FSPAD_702 MJPG-Streamer视频流服务器移植

linux-3.0.8-LZ210-V1 移植摄像头: USB 摄像头 芯片:中星微ZC301P 注意你为何使用本文件针对 内核版本:linux-3.0.8-LZ210-V1 移植摄像头: USB 摄像头 芯片:中星微ZC301P     首先内核配置一些相关信息 一:添加驱动(video) make menuconfig Device Drivers  --->   Scsi device support ---> * scsi disk support * sc 阅读详情

FSPAD_702 MJPG-Streamer视频流服务器移植

作者:李老师,华清远见嵌入式学院讲师。

我们希望在FSPAD_702平板的Linux实验项目中使用视频监控功能,首先选择的就是开源的MJPG-Streamer视频流服务器。MJPG-Streamer可以通过文件或者是HTTP方式访问Linux UVC摄像头。

1、 JPEG库的移植

由于平板摄像头采集上的数据为YUV格式,而我们希望得到JPEG的压缩图像,所以需要JPEG库的支持。

a) 下载JPEG库
              通过下面这个网址下载JPEG源码:http://www.ijg.org/files/jpegsrc.v8b.tar.gz

b) 配置JPEG源码

$ tar xvfjpegsrc.v8b.tar.gz
        $ cd jpeg-8b

        $ ./configure --prefix=/home/linux/home/lee/workdir/farsight/fspad/jpeg/jpeg-arm --host=arm-none-linux-gnueab
           //--prefix为指定安装的目录
           //--host为编译使用的交叉工具链

如下图即成功生成编译使用的Makefile。

c) 编译和安装

$ make –j2  //编译

        $ make install //安装到指定目录

如下即编译安装成功:

编译生成的库:

d) 添加到文件系统中
            把编译生成的库拷贝的我们使用的文件系统中。

$ cd jpeg-arm

        $ cp lib/* /source/rootfs/lib/  // /source/rootfs为文件系统的路径

2、 MJPG-Streamer的移植

a) 下载MJPG-Streamer源码
              通过下面这个网址下载MJPG-Streamer源码包:http://sourceforge.net/projects/MJPG-streamer/

b) 配置MJPG-Streamer源码:
              i. 修改Makefile文件
              修改顶层Makefile以及所有子层Makefile文件中的编译工具项:

CC = gcc
        // 修改为:
        CC = arm-none-linux-gnueabi-gcc

ii. 再次修改plugins/input_uvc/Makfile文件
        第16行添加需要使用JPEG库头文件的路径:

16CFLAGS += -I/home/linux/workdir/farsight/fspad/jpeg/jpeg-arm/include

第24行添加编译input_uvc.so所使用的库文件的路径:

$(CC) $(CFLAGS) -ljpeg -o $@ input_uvc.c v4l2uvc.lo jpeg_utils.lodynctrl.lo
        // 修改为:
        $(CC) $(CFLAGS) –ljpeg -L/home/linux/workdir/farsight/fspad/jpeg/jpeg-arm/lib -o $@ input_uvc.c v4l2uvc.lo jpeg_utils.lodynctrl.lo

iii. 修改plugins/input_uvc/v4l2uvc.c
        第99行static int init_v4l2(structvdIn *vd)函数内添加:

#if 1
        struct v4l2_input inp;

        inp.index = 0;

        if (-1 == ioctl(vd->fd, VIDIOC_S_INPUT, &inp))
        printf("VIDIOC_S_INPUT error\n");
        #endif

第195行mmap函数参数中添加:

vd->buf.length, PROT_READ, MAP_SHARED, vd->fd,
        // 修改为
        vd->buf.length, PROT_READ | PROT_WRITE, MAP_SHARED, vd->fd,

c) 编译MJPG-Streamer源码

$ make clean
        $ make –j2

如下即编译成功:

d) 添加到文件系统中
              把编译生成的应用和库拷贝的我们使用的文件系统中。

$ cp *.so /source/rootfs/mjpg   // /source/rootfs为文件系统的路径
        $ cpmjpg-streamer /source/rootfs/bin

