從事了這個工作大概十三年，我發現文化工作者在地位上真是一個特別下三濫特別窩囊廢的工種。這個工種所出產的作品由於受到諸多的限制，所以肯定沒有那麼奇特的經歷更加精彩。我來說一些小故事。

在中國的出版行業，其實是沒有官方的審查的。大家都應該覺得很奇怪，因為這違背了常識。但是可以告訴大家，出版行業的確沒有審查。這是因為中國每年要出幾十萬本書，實在審查不過來。而且我相信管那些讀書人的同志大部份都不愛讀書，所以圖書審查其實一直由出版社獨立完成。

但是這樣一來豈不是百花齊放了。當然不是。比較專業的說，這叫事後審查制。事後審查制其實要比事前審查制更加緊，殺傷力和副作用更大。這點用過事後避孕藥的朋友肯定深有感觸。

只有擁有書號才能出版，只有出版社才能發書號，只有官方纔能有出版社，所以從源頭上，自由的出版其實是不可能的。而由於大量的國有出版社能力不濟，很多民營文化公司開始運營圖書出版。出版的方式就是合作出版或者從出版社那裏購買一些書號。但這依然不能改變出版現狀，因為出版社依然是終審方。而一本書如果不讓出版，在以往理由是反革命，後來反革命這個詞不太出現了，因為反革命既然是不好的，那豈不成了鼓勵革命。而官方認為，革命工作已經完成，所以既不能反革命，也不能革命，群眾最好的生活方式就是呆著。於是現在不能出版的理由就是格調不高。我第一本書《三重門》就是因為格調不高，遲遲不能出版。格調不高是致命的，因為文筆太差可以改，邏輯不清可以理，唯獨格調不高讓人頭疼，你也不知道怎麼能讓自己的格調提高一點。你問他甚麼是格調，他也不知道。一直到現在，我才明白了，格調其實就是割掉的意思，格調不高就是割掉的不夠高，你以為象徵性的把腳底板的老繭磨磨平就能從事文化行業了麼，你要割掉的夠高。凡是保留腰以下部份的，從事文化行業明顯還是會顯得雄性氣息太濃厚。

我是一直飽受審查之苦的。但在格調稍微高了一點以後，我還是僥倖可以出版圖書，並且因為圖書的暢銷，有的時候還稍微可以在小問題和出版方爭取格調稍微降低一點。每次寫作前，我都要進行一次自我審查。也許很多沒有從事過這個行業的朋友會覺得我們這樣做特別慫，不夠MAN。比如當年《獨唱團》出版前遇到很多的困難，一些朋友看不下去了，說你太娘們了，這要是我，不要書號了，直接拿到印刷廠去，印個幾十萬本，這就開賣了。我欣賞這位朋友的沒有格調，但他們不知道印刷廠只有收到了出版社開具的委託印刷單以後才能開機印刷，否則你非但印不了一本，人家就報警了。其次就算你爹開了一個印刷廠，你印刷出了幾十萬本，你沒有書號，沒有一家書店和報刊亭是會進你的貨的。連賣盜版的都不敢幫你賣。也許這位朋友會說，那我就放到網上去，在淘寶賣。那我告訴你，在淘寶銷售圖書，首先你得擁有資質，其次你不能隨手拍一個封面就上架了，你必須輸入書號，當系統把你輸入的書號和書名對應起來，你才能上架。

所以一直到今天，所有的文化人都在進行著痛苦的自我審查。那我們能否指望出版社突然格調降低呢，這當然也不可能，一旦出版社有格調降低的跡象，由於都是國有單位，官方再指派一個社長過去就是。而那些格調降低的同志就可以去婦聯殘聯養養老。事後審查制最恐怖一環在於懲罰，就是我不管你，但你要是出版了甚麼么蛾子，我罰死你。輕則撤職撤社，重則投進大牢，所以你看著辦吧。

