共计 4447 个字符，预计需要花费 12 分钟才能阅读完成。
集成 Netty
项目 github 链接
通过上一节的学习我们已经可以训练得到一只傲娇的聊天 AI_PigPig 了。
本章将介绍项目关于 Netty 的集成问题，将其我们的 AI_PigPig 可以通过 web 应用与大家日常互撩。由于只是一个小测试，所以不考虑性能方面的问题，在下一章我们将重点处理效率难关，集成 Redis。
关于 Netty 的学习大家可以看我的另一篇文章，本节中关于 Netty 部分的代码改编自该文章中的 netty 聊天小练习，文章中会有详细的讲解。
Python 代码改动
首先对测试训练结果的代码进行改动，将输入输出流重定向自作为中间媒介的测试文件中。
完整代码链接
with tf.Session() as sess:# 打开作为一次会话
# 恢复前一次训练
ckpt = tf.train.get_checkpoint_state(‘.’)# 从检查点文件中返回一个状态 (ckpt)
#如果 ckpt 存在，输出模型路径
if ckpt != None:
print(ckpt.model_checkpoint_path)
model.saver.restore(sess, ckpt.model_checkpoint_path)# 储存模型参数
else:
print(“ 没找到模型 ”)
#测试该模型的能力
while True:
#从文件中进行读取
#input_string = input(‘me > ‘)
#测试文件输入格式为 ”[内容]:[名字]”
#eg. 你好:AI【表示 AI 的回复】
#你好:user【表示用户的输入】
with open(‘./temp.txt’,’r+’,encoding=’ANSI’) as myf:
#从文件中读取用户的输入
line=myf.read()
list1=line.split(‘:’)
#长度为一，表明不符合输入格式，设置为 ”no”, 则不进行测试处理
if len(list1)==1:
input_string=’no’
else:
#符合输入格式，证明是用户输入的
#input_string 为用户输入的内容
input_string=list1[0]
myf.seek(0)
#清空文件
myf.truncate()
#写入 ”no”，若读到 ”no”，则不进行测试处理
myf.write(‘no’)
# 退出
if input_string == ‘quit’:
exit()
#若读到 ”no”, 则不进行测试处理
if input_string != ‘no’:
input_string_vec = []# 输入字符串向量化
for words in input_string.strip():
input_string_vec.append(vocab_en.get(words, UNK_ID))#get() 函数：如果 words 在词表中，返回索引号；否则，返回 UNK_ID
bucket_id = min([b for b in range(len(buckets)) if buckets[b][0] > len(input_string_vec)])# 保留最小的大于输入的 bucket 的 id
encoder_inputs, decoder_inputs, target_weights = model.get_batch({bucket_id: [(input_string_vec, [])]}, bucket_id)
#get_batch(A,B): 两个参数，A 为大小为 len(buckets) 的元组，返回了指定 bucket_id 的 encoder_inputs,decoder_inputs,target_weights
_, _, output_logits = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)
#得到其输出
outputs = [int(np.argmax(logit, axis=1)) for logit in output_logits]# 求得最大的预测范围列表
if EOS_ID in outputs:# 如果 EOS_ID 在输出内部，则输出列表为 [,,,,:End]
outputs = outputs[:outputs.index(EOS_ID)]
response = “”.join([tf.compat.as_str(vocab_de[output]) for output in outputs])# 转为解码词汇分别添加到回复中
print(‘AI-PigPig > ‘ + response)# 输出回复
#将 AI 的回复以要求的格式进行写入, 方便 Netty 程序读取
with open(‘./temp1.txt’,’w’,encoding=’ANSI’) as myf1:
myf1.write(response+’:AI’)
Netty 程序
完整代码参见链接 netty 包下。
在原本的 ChatHandler 类中添加了从文件中读取数据的方法 readFromFile，以及向文件中覆盖地写入数据的方法 writeToFile。
// 从文件中读取数据
private static String readFromFile(String filePath) {
File file=new File(filePath);
String line=null;
String name=null;
String content=null;
try {
// 以 content:name 的形式写入
BufferedReader br=new BufferedReader(new FileReader(file));
line=br.readLine();
String [] arr=line.split(“:”);
if(arr.length==1) {
name=null;
content=null;
}else {
content=arr[0];
name=arr[1];
}
br.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return content;
}
// 向文件中覆盖地写入
private static void writeToFile(String filePath,String content) {
File file =new File(filePath);
try {
FileWriter fileWriter=new FileWriter(file);
fileWriter.write(“”);
fileWriter.flush();
fileWriter.write(content);
fileWriter.close();
} catch (IOException e) {
e.printStackTrace();
}
}
对原来的 channelRead0 方法进行修改，将输入输出流重定向到临时文件中。
@Override
protected void channelRead0(ChannelHandlerContext ctx, TextWebSocketFrame msg) throws Exception {
System.out.println(“channelRead0″);
// 得到用户输入的消息，需要写入文件 / 缓存中，让 AI 进行读取
String content=msg.text();
if(content==null||content==””) {
System.out.println(“content 为 null”);
return ;
}
System.out.println(“ 接收到的消息：”+content);
// 写入
writeToFile(writeFilePath, content+”:user”);
// 给 AI 回复与写入的时间，后期会增对性能方面进行改进
Thread.sleep(1000);
// 读取 AI 返回的内容
String AIsay=readFromFile(readFilePath);
// 读取后马上写入
writeToFile(readFilePath,”no”);
// 没有说，或者还没说
if(AIsay==null||AIsay==””||AIsay==”no”) {
System.out.println(“AIsay 为空或 no”);
return;
}
System.out.println(“AI 说：”+AIsay);
clients.writeAndFlush(
new TextWebSocketFrame(
“AI_PigPig 在 ”+LocalDateTime.now()
+” 说：”+AIsay));
}
客户端代码
<!DOCTYPE html>
<html>
<head>
<meta charset=”utf-8″ />
<title></title>
</head>
<body>
<div> 发送消息:</div>
<input type=”text” id=”msgContent”/>
<input type=”button” value=” 点我发送 ” onclick=”CHAT.chat()”/>
<div> 接受消息：</div>
<div id=”receiveMsg” style=”background-color: gainsboro;”></div>
<script type=”application/javascript”>
window.CHAT = {
socket: null,
init: function() {
if (window.WebSocket) {
CHAT.socket = new WebSocket(“ws://192.168.0.104:8088/ws”);
CHAT.socket.onopen = function() {
console.log(“ 连接建立成功 …”);
},
CHAT.socket.onclose = function() {
console.log(“ 连接关闭 …”);
},
CHAT.socket.onerror = function() {
console.log(“ 发生错误 …”);
},
CHAT.socket.onmessage = function(e) {
console.log(“ 接受到消息：” + e.data);
var receiveMsg = document.getElementById(“receiveMsg”);
var html = receiveMsg.innerHTML;
receiveMsg.innerHTML = html + “<br/>” + e.data;
}
} else {
alert(“ 浏览器不支持 websocket 协议 …”);
}
},
chat: function() {
var msg = document.getElementById(“msgContent”);
CHAT.socket.send(msg.value);
}
};
CHAT.init();
</script>
</body>
</html>
测试结果
客户端发送消息
用户与 AI 日常互撩