3、 测试MJPG-Streamer

a) 加载平板Camera驱动

#insmodvideobuf-core.ko
        #insmodvideobuf-dma-contig.ko
        #insmod gc0308.ko
        # insmod sun5i_csi0.ko

b) 运行MJPG-Streamer程序

#mjpg_streamer -i "/mjpg/input_uvc.so -y" -o "/mjpg/output_http.so -w
        192.168.100.191:8080" &

c) 打开网页,输入网址查看摄像头信息。

浏览器上执行:
                http://192.168.100.191:8080/?action=snapshot (每次回车单张抓拍)
        或者
                http://192.168.100.191:8080/?action=stream   (视频流)

至此,MJPG-Streamer视频服务器就移植成功了。

机器视觉学习笔记(2)——基于DirectShow的多摄像头视频采集 机器视觉学习笔记(2)——基于DirectShow的多摄像头视频采集标签: 机器视觉 博客1.为什么使用DirectShow笔者使用的是两个USB摄像头,单摄像头视频采集使用OpenCV的VideoCapture类没有问题,但是双摄像头就有问题,一个正常,另外一个采集不到信息,显示一片灰色。网上有种解决方法是逆序打开摄像头,结果两个窗口是可以采集到视频信息,但是竟然是同一个摄像头的视频信息,无奈的只 阅读详情

相关推荐

mjpg-streamer linux视频流服务器源代码

mjpg-streamer可以作为pc linux和arm linux上的视频流服务器,本代码已成功运用到ok6410开发板上采集摄像头视频通过http协议发送到pc上供浏览器查看

MJPG-Streamer视频流服务器移植

环境 主机环境:Ubuntu 12.04 内核版本:3.2.0-24-generic 主机工具链:arm-none-linux-gnueabi   version 4.3.2 交叉编译jpeg库 1.解压源码 tar xvf jpegsrc.v8b.tar.gz 2.配置源码 cd jpeg-8b ./configure --prefix=/home/linux/arm/video/jpe

心系欣 3526

mjpg-streamer视频流服务器移植手册(绝对可用)

视频流服务器移植搭建详细手册,绝对可以。

ok6410开发板移植vlc做简单视频流媒体服务器

OK6410下的wiif的视频小车——vlc移植部分 开始移植vlc2.1.5到ok6410开发板中搭建简单的视频流媒体服务器,读取h264原始数据,ts流封包,rtp协议传输。 电脑: vmware ubuntu12.04 gcc4.3.2 vlc配置如下: CC=/usr/local/arm/4.3.2/bin/arm-none-linux-gnueabi-gcc CXX=/usr

yoeksome的专栏 3340

3个国产AI大模型实战:如何用DeepSeek+豆包+千问批量生成高质量测试用例(附完整代码)

本文详细介绍了如何利用DeepSeek、豆包和千问三大国产AI大模型批量生成高质量测试用例的实战方法。通过Python环境配置、多模型SDK安装和统一接口封装,实现高效测试用例生成,并结合结构化提示词设计和多模型结果对比分析,显著提升测试效率和覆盖率。

weixin_29197699的博客 714

ArduPilot代码解析之四 — 姿态和位置控制

ArduPilot采用级联控制架构实现飞行器的姿态和位置管理。该系统通过位置→速度→加速度→姿态→角速率→电机指令的逐级转换,将高级指令转化为底层执行信号。位置控制采用三维独立控制,水平轴与垂直轴分别处理;姿态控制通过角度误差→角速率→电机输出的两层级联实现。系统支持多种输入模式,并内置运动学整形功能确保轨迹平滑。不同飞行器类型(多旋翼、直升机、潜艇等)有专门的调参方案,通过调整PID参数、加速度限制等实现最优控制性能。该架构兼顾控制精度与飞行稳定性,适用于各类自主飞行场景。

rainercool的专栏 828

基于linux-2.6.35的网络视频服务器移植

作者:曹忠明,华清远见嵌入式学院讲师。 一、环境 主机环境 :ubuntu 10.10 目标机 :FS2410(S3C2410) 主机工具链 :gcc-4.4.5 交叉工具链 :arm-none-linux-gnueabi-gcc-4.3.2 摄像头 :ZC301 二、移植过程 1、配置内核是内核支持芯片为ZC...