至於我本人，雖然每一篇文章都經過了自我審查和閹割，但有的時候難免也會出現閹割的形狀不符合認證的情況。這個和每個出版社的緊張程度有關係。比如我最新的小說就被槍斃了，因為新小說裡的主人翁姓胡，雖然我才寫了五千字，但是出版社認為這必然是有政治隱喻的。當我明白了要避諱的時候再改姓已經晚了。但避諱要記住勿忘前朝，我還有一篇小說中，因為出現了「江河湖海」四個字，被更直接的槍斃了。如果說之前我犯了錯誤的話，那這一個就是兩倍的錯誤。連我都不能原諒我自己，明知道若不起，怎麼連躲都沒躲利索呢。

我不知道一個文化人提筆就哆嗦的國家怎麼能建設成文化強國，一個因為要避諱常委所以在谷歌上搜索不到李白的國家怎麼能建設成文化強國。我不知道該怎麼一個文化體制改革法，反正我只有一個願望，就是韓正老師別再陞官了，要不然我就搜不到我了。

这篇日志介绍的是 troncation 算法。首先声明这个算法不是我想出来的，也不是什么很知名的算法，所以我在网上基本找不到相关的资料。事实上，这个算法是我的一门文档索引及查找的课上老师提到的，个人觉得这个思路非常好，也很有意思。算法的出发点是信息的角度，和语言学无关，所以它就具有一定的拓展性适用于不同的语言，除了某些黏着语（比如德语）。

算法的大致思路如下:

首先我们需要一个比较大的单词 liste，类似 dictionnaire；然后我们遍历这个liste里的每个单词，寻找单词每个字母后面所有字母的可能性，这么说可能比较抽象，我举个例子。

以单词 acceptables （法语单词）为例，我们列出以下的表:

我们在上表中可以发现，单词前缀刚开始的时候可能有很多的后续可能，但是随着前缀长度增加，后续可能会一下减少。然后到了某个长度时，后续可能会突然增加，之后基本就唯一了。这个转折点就是我们要找的前缀的长度（图中红色标注的accept）。

这个算法完全不依赖构词规则，更多地从统计学角度看。当然，这算法也是有缺陷的，比如对那些不规则的词或者短词就很无能为力。对那些后缀很长的词，词尾变化多的词非常有效。

Lovins 算法是构词学中最早提出的一种Stemming（截词）词根化的算法，它由 Lovins JB  1968 发表。 这个算法的目的是寻求一个单词的”词根”, 这里racine 词根更多的指的是信息学角度的，并不一定是语言学上的词源。和另一种Stemming算法Porter相比，Lovins更加庞大，但是它更快。

Strategy

Lovins算法的主要策略如下，首先 Lovins 研究总结出294 种词尾 （terminaison），29种构词条件（Condition）和35种转化规则（Transformation rules），然后展开如下算法:

1. 在294个词尾中，我们寻找符合29个条件的最长匹配词尾
2. 删除找到的词尾
3. 测试截尾后的词是否符合35种转化规则，若符合进行转化

Example

nationally 这个单词，我们可以在294个词尾中找到它的词尾 ationally，截去词尾后词根长度为1，不符合构词条件 B（最短词根长度为3），所以我们不作此操作；然后我们同样在词尾表中找到 ionally 这个词尾，根据条件A 我们移去这个词尾 我们找到了我们的词根nat.

转化规则主要用来对付那些不规则单词，比如 sitting -> sit 或者 matrix and matrices 双写动词结尾或者不规则单复数变化。

Appendix

下面列出 Lovins 总结的词尾，构词条件和转化规则:

