如何在linux服务器上架设网站linux服务器怎么搭建网站

如何在linux服务器上建立网站

1。

如果已经绑定了域名，可以用网站的域名直接访问；

2

如果没有绑定域名，可以使用linux服务器ip80端口进行访问；

3

当然web服务器默认端口是80，也可能是其他端口，需要根据实际情况来确定。

怎样用linux系统架设自己的网站？

首先需要基本的linux系统知识，在linux系统之上安装web服务组件诸如LAMPLNMPTengine等等，然后需要基本的前/后端语言知识，比如htmlphpcssjs等将网站代码防治到已经架设好的web服务器上就可以实现访问了，最后注册一个域名做好域名解析。

怎么把网站挂在网上，说下具体方法，要免费的域名？

网站三要素：源码、服务器（虚拟机空间）、域名缺一不可

服务器是空间，就是放源码的地方；

域名就是和服务器上的绑定的网络地址；

源码就是你说的网站

购买了域名服务器之后具体步骤：

1到域名后台解析域名到服务器地址

2登录服务器，搭建环境（window和Linux都行），新手可以用宝塔进行搭建；

3登录宝塔后台，新建网站，域名信息和数据库以及ftp账号密码都填写一下

4将你的源码通过ftp上传到你新建的网站根目录里面；

5通过域名访问你的网站，就可以了！

客户端是指开发面向客户的程序，分很多平台，比如Windows安卓苹果，还有游戏客户端也算一类。

前端指的是通过浏览器和用户交互的那部分。

后端是在服务器上跑的，一般是管理数据，为前端客户端提供数据传输的。

服务器端就是后端。

服务端各种安全机制，比如身份验证，这一条的情况在于，有的前端做身份验证就是调用一下接口，获取到类似token字段，自己也不知道是什么意思，就乱丢乱用等。

本质上来说，前端是做不了什么安全措施的，但是，相应的拦截和安全还是要做，因为可以帮后端挡掉很多低质量攻击以及前端自身的用户体验。

客户端是默认支持json的，后端是需要处理的。这点可以引申到，前后端各自传递的数据格式问题。有些前端nullundefined空串分不清楚，到了后端就各种问题。

Java Web 实现网页聊天可以分为以下几个步骤：

1 前端页面设计：设计网页聊天室 UI 界面，包括聊天消息显示、输入框、发送按钮等。

2 后端实现：采用 Java Web 框架，如 Spring、Spring MVC、Spring Boot，搭建后台服务器，接收前端的消息，处理和存储聊天记录数据，并将聊天记录发送给前端。

3 Ajax 实现前后端交互：使用 Ajax 技术实现前端页面和服务器之间的实时数据传输。

4 WebSocket 实现实时通信：使用 WebSocket 协议，建立客户端和服务器之间的连接，实现即时消息通信，并提供在线状态检测功能。

5 聊天记录存储：使用数据库技术，如 MySQL、Oracle 等，存储聊天记录数据，并实现聊天记录的查看和搜索功能。

需要注意的是，Java Web 实现网页聊天需要考虑消息的加密和用户身份验证等安全问题，并使用线程池等技术优化服务器性能，提高聊天室的并发能力。

综上所述，Java Web 实现网页聊天比较复杂，需要前、后端技术的综合运用。但是，Java Web 框架提供了很多优秀的工具和解决方案，减轻了开发人员的工作负担，同时 Java 语言本身也具有跨平台、高效稳定等优点，适合开发服务器端应用。

用户的数量只是体现了你网站数据量的多少租用服务器主要是考虑的你网站每天访问量的大小

配置方面:一般情况下日访问IP不超过2万的情况下租用一个至强XEON四核以上处理器4G以上内存500G以上硬盘的就足够用了

带宽方面:需要结合你的网站情况来判断如果只是浏览为主的网站用默认的共享带宽即可若是有下载建议用独享带宽带宽越大越有利于下载

根据你所选择机房线路的不同这样一台服务器按年租用的话一般是四五千到近万元不等如果你的网站是面向全国各地用户的话推荐你选择中原地区BGP机房中原占据先天的地理位置优势而且机房是多线接入 在全国各地访问的速度与稳定性非常好

一般的PHP框架都可以用来做app后台服务器。因为原理上客户端从你这边拿的都是字符串数据，所以就算你不用框架也没有问题，不过会引发后续的问题。PHP提供API给客户端就好了，API描述方式有很多种：REST、SOAP等等均可。推荐REST。