weixin_30341735的博客 171

网络系统实现技术之IPX与SPX

IPX/SPXNovell NetWare网络Novell公司为适应网络发展,将主机网络转换为PC网络,开发了Novell NetWare网络系统。该系统中基于客户机/服务器模式。以普通PC机做为客户机,以性能强大的服务器做为服务器,为客户机提供文件服务、数据库服务及其他服务。与前面的SNA模型一样,Novell NetWare也早于OSI模型,所以不能与OSI模型严格对应,但也有很明

成片的大树 9168

FSPAD_702 MJPG-Streamer视频流服务器移植文档

我们希望在FSPAD_702平板的Linux实验项目中使用视频监控功能,首先选择的就是开源的MJPG-Streamer视频流服务器。 MJPG-Streamer可以通过文件或者是HTTP方式访问Linux UVC摄像头。 1、 JPEG库的移植         由于平板摄像头采集上的数据为YUV格式,而我们希望得到JPEG的压缩图像,所以需要JPEG库的支持。 a) 下载JPEG库

leesheen的专栏 1204

Android逆向进阶篇 Charles + Drony Vpn绕过代理检测方案 获取猫眼App数据

Android逆向进阶篇 Charles + Drony Vpn绕过代理检测方案 获取猫眼App数据

曾用名:极客柒 1853

GXHT40温湿度传感器:I2C通信与CRC校验实战解析

本文详细解析GXHT40温湿度传感器的I2C通信协议与CRC校验机制,涵盖硬件连接、时序控制、数据读取及加热功能应用。通过实战案例分享优化技巧与异常处理,帮助开发者提升嵌入式系统中传感器数据的准确性与可靠性。

rgv234567的博客 244

FSPAD_702 MJPG-Streamer视频流服务器移植心得

最近要在开源的平板上做Linux的项目,需要用到视频流服务器,首选肯定是MJPG-Streamer,但是按照之前的调试记录发现有问题,总是报一个I2C的错误,错误信息如下所示: MJPG-streamer [81]: starting application MJPG Streamer Version.: 2.0 MJPG-streamer [81]: MJPG Streamer Versio

leesheen的专栏 2242

手把手教你用89C52单片机驱动0.96寸OLED(IIC接口,附完整代码)

本文详细介绍了如何使用89C52单片机通过I2C接口驱动0.96寸OLED显示屏,包括硬件连接、I2C通信原理、SSD1306驱动芯片的初始化及显存管理技巧,并提供了完整的代码示例和常见问题排查方法,帮助电子爱好者快速掌握OLED显示技术。

weixin_30781433的博客 373

mjpeg-streamer视频图像的显示

据说人眼在观察景物时,光信号传人大脑神经,需经过一段短暂的时间,光的作用结束后,视觉形象并不立即消失,这种残留的视觉称“后像”,视觉的这一现象则被称为“视觉暂留”。也就是说,只要1s内变动24帧甚至更多的图片,就可以达到动画的效果,加上音频伴奏就是视屏了!!!

本末实验室 1万+

华为OD机试 - 单词倒序(Python/JS/C/C++ 2025 A卷 100分)

华为OD机试 2025A卷题库疯狂收录中,刷题。

学Java,找哪吒 1226

【AI 智能体】Windows 环境 Hermes Agent(爱马仕)安装详细过程

Windows 环境 Hermes Agent(爱马仕)安装详细过程

congge_study的博客 1834

mjpg-streamer使用介绍

前几天自己没事玩了一下mjpg-streamer,感觉还不错,这里结合网上的一些资料和自己的心得把主要步骤贴出来供大家参考一下: ps:我在ubuntu11.10和12.04里面都是过,按照以下步骤都没什么问题,我的内核版本是3.2.0的,摄像头使用的是ZC0301PL,开发板是杂牌的,ARM11,核心芯片是S3C6410。PC上也是可以运行的,并不一定非要使用开发板,根据需要修改一下Mak

ASKLW的博客 5819

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

基于mjpg-streamer网络视频服务器移植

MJPG简介:   MJPG是MJPEG的缩写,但是MJPEG还可以表示文件格式扩展名.   MJPEG   全名为 "Motion Joint Photographic Experts Group",是一种视频编码格式,   Motion JPEG技术常用与闭合电路的电视摄像机的模拟视频信号“翻译”成视频流,并存储在硬盘上。典型的应用如数字视频记录器等。MJPEG不像MPEG,不使用帧间