附录 A 294 个词尾和相关条件

.11.
alistically B arizability A izationally B
.10.
antialness A arisations A arizations A entialness A
.09.
allically C antaneous A antiality A arisation A
arization A ationally B ativeness A eableness E
entations A entiality A entialize A entiation A
ionalness A istically A itousness A izability A
izational A
.08.
ableness A arizable A entation A entially A
eousness A ibleness A icalness A ionalism A
ionality A ionalize A iousness A izations A
lessness A
.07.
ability A aically A alistic B alities A
ariness E aristic A arizing A ateness A
atingly A ational B atively A ativism A
elihood E encible A entally A entials A
entiate A entness A fulness A ibility A
icalism A icalist A icality A icalize A
ication G icianry A ination A ingness A
ionally A isation A ishness A istical A
iteness A iveness A ivistic A ivities A
ization F izement A oidally A ousness A
.06.
aceous A acious B action G alness A
ancial A ancies A ancing B ariser A
arized A arizer A atable A ations B
atives A eature Z efully A encies A
encing A ential A enting C entist A
eously A ialist A iality A ialize A
ically A icance A icians A icists A
ifully A ionals A ionate D ioning A
ionist A iously A istics A izable E
lessly A nesses A oidism A
.05.
acies A acity A aging B aical A
alist A alism B ality A alize A
allic BB anced B ances B antic C
arial A aries A arily A arity B
arize A aroid A ately A ating I
ation B ative A ators A atory A
ature E early Y ehood A eless A
elity A ement A enced A ences A
eness E ening E ental A ented C
ently A fully A ially A icant A
ician A icide A icism A icist A
icity A idine I iedly A ihood A
inate A iness A ingly B inism J
inity CC ional A ioned A ished A
istic A ities A itous A ively A
ivity A izers F izing F oidal A
oides A otide A ously A
.04.
able A ably A ages B ally B
ance B ancy B ants B aric A
arly K ated I ates A atic B
ator A ealy Y edly E eful A
eity A ence A ency A ened E
enly E eous A hood A ials A
ians A ible A ibly A ical A
ides L iers A iful A ines M
ings N ions B ious A isms B
ists A itic H ized F izer F
less A lily A ness A ogen A
ward A wise A ying B yish A
.03.
acy A age B aic A als BB
ant B ars O ary F ata A
ate A eal Y ear Y ely E
ene E ent C ery E ese A
ful A ial A ian A ics A
ide L ied A ier A ies P
ily A ine M ing N ion Q
ish C ism B ist A ite AA
ity A ium A ive A ize F
oid A one R ous A
.02.
ae A al BB ar X as B
ed E en F es E ia A
ic A is A ly B on S
or T um U us V yl R
s’ A ‘s A
.01.
a A e A i A o A
s W y B

附录 B 29种条件 （与附录 A 中的条件序号相符）

A No restrictions on stem
B Minimum stem length = 3
C Minimum stem length = 4
D Minimum stem length = 5
E Do not remove ending after e
F Minimum stem length = 3 and do not remove ending after e
G Minimum stem length = 3 and remove ending only after f
H Remove ending only after t or ll
I Do not remove ending after o or e
J Do not remove ending after a or e
K Minimum stem length = 3 and remove ending only after l, i or u*e
L Do not remove ending after u, x or s, unless s follows o
M Do not remove ending after a, c, e or m
N Minimum stem length = 4 after s**, elsewhere = 3
O Remove ending only after l or i
P Do not remove ending after c
Q Minimum stem length = 3 and do not remove ending after l or n
R Remove ending only after n or r
S Remove ending only after dr or t, unless t follows t
T Remove ending only after s or t, unless t follows o
U Remove ending only after l, m, n or r
V Remove ending only after c
W Do not remove ending after s or u
X Remove ending only after l, i or u*e
Y Remove ending only after in
Z Do not remove ending after f
AA Remove ending only after d, f, ph, th, l, er, or, es or t
BB Minimum stem length = 3 and do not remove ending after met or ryst
CC Remove ending only after l

附录 C 35种转化条件

1 remove one of double b, d, g, l, m, n, p, r, s, t
2 iev -> ief
3 uct -> uc
4 umpt -> um
5 rpt -> rb
6 urs -> ur
7 istr -> ister
7a metr -> meter
8 olv -> olut
9 ul -> l except following a, o, i
10 bex -> bic
11 dex -> dic
12 pex -> pic
13 tex -> tic
14 ax -> ac
15 ex -> ec
16 ix -> ic
17 lux -> luc
18 uad -> uas
19 vad -> vas
20 cid -> cis
21 lid -> lis
22 erid -> eris
23 pand -> pans
24 end -> ens except following s
25 ond -> ons
26 lud -> lus
27 rud -> rus
28 her -> hes except following p, t
29 mit -> mis
30 ent -> ens except following m
31 ert -> ers
32 et -> es except following n
33 yt -> ys
34 yz -> ys

