System and Preparation We implemen

System and Preparation
We implemented the methodology described in Section III as a prototype.

The system consumes a set of URLs passed as an input file and fully automatically produces a Swagger file.

The input and output processing components are written in JavaScript, and the feature extraction and classification code is written in Python, relying on the scikit-learn library [9].

Communication between the components is achieved through the ZeroMQ messaging library.

ผลลัพธ์ (ไทย) 1:

ระบบและการเตรียมการ เราใช้วิธีการอธิบายไว้ในส่วนที่ III เป็นต้นแบบ ระบบใช้ชุดของ Url ที่ส่งผ่านเป็นการป้อนข้อมูลรูป และผลิตรูปแบบสแวกเกอร์เต็มโดยอัตโนมัติ ในการป้อนข้อมูลและประมวลผลคอมโพเนนต์จะถูกเขียนใน JavaScript และคุณสมบัติการดูดและ classification รหัสเขียนใน Python พึ่ง scikit การ-เรียนรู้ห้องสมุด [9] การสื่อสารระหว่างคอมโพเนนต์จะประสบความสำเร็จผ่านไลบรารี ZeroMQ ส่งข้อความ

ผลลัพธ์ (ไทย) 2:

ระบบและการเตรียมการ
ที่เรานำมาใช้วิธีการที่อธิบายไว้ในมาตรา III เป็นต้นแบบ.

ระบบสิ้นเปลืองชุด URL ผ่านเป็นสัญญาณ Fi le และอย่างเต็มที่โดยอัตโนมัติผลิตกรีดกราย Fi le.

ป้อนข้อมูลและการประมวลผลการส่งออกชิ้นส่วนจะถูกเขียนใน JavaScript และการสกัดคุณลักษณะ และจัดประเภทรหัส Fi ไอออนบวกจะถูกเขียนในหลามอาศัยห้องสมุด scikit-เรียนรู้ [9].

การสื่อสารระหว่างส่วนประกอบจะประสบความสำเร็จผ่านการส่งข้อความห้องสมุด ZeroMQ

ผลลัพธ์ (ไทย) 3:

ระบบและเตรียมเราใช้วิธีการที่อธิบายไว้ในมาตรา 3 เป็นต้นแบบระบบที่ใช้ชุดของ URL ที่ผ่านเป็น input และจึงเลออย่างเต็มที่โดยอัตโนมัติสร้างสแว๊กเกอร์จึงเลอ .นำเข้าและส่งออกชิ้นส่วนการประมวลผลจะถูกเขียนใน JavaScript และคุณลักษณะการสกัดและการถ่ายทอด classi รหัสถูกเขียนในหลาม อาศัย scikit เรียนรู้ห้องสมุด [ 9 ]การสื่อสารระหว่างคอมโพเนนต์ได้ผ่าน zeromq ส่งข้อความห้องสมุด