PHP可以开发客户端？

因为PHP是脚本语言，主要用于服务端的开发，是负责完成 B/S架构 或 C/S架构 的S部分，但是PHP可不仅仅只能在互联网站上发展，一个PHP for Android(PFA)站点表示他们将可以发布编程模型、工具盒文档让PHP在Android上实现应用。

怎么利用PHP框架语言开发手机APP？

第一：和 WEB 开发一样，首先需要一些相关的参数，这些参数，都会由客户端传过来，也许是 GET 也许是 POST，这个需要开发团队相互之间约定好，或者制定统一规范。

第二：有了参数，根据应用需求，完成数据处理，例如：任务进度更新、APP内购、一局游戏结束数据提交等等

第三：数据逻辑处理完之后，返回客户端所需要用到的相关数据，例如：任务状态、内购结果、玩家信息等等

PS：数据怎么返给客户端？直接输出的形式，如：JSON、XML、TEXT 等等。

第四：客户端获取到你返回的数据后，在客户端本地和用户进行交互!

php不能编写 app应用程序，主要用于B/S结构（Browser/Server，浏览器/服务器模式）开发使用。但是php可以作为服务器与app应用交换数据服务端API

学习APP现在流行的有三种手机平台，android、IOS，windows。他们都各有各自的编程语言，具体可以在百度搜索下各自平台制作学习。

移动后台都是 PHP、Python，Java都重，更别说C了。看你用什么协议了，http ,tcp/ip。nodejs 可以把路由，form表单验证 写成c的模块， 主要是提供接口给移动端APP调用，可以从成本、服务器资源的占用、开发效率、运行效率，后台复杂逻辑处理的能力 等 。目前我就知道的有jsp,asp,php。

利用PHP框架开发手机APP需要考虑两种可能：

第一：如果需要即时通讯，也就是需要手机客户端与服务端保持TCP长连接，服务端需要向客户端推送数据的时候可以随时通过这个长连接发送数据给客户端，这样便能做到客户端与服务端及时通讯甚至客户端与客户端及时通讯。做到这需要PHP能维持很多客户端连接，并且需要多进程支持，支持自己的通讯协议。这样的应用传统的nginxphp-fpm传统的php框架是做不到的。如果是长连接即时通讯类的服务器框架推荐一看下workerman，它是就是一个php的socket服务器框架，非常适合做手机后台服务器框架。

第二：如果不需要即时通讯的话，可以考虑直接走http协议，用nginxphp-fpm搭建一个webserver就好了，php框架可以采用thinkphp、yii等等，客户端需要与服务器通讯的时候向服务端get/post一个请求就好。

如果是比较简单的手机APP，例如新闻客户端这样的不会涉及到长连接的服务，那么可以考虑直接使用http协议。因为该协议几乎被所有可以上网的设备支持，手机客户端那边也有大量相关的库可以调用，省掉不少麻烦，其实确定了这三个：协议（HTTP）、数据表示方法（JSON）、请求数据的方法（REST）之后，基本上就可以开发一个简单地服务端接口了（业务逻辑得自己琢磨），再加上手机客户端那边配套的设置搭起来，那么就可以了。

搭建深度学习后台服务器

我们的Keras深度学习REST API将能够批量处理图像，扩展到多台机器(包括多台web服务器和Redis实例)，并在负载均衡器之后进行循环调度。

为此，我们将使用:

KerasRedis(内存数据结构存储)

Flask (Python的微web框架)

消息队列和消息代理编程范例

本篇文章的整体思路如下：

我们将首先简要讨论Redis数据存储，以及如何使用它促进消息队列和消息代理。然后，我们将通过安装所需的Python包来配置Python开发环境，以构建我们的Keras深度学习REST API。一旦配置了开发环境，就可以使用Flask web框架实现实际的Keras深度学习REST API。在实现之后，我们将启动Redis和Flask服务器，然后使用cURL和Python向我们的深度学习API端点提交推理请求。最后，我们将以对构建自己的深度学习REST API时应该牢记的注意事项的简短讨论结束。

第一部分：简要介绍Redis如何作为REST API消息代理/消息队列

1：Redis可以用作我们深度学习REST API的消息代理/消息队列

Redis是内存中的数据存储。它不同于简单的键/值存储(比如memcached)，因为它可以存储实际的数据结构。今天我们将使用Redis作为消息代理/消息队列。这包括:

在我们的机器上运行Redis

将数据(图像)按照队列的方式用Redis存储，并依次由我们的REST API处理

为新批输入图像循环访问Redis

对图像进行分类并将结果返回给客户端

文章中对Redis官网有一个超链接（https://redisio/topics/introduction），但是要翻出去，所以我就截图一个放上去仅供参考。

第二部分：安装和配置Redis

官网做法，linux系统的安装：

自己的安装方法：

conda install redis

开启方式相同：

resdis-server

结果：

测试和原文的命令一致。

第三部分：配置Python开发环境以构建Keras REST API

文章中说需要创建新的虚拟环境来防止影响系统级别的python项目（但是我没有创建），但是还是需要安装rest api所需要依赖的包。以下为所需要的包。

第四部分：实现可扩展的Keras REST API

首先是Keras Redis Flask REST API数据流程图

让我们开始构建我们的服务器脚本。为了方便起见，我在一个文件中实现了服务器，但是它可以按照您认为合适的方式模块化。为了获得最好的结果和避免复制/粘贴错误，我建议您使用本文的“下载”部分来获取相关的脚本和图像。

为了简单起见，我们将在ImageNet数据集上使用ResNet预训练。我将指出在哪里可以用你自己的模型交换ResNet。flask模块包含flask库(用于构建web API)。redis模块将使我们能够与redis数据存储接口。从这里开始，让我们初始化将在run_keras_serverpy中使用的常量

我们将向服务器传递float32图像，尺寸为224 x 224，包含3个通道。我们的服务器可以处理一个BATCH_SIZE = 32。如果您的生产系统上有GPU(s)，那么您需要调优BATCH_SIZE以获得最佳性能。我发现将SERVER_SLEEP和CLIENT_SLEEP设置为025秒(服务器和客户端在再次轮询Redis之前分别暂停的时间)在大多数系统上都可以很好地工作。如果您正在构建一个生产系统，那么一定要调整这些常量。

让我们启动我们的Flask app和Redis服务器:

在这里你可以看到启动Flask是多么容易。在运行这个服务器脚本之前，我假设Redis服务器正在运行(之前的redis-server)。我们的Python脚本连接到本地主机6379端口(Redis的默认主机和端口值)上的Redis存储。不要忘记将全局Keras模型初始化为None。接下来我们来处理图像的序列化:

Redis将充当服务器上的临时数据存储。图像将通过诸如cURL、Python脚本甚至是移动应用程序等各种方法进入服务器，而且，图像只能每隔一段时间(几个小时或几天)或者以很高的速率(每秒几次)进入服务器。我们需要把图像放在某个地方，因为它们在被处理前排队。我们的Redis存储将作为临时存储。

为了将图像存储在Redis中，需要对它们进行序列化。由于图像只是数字数组，我们可以使用base64编码来序列化图像。使用base64编码还有一个额外的好处，即允许我们使用JSON存储图像的附加属性。

base64_encode_image函数处理序列化。类似地，在通过模型传递图像之前，我们需要反序列化图像。这由base64_decode_image函数处理。

预处理

我已经定义了一个prepare_image函数，它使用Keras中的ResNet50实现对输入图像进行预处理，以便进行分类。在使用您自己的模型时，我建议修改此函数，以执行所需的预处理、缩放或规范化。

从那里我们将定义我们的分类方法

classify_process函数将在它自己的线程中启动，我们将在下面的__main__中看到这一点。该函数将从Redis服务器轮询图像批次，对图像进行分类，并将结果返回给客户端。

在model = ResNet50(weights="imagenet")这一行中，我将这个操作与终端打印消息连接起来——根据Keras模型的大小，加载是即时的，或者需要几秒钟。

加载模型只在启动这个线程时发生一次——如果每次我们想要处理一个映像时都必须加载模型，那么速度会非常慢，而且由于内存耗尽可能导致服务器崩溃。

加载模型后，这个线程将不断轮询新的图像，然后将它们分类（注意这部分代码应该时尚一部分的继续）

在这里，我们首先使用Redis数据库的lrange函数从队列(第79行)中获取最多的BATCH_SIZE图像。

从那里我们初始化imageIDs和批处理(第80和81行)，并开始在第84行开始循环队列。

在循环中，我们首先解码对象并将其反序列化为一个NumPy数组image(第86-88行)。

接下来，在第90-96行中，我们将向批处理添加图像(或者如果批处理当前为None，我们将该批处理设置为当前图像)。

我们还将图像的id附加到imageIDs(第99行)。

让我们完成循环和函数

在这个代码块中，我们检查批处理中是否有图像(第102行)。如果我们有一批图像，我们通过模型(第105行)对整个批进行预测。从那里，我们循环一个图像和相应的预测结果(110-122行)。这些行向输出列表追加标签和概率，然后使用imageID将输出存储在Redis数据库中(第116-122行)。