Conclusion

总的来讲，Lovins算法是一种类似枚举的算法，更多的是从构词学的角度入手，研究构词规则变化等，优点是因为遍历查表速度会很快，缺点是没有拓展性 比如换一种语言就要从头研究语言规则了。

参考文献:  http://snowball.tartarus.org/algorithms/lovins/stemmer.html

这一讲主要是关于数据仓库建模过程，这也是上学期NF26课程的主要内容，由于这是整个商业智能中最基础也是最重要的技术，这个讲座权且当做是复习好了。

Datawarehouse vs DataMart

这两个概念经常被提及，其实两者并没有本质的区别，主要就是规模上的差异。我们可以把DM看作是某个角度或者针对企业某个部门的DW，比如人事部，销售，客服部都可以分别建立各自的DM，仅仅面向一个流程。DW可以认为是DM的集合。但是两者的流程是相同的。

Datawarehouse 流程

上面的这张图展示了整个DW 流程，下面具体分析这流程的步骤。

在建立DW之前，我们必须了解我们创建这个DW的目的。确定这个目的就是确定问题（Identify the problem），只有精确的定位了问题我们才能开展后面的工作，否则一切都可能是徒劳。确定问题的同时，也确定了这个DW的指标，需要聚焦的数据 (the metrics).

第二步，我们称为维度建模(Dimension modeling). 比如，经典的星形模型，雪花模型等，确立dimension的关系。

第三步，收集确定数据源(Identify the data source). 在这里我们要找到我们需要的数据，它们可能会有不同的来源，内部或外部，数据库或者文件。这些都不要紧 只要我们能收集到需要的数据，就能导入。

第四步，ETL过程，这一步是非常重要，也在整个流程中占据很大比重(60% – 80% !!!)。 所谓 ETL=Extraction Transformation Loading。Extraction 指导入数据的过程，我们要把第三步中不同来源 不同类型的数据导入到我们的数据仓库中。Transformation 指数据的转化，或者可以理解成”清洗”数据。 原始数据都是”脏”的，比如格式的不统一，数据的不完整等。 Transformation可以算一种normalisation。在MS的BI解决方案中，ETL 由 SSIS (Intergration service) 实现。

第五步，建立Cube，cube在数据仓库中是一项很神奇的技术。Cube 最大的优点也是我们建立的原因是速度。Cube 预先计算好聚合数据，并把它们存储起来。当我们请求访问时，就快多了。Cube 一般都有明确的继承关系，他让我们方便地挖掘数据。

最后一步，输出数据(Deliver data).  输出的形式有很多，比如Excel，报表，甚至可以是web application。

本日志主要是Learn Microsoft BI 教学视频的笔记 video来自于http://www.learnmicrosoftbi.com/Videos/ 这个网站。陆续更新中…

第一篇 Delivering BI (Basic 102)

BI的目的就是寻找一种方法向企业的各个层次传递利润(Profit)，但是我们并没有一种绝对的最好的方法处理数据去实现这一点，因为BI面对的用户是不同的，我们必须采取不同的工具。

所以在展开具体的BI tools之前，需要对BI的用户进行一个大致的分类：

1. Executives and BDMs (Business Decision makers),  这一类人一般站在企业中比较高层的位置，他们是决策者。所以对他们需要高层的数据，使得他们可以比较快地掌握整个商业的状况。与此相对应，在我们BI中我们常用的tools是Scoreboards 和 Dashboards. Scoreboard 给我们从某个角度提供企业的整个运行状况的概述。Dashboard 这个词 在BI领域用的就比较多了，我们可以理解为包含一系列的scoreboard 或者其他元素 比如report 等，一般我们翻译为仪表盘。下图即Microsoft SSAS Scoreboard的示例:

2. Information workers, 这类用户并非管理人员，所以相对于第一类用户，他们需要更细节的数据。那么在BI中相对应的tools就是Report了。一般Report基于多维的数据或关系型数据仓库，它们或是静态的或是动态互动 (可选择参数，在BIRT中，我已经实现过)。下图为Microsoft SSRS Report示例:

3. Analysts, 分析人员我们可以视为特殊的Info worker，他们对数据的要求就比较高。他们需要更深度的，强大的工具去观察数据，甚至是data mining 数据挖掘。相对应的在BI中，我们有Analytical Application。下图是Microsoft ProClarity的界面:

4. Line workers, 这类人是企业前端的面对客户的，比如柜台柜员，售后电话服务人员等。他们可能没意识到他们已经在使用BI数据了。在BI中，我们有Customer Application Integration, 主要指实现的面向客户的数据挖掘应用，比如在很多网站中，有的”你可能会喜欢…”, 在 www.sqlserverdatamining.com 这个网站中有些应用的示例。

5. External customers and vendors， 最后一类是外部的客户，零售商等。BI 解决方案对他们当然也是有效的，他们的进入途径自然是网络 (Web Interface)。所以在BI 中，我们有Microsoft 的 ProClarity analytic server，SQL server Reporting service 等。

小结

不同的客户通过不同的BI 工具进入data, 总的来讲可以分为以下四类: Scoreboard & Dashboard; Reports; Analytic Applications; Custom Application.

最近因为上课的原因，在学习Perl语言，一种精致灵活的脚本语言。Perl，1987年由Larry Wall发明，最初的目的是简化unix操作的脚本语言。从一个.pl文件的文件头部便可看出些端倪:

#!/usr/local/bin/perl

这有多像Bash脚本啊，Perl也经常和同为脚本语言的Python拿来比较。当然 现在Perl的功能作用已经被扩展到很多领域了，尤其是网络CGI的编程。在CPAN的库支持下，Perl变得越来越强大~~这些还没学到所以也是后话了。

2.变量

对于一门语言来说，变量声明从某种角度来讲是最重要很基础的。很多人会拿 “Hello world” 作为程序入门，尽管这是很实用，但是hello world 真的是有太多局限性了，会写一个Hello world 基本是 rien。但如果学会一门语言的变量类型及其声明，那真是半只脚跨进门了。

由于Perl是一种灵活的动态语言，其变量类型是很弱的，总体来讲就三种，或者说是数据结构。

• $Var，这是Perl中最基本的变量，它可以用来表示整数，小数，字符串这些最基本的变量类型，还有个$_，这算是Perl的内置变量，有点像PHP中的一些超级变量。其实PHP就是深受Perl影响的一种语言。

• @Tab，@声明的是一个table，或者说数组，用简单的一对(  )和，相隔里面可以放$var，也可以存储 @tab嵌套。对Table可以做些pop，push的操作插入删除元素，还可以sort。很像java里的vector容器类，不过要简单得多，灵活得多。遍历table用foreach循环十分方便，根本不用去考虑什么迭代器之类的。

• %HashTab，% 声明一张哈希表，也就是键值对(Key1,value1,Key2,value2…) 这样的Hash table是很强大的，它的keys和values 分别是table。

3.灵活性

高手的程序总是很简洁的完成需要的功能，在最后一段程序中他利用了Perl的map 映射函数，这让我想起来了曾经学过一些的Lisp，这是古老又高级的语言啊。

第一篇到此结束，以后再写些关于Perl的实际应用。

为了追求完美的排版，用Latex 写报告有段时间了。自从开始用Latex后，就如同发现了一个新世界， 这是完全不同于word之流的。简单地说，latex是一种排版语言,  比较类似于HTML的mark-up语言，通过特定的编译器编译后可以输出为文档。准确的说，Latex应该是Tex语言的一个子集 (Latex = Lamport TeX)。

LaTex 和一般的文本编辑最大的区别就在于它并非是WYSIWYG模式（所见即所得模式）。正因为如此，它的入门门槛比较高，电脑小白绕道吧。但是一旦使用上它以后，就会发现它的美妙之处。我在经过大约1到2周 入门以后，仍一直在学习，每次写rapport都会有新的发现和理解，应该说是一条初始斜率较高而后平缓上升的学习曲线。

