译的时间不同。 用编译型语言写的程序执行之前，需要一个专门的编译过程，通过编译系统（不仅仅只是通过编译器，编译器只是编译系统的一部分）把高级语言翻译成机器语言（具体翻译过程可以参看下图），把源高级程序编译成为机器语言文件，比如windows下的exe文件。以后就可以直接运行而不需要编译了，因为翻译只做了一次，运行时不需要翻译，所以编译型语言的程序执行效率高。 解释则不同，解释型语言编写的程序不需要编译。解释型语言在运行的时候才翻译，比如VB语言，在执行的时候，专门有一个解释器能够将VB语言翻译成机器语言，每个语句都是执行的时候才翻译。这样解释型语言每执行一次就要翻译一次，效率比较低。 一，编译型语言： 编译生成的可执行程序可以以脱离开发环境，在特定的平台上独立运行。 因为编译型语言是一次性的编译成机器码，所以可以脱离开发环境独立运行，而且通常运行效率较高；但因为编译性语言的程序被编译成特定平台上的机器码，因此编译生成的可执行程序通常无法移植到其他平台上运行；如果需要移植，则必须将源代码复制到特定的平台上，针对特定的平台进行修改

1 简介 自2013年提出了神经机器翻译系统之后，神经机器翻译系统取得了很大的进展。最近几年相关的论文，开源系统也是层出不穷。本文主要梳理了神经机器翻译入门、进阶所需要阅读的资料和论文，并提供了相关链接以及简单的介绍，以及总结了相关的开源系统和业界大牛，以便其他的小伙伴可以更快的了解神经机器翻译这一领域。 随着知识的逐步积累，本文后续会持续更新。请关注。 2 入门资料 这部分主要整理了神经机器翻译入门的资料以及所需的一些基础知识，如RNN、LSTM、GRU等。 2.1 神经机器翻译入门资料 1） CIPS青工委学术专栏第9期 | 神经机器翻译 链接： http://www.cipsc.org.cn/qngw/?p=953 介绍：由熊德意、张民等老师所写，梳理了神经机器翻译的历史发展；介绍了采用注意力机制的神经机器翻译模型的特点；总结了神经机器翻译的译文问题：1）如词汇表规模受限问题、2）源语言翻译覆盖问题、3）翻译不忠实问题； 就当前的研究热点，大致就三个问题进行了讨论：1）规模受限词语表问题、2）注意力机制问题、3）神经机器翻译和传统统计机器翻译的结合。 2） 基于深度学习的机器翻译研究进展 链接： http://www.caai.cn/index.php?s=/Home/Article/qikandetail/year/2016/month/02.html 介绍

　　有时候在公众号中需要对接一些翻译的功能或者其他。最常见的翻译API就是中英互译，程序员用的最多的也就是中译英。 1.到百度翻译官网申请账号　　 http://api.fanyi.baidu.com/api/trans/product/desktop 　　登录之后就选择需要开通的服务。到 http://api.fanyi.baidu.com/api/trans/product/apichoose 页面可以选择开通的服务。比如我已开通的服务： 　　开通的时候可以选择版本，对于我个人用户来说开通一个标准版就可以了，标准版享有的权限为： 可不限调用字符量免费使用（QPS为1,Queries-per-second 也就是每秒钟1次）。 　　也可以到管理控制台查看自己开通的服务以及版本，最关心的就是版本。标准版是免费的。 2. 接下来以官方的例子运行即可 　　 http://api.fanyi.baidu.com/api/trans/product/apidoc#joinFile 官方例子的入口类如下： package cn.qlq.utils.baidutranslate; public class Main { // 在平台申请的APP_ID 详见 // http://api.fanyi.baidu.com/api/trans/product/desktop?req=developer

PEP是什么？ PEP的全称是 Python Enhancement Proposals ，其中Enhancement是增强改进的意思，Proposals则可译为提案或建议书，所以合起来，比较常见的翻译是 Python增强提案 或 Python改进建议书 。 我个人倾向于前一个翻译，因为它更贴切。Python核心开发者主要通过邮件列表讨论问题、提议、计划等，PEP通常是汇总了多方信息，经过了部分核心开发者review和认可，最终形成的正式文档，起到了对外公示的作用，所以我认为翻译成“提案”更恰当。 PEP的官网是：https://www.python.org/dev/peps/，这也就是PEP 0 的地址。其它PEP的地址是将编号拼接在后面，例如：https://www.python.org/dev/peps/pep-0020/ 就是PEP 20 的链接，以此类推。 第一个PEP诞生于2000年，现在正好是18岁成年。到目前为止，它拥有478个“兄弟姐妹”。 官方将PEP分成三类: I - Informational PEP P - Process PEP S - Standards Track PEP 其含义如下: 信息类：这类PEP就是提供信息，有告知类信息，也有指导类信息等等。例如PEP 20（The Zen of Python，即著名的Python之禅）、PEP 404