嵌入式与人工智能天地 8155

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Linux 网络排障实战:工业边缘场景下的 ss 与 netsta

工业网关的网络问题 — 服务起不来、连接堆积、外联异常 — 大多能从 socket 状态入手定位。;netstat 属于已停止维护的 net-tools,本文仅作对照。从工程实战角度梳理连接排查的完整用法。

ZenovaEdgeOS的博客 461

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Linux输入输出重定向与用户管理精要

本文系统梳理了Linux输入输出与用户组管理核心内容。输入输出部分涵盖字符设备与块设备区别、文件描述符、重定向与管道机制,重点解析2>&1等易错点;用户管理部分详解3A安全机制、用户分类、配置文件及常用命令(如useradd、passwd、sudo),强调权限最小化与安全审计。全文突出实践应用,适用于系统运维与考试复习。

2301_80092853的博客 646

USB 技术系列 11 · USB Linux 驱动框架

本文系统解析Linux USB驱动框架,涵盖USB Core、HCD(xhci-hcd/dwc3)、类驱动(CDC/HID/Mass Storage)分层架构,详解usb_device_id匹配、probe/disconnect生命周期及Device Tree配置。结合RISC-V N300实战,揭示Host/Device双模式驱动开发核心逻辑,助力嵌入式BSP开发者掌握USB子系统全栈能力。

peter_pan_study的博客 297

Linux的管道符与重定向符

在讲解具体符号前,必须先理解 Linux 进程处理数据的三个默认通道(文件描述符):重定向和管道的本质,就是改变这些数据流的默认指向。将命令原本要打印在屏幕上的结果,写入到文件中。示例:(将 目录的详细列表写入 ,屏幕不再显示)示例:(在 末尾新增一行日志)示例:(若权限不足, 报错会被写入 ,屏幕无显示)示例(推荐用 ):(安装过程中的正常提示和报错信息,统统存入 )示例(传统写法):(注意顺序:先把 stdout 指向文件,再把 stderr 指向 stdout 当前的位置)示例:(命令执行,但屏蔽

Yisitelz的博客 212

linux用phytool测试mdio接口的phy芯片

【代码】linux用phytool测试mdio接口的phy芯片。

qq_26074053的博客 210

Linux动态 DMA 映射指南(翻译版)

本文为设备驱动开发者提供动态DMA映射指南,涵盖虚拟、物理与总线地址差异,明确可DMA内存类型及寻址限制。介绍一致性与流式映射的使用场景与API,强调方向设置、错误处理及平台对齐要求。通过伪代码示例说明dma_set_mask、dma_alloc_coherent、dma_map_single等核心接口,确保高效安全的DMA操作。附录列明贡献者名单,术语解释涵盖IOMMU、TLB、MMIO等关键概念。

ZZXTIANMING的博客 250

【Linux】35:应用层自定义协议和序列化

本文实现了一个基于TCP字节流的网络计算器,通过自定义协议(长度头+JSON)解决粘包问题。核心在于应用层协议设计:使用Jsoncpp进行序列化与反序列化,以“长度\r\nJSON报文\r\n”格式封装数据,确保读取完整性。服务端采用多进程模型(二次fork)处理并发请求,客户端循环输入并发送请求,服务端计算后返回结果。项目融合了Socket编程、多进程、策略模式日志、RAII锁等技术,完整演示了从底层通信到高层业务的全栈实现。

qq_62473190的博客 114

Instabox 云端 Linux 虚拟机配置中文拼音输入法

Fcitx5 和拼音已安装、桌面会话加载了输入法环境变量、Fcitx 当前处于激活状态。在这次 Debian + XFCE 排查中,拼音本来已经安装;问题出在桌面会话没有正确加载变量,而且 Fcitx 需要再次激活。配置登录环境并执行后,当前输入法显示为pinyin,中文输入恢复正常。

binweisili的博客 143
上一篇: mjpg_streamer源码的分析及针对图像处理算法的修改
下一篇: mjpg-stream的使用
yi412
博客等级 码龄18年 195粉丝 26原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值