Latex 编辑器

因为 Tex 最终存储为一般的二进制文件，所以说理论上只要是个文本编辑器就能来编辑 Tex 文件。然后 只要电脑里安装了Latex编译环境（比如 MiKTex 或 CTex）之类的 通过terminal就能输出文档了。

实际使用中，按照这样的方式至少对我来说相当地麻烦，第一我也记不住那么多的指令;  第二输出还要切换环境 不方便。所以我需要一个比较智能人性化的编译环境。

最初我用了MiKTeX配置的TeXworks 总感觉不太顺手， 而且界面难看 编译也慢。我就在寻找更好的编译环境，于是我先是找到了Kile，这是一款基于KDE的linux下的Latex编译环境 非常喜欢；后来又用了Texmaker Windows下的Latex编译环境。下面将做详细介绍。

Texmaker

Texmaker 是Win下的一款LaTex编辑器，界面与Kile几分相似。在安装时需注意，要先安装一个LaTeX 的 Distribution， 比如MikTex packages， 然后再安装Texmaker，否则会出现无法编译的情况。在编译过程中，若缺少某些Packages，MikTex 包管理器会自动提示下载。

语法高亮 拼写检查这些常见的功能自然有，它还有些其他比较强大的功能:

1. 特殊字符插入

写数学类报告 最烦的就是各种希腊字母和关系符号什么的，这些在Texmaker最左边的工具栏里都可以很方便的插入 点击就可以了不用记

2. LaTex 指令

LaTex各种指令 太多了 从插图片到表格 到数学环境 公式 虽然熟练了可以自己输 但是多了也记不住 在Texmaker菜单中Latex 和 Math 两栏 罗列了所有指令

3. 快速编译 预览

按F1 可以快速编译Tex文档， 然后预览PDF 虽然编译速度还是不可观 但至少感觉比TeXworks要快 不知为什么 可能更轻量级;  Texmaker 还可以通过快捷键ctrl+space 在PDF中快速预览选中文字，这对于那种很长很复杂的报告会很实用。

4. 文档结构和标签

在左边工具栏最上方的按钮就是structure 可以查看文档的整体结构(section, subsection)，还有Labels.

Kile

Kile是Linux系统下的一款LaTex ， 是我第一次用了上手的Tex编辑器，非常好用。整个编译环境基于KDE，用过类似软件的应该不会陌生 比如Kdeveloper。

功能和布局 与之前的TexMaker比较类似 不做详细介绍了，说一些Kile的特长：

1. 编译快

Kile 编译 Tex的速度不是一般的快，至少比Texmaker快上两到三倍，一般就是在那么几秒钟的样子 ，实在太神奇了。但是PDF预览需要另看一个viewer，也许速度就是在这儿节省了。

2. 更强大的预置指令

相比Texmaker，Kile的Tex预置命令感觉更智能，比如插入图片什么的 可以直接选路径 位置参数之类的 自动生成一小段代码。

BIRT 是基于eclipse 的Java开源报表插件，也是目前最好的开源 BI report 解决方案之一。在我们的NF26中, 使用它对之前通过ETL处理过的 Datawarehouse 做 report 输出。

Install

在eclipse的update manager(Help->Install New Software…)中添加BIRT的下载地址: http://download.eclipse.org/birt/update-site/2.6/ (目前稳定版本2.6), 然后选择BIRT Framwork 就可以完成BIRT的安装工作。安装完毕后，在open perspective中选择 report design 就是BIRT 的设计界面。

Simple Report

新建一个 report project 然后新建一个report 就可以看到最简单的一个报表了。左边的一栏有三个label: Palette, Data Explorer, Resource; 这是BIRT的工具栏， 其中Palette下的图标是报表中的基本元素 拖拽到右边的表格中就可以添加我们需要展示的内容。右边主表格下方的Property Editor 是关于表单元素的style 的修改。

Data Source

在Data Explorer中，我们可以选择需要的源数据。首先在data source 中新建一个data source， 可以选择从数据文件 也可以是连接数据库。学校给我们提供的是一个oracle 9i的database 所以选择一个oracle driver 然后填上相应的server 和 password 连接成功。接着在data set 中通过 SQL query查询连接的数据库 建立一个data set，在preview里 可以以表的形式看到查询结果。 在filter和parameter里 可以对查询结果做一些处理

Error

整个report的设计 都还是挺人性化的。 对于不太复杂的需求 都可以比较轻松的设计 展示。 但是最终在出报表的过程中 还是出现了error。经过很长时间的处理 eclipse一直处于高cpu占有率(100%) 和内存占有，最后直接出现Error 500: Java Out of Memory Error: Java Heap space。 Java内存堆溢出。 网上google了一番 找了很多方案最终终于顺利解决。

这个 错误产生是因为对大量数据的查询导致 jvm 分配内存不足。在我做的这个project里 源数据大概有超过20万行 通过join后10几列的一个大表，数据量还是可观的。而且在家连接学校数据库还要通过vpn 所以一直报错。要解决这个错误 就要增加JVM的分配内存设置，网上有一种说法是通过设置Java_OPTS 环境变量实现 经测试无效。最终是通过更改eclipse.ini 这个配置文件 文件最后两行 更改为: “-Xms256m -Xmx1024m” 分别代表JVM的初始内存大小 和 最大内存大小。

这样 经过大概半个小时 报表终于顺利输出…

这篇文章主要是最近的工作总结 以及Rapport的中文版resume 纯技术文 仅供参考。可能会比较长 持续更新中…

纲要

1. 手机网页设计的特点与普通Web网页的比较

2. 网站的结构和开发过程

3. 具体实现 项目整体构架

正文

网站其实是没有所谓手机网站和web网站的， 以现在的smartphone的处理能力 直接访问我们目前的web网页，没有任何问题。但是即使是iPhone， Android系统的触屏手机 访问sina的web版，还是会很不舒服，这里是一个物理上的限制: 手机屏幕。现在的手机主流也就3.2 寸屏 大一点的4寸 这样的屏幕和小笔电都不能比，这也是为什么iPad会火 10寸屏的移动终端 上网实在很好用。那么怎么才能在手机这样较小的屏幕上实现比较好的视觉体验呢? 那就需要对原本的web网页进行彻底地优化 甚至于重新设计及布局。具体案例可以参照目前国内一些大网站的手机版，比如: 校内m.renren.com , 豆瓣 m.douban.com 等

手机网页设计的特点

1.移动终端的多样性

这个问题其实同样也存在于web网页的设计中， 现在浏览器的多版本从IE6 到IE9 从Firefox 到 Chrome 再到Safari以及Opera 我们只能从中寻求最低端的兼容性(IE 6 我说你怎么还不淘汰啊！！！)  手机的状况也是类似的 但是更复杂 市场上手机的型号 系统实在太多了 比如iPhone， Android， BlackBerry (这个实在是难伺候) 还有Nokia死抓着不放的Symbian 市场占有率很大。在寻求兼容性的同时，也要尽量考虑更好的用户体验。让iPhone显示一个很简易 很破的网页是件很难受的事，所以有时候我们会对iPhone等一些手机做些特别的照顾 这在后文中会提到。

2. 速度和成本

手机即使是3G网络 带宽与互联网相比 还是明显不足的。更重要的是流量问题，不过这一点在欧洲这边不是很明显 只要包个上网的套餐基本能illimité 中国的30m 50m的哭死去吧~~ 反正我们公司这方面似乎考虑不多 为了效果能上图片就上 用户没流量就别上我们的网。

3. 网站布局设计

手机最大限制就是屏幕大小 在一个小的屏幕中体现较好的效果 就需要很精细的设计 简洁有条理 这一点真应该好好向Apple 的UI设计学习 Jobs不愧是搞艺术出身的 iOS这套UI设计的真的不错。然后就是图片的显示，图片都是有分辨率的 那么在不同的手机中是怎么实现完美的展示的呢？ 这里有个小truc透露一下  我们公司是用原图生成一系列不同分辨率的图 随着手机的不同 由server进行选择展示 防止小图放大后像素化 影响效果 具体实现过程在第二部分详述…

网站的结构和开发过程

网站的开发过程一般可以分为前端和后台两大模块， 所谓前端主要是指graphics 美工的工作 而我作为web设计程序员 自然主要是做后台的工作: 编码 数据插入管理 网页呈现等。为了实现最终的效果，一些基本的美工素养和网页技术还是要掌握的，主要是CSS。

一般网页的开发过程是这样的: 前端(美工)根据客户要求，做出Story Board 即 整个网页的流程，我们编程人员根据这个效果图 先分析数据关系 建立数据库 然后一张张编网页；先本机测试，然后传上服务器，客户反馈效果修改细节。这就是所谓的迭代式开发模式。

在整个项目过程中，我们遵循传统的MVC设计模式，即视图 – 控制器 – 模型 三层。视图层(View) 只负责显示的任务，在网站开发中就是展现的网页 主要是Html (XHtml) 这个层不涉及任何数据操作的内容。控制层 (Controler) 负责视图层和模型层的衔接工作，有时候我们也把它称之为 分发器，如其名 它起了一个向视图层指定显示内容的功能。控制层还有个功能就是对数据的预处理，比如用户输入的不合理表单数据 进行处理后 再分发给模型层。模型层 (Model) 是在MVC中的最底层 负责所有与数据相关的操作 比如对数据进行封装 创建JavaBean 然后入数据库，还涉及所有在数据库中的插入 取出 删除 等操作。

(未完待续)

于是在这个周末 决定出去走走 徜徉于巴黎的街头

周日的法国总是有不一样的气息 巴黎不比小城Compiègne 要热闹许多 街上还有不少人 但仔细看看街边的店开得还真不多

今天的目的地是 Centre Pompidou 蓬皮杜艺术中心 依我看来 巴黎众多的Musées中 蓬皮杜是排得进前三的 又名Musée National d’art Moderne, 法国国家现代艺术博物馆 从建筑外形来看就非常具有现代感

巨大的钢管型外部结构 在整个巴黎的古典平房中特别显眼 硕大的建筑体一反传统建筑风格 尽管之前在网上和书中多次看到过图片 但一下地铁 赫然矗立在眼前的建筑还是让我一惊  相当有气势

买了张学生票 进入展厅 通过外部的管道扶梯 主要展览在Niveau 4 和 5.  Niveau 0 有一家libraire 主要是一些现代艺术类的书 还有些先锋的 实验性的影像作品 我想 巴黎可能真的是艺术学生的天堂 如果我是学艺术的 我想我会整天泡在这里看书吧

到了Niveau 4 是Pompidou 的常规展览 真正的现代艺术: 一般我们所说的现代艺术是指1905 年以后的作品 之前看过一些艺术史类的书 对现代艺术还是有一定了解的 今天亲眼看到这些作品 还是觉得太先锋了 有些真的是难以接受

难以接受的第一层面是难以理解 不去说那些莫名的涂鸦 线条 色彩 这是现代艺术的一大特征 杂乱的几何图形 加上鲜艳的色块

比如 这样的作品 比比皆是 看多了也就习惯了 只是还不能鉴赏出其中的奥妙:

还有一组作品直接叫Unreadable Writing 作者直接在纸上写火星文字 一坨坨密密麻麻 不知所云 倒是很切题

难以接受的第二层面是反感的心理不能接受 尤其有一些极端的行为艺术 比如有个家伙 对着自己的脚用针刺之 纹上文字 一个全裸的女人甩一只钢丝圈 直到身上血迹斑斑 还有Yoko Ono 这个BT 女人 挺了个大屁股在晃 还甚者直接画了一幅OOXX的大图 实在是BH啊~~

上了顶层 是一个Gallery 专门办一些临时的Expo 这次是一个名叫Arman的展 他的作品主要是对工业元素的肢解 工业与艺术 比如被分解的汽车零件 电子管拼起的作品 他也做Painting 不过方式很creative 把颜料tube在地上密集的排开 然后往上踩 颜料喷射构成线条

Modern Art 还真不是人人都能玩得好的