我们使用第125行上的ltrim从队列中删除了刚刚分类的图像集。最后，我们将睡眠设置为SERVER_SLEEP时间并等待下一批图像进行分类。下面我们来处理/predict我们的REST API端点

稍后您将看到，当我们发布到REST API时，我们将使用/predict端点。当然，我们的服务器可能有多个端点。我们使用@app。路由修饰符以第130行所示的格式在函数上方定义端点，以便Flask知道调用什么函数。我们可以很容易地得到另一个使用AlexNet而不是ResNet的端点，我们可以用类似的方式定义具有关联函数的端点。你懂的，但就我们今天的目的而言，我们只有一个端点叫做/predict。

我们在第131行定义的predict方法将处理对服务器的POST请求。这个函数的目标是构建JSON数据，并将其发送回客户机。如果POST数据包含图像(第137和138行)，我们将图像转换为PIL/Pillow格式，并对其进行预处理(第141-143行)。

在开发这个脚本时，我花了大量时间调试我的序列化和反序列化函数，结果发现我需要第147行将数组转换为C-contiguous排序(您可以在这里了解更多)。老实说，这是一个相当大的麻烦事，但我希望它能帮助你站起来，快速跑。

如果您想知道在第99行中提到的id，那么实际上是使用uuid(通用唯一标识符)在第151行生成的。我们使用UUID来防止hash/key冲突。

接下来，我们将图像的id和base64编码附加到d字典中。使用rpush(第153行)将这个JSON数据推送到Redis db非常简单。

让我们轮询服务器以返回预测

我们将持续循环，直到模型服务器返回输出预测。我们开始一个无限循环，试图得到157-159条预测线。从这里，如果输出包含预测，我们将对结果进行反序列化，并将结果添加到将返回给客户机的数据中。我们还从db中删除了结果(因为我们已经从数据库中提取了结果，不再需要将它们存储在数据库中)，并跳出了循环(第163-172行)。

否则，我们没有任何预测，我们需要睡觉，继续投票(第176行)。如果我们到达第179行，我们已经成功地得到了我们的预测。在本例中，我们向客户机数据添加True的成功值(第179行)。注意:对于这个示例脚本，我没有在上面的循环中添加超时逻辑，这在理想情况下会为数据添加一个False的成功值。我将由您来处理和实现。最后我们称烧瓶。jsonify对数据，并将其返回给客户端(第182行)。这就完成了我们的预测函数。

为了演示我们的Keras REST API，我们需要一个__main__函数来实际启动服务器

第186-196行定义了__main__函数，它将启动classify_process线程(第190-192行)并运行Flask应用程序(第196行)。

第五部分：启动可伸缩的Keras REST API

要测试我们的Keras深度学习REST API，请确保使用本文的“下载”部分下载源代码示例图像。从这里，让我们启动Redis服务器，如果它还没有运行:

redis-server

然后，在另一个终端中，让我们启动REST API Flask服务器:

python run_keras_serverpy

另外，我建议在向服务器提交请求之前，等待您的模型完全加载到内存中。现在我们可以继续使用cURL和Python测试服务器。

第七部分：使用cURL访问Keras REST API

使用cURL来测试我们的Keras REST API服务器。这是我的家庭小猎犬Jemma。根据我们的ResNet模型，她被归类为一只拥有946%自信的小猎犬。

curl -X POST -F image=@jemmapng 'http://localhost:5000/predict'

你会在你的终端收到JSON格式的预测:

{"predictions": [{"label": "beagle","probability": 09461546540260315},{"label": "bluetick","probability": 0031958919018507004},{"label": "redbone","probability": 0006617196369916201},{"label": "Walker_hound","probability": 00033879687543958426},{"label": "Greater_Swiss_Mountain_dog","probability": 00025766862090677023}],"success": true}

第六部分：使用Python向Keras REST API提交请求

如您所见，使用cURL验证非常简单。现在，让我们构建一个Python脚本，该脚本将发布图像并以编程方式解析返回的JSON。

让我们回顾一下simple_requestpy

# import the necessary packagesimport requests# initialize the Keras REST API endpoint URL along with the input# image pathKERAS_REST_API_URL = "http://localhost:5000/predict"IMAGE_PATH = "jemmapng"

我们在这个脚本中使用Python请求来处理向服务器提交数据。我们的服务器运行在本地主机上，可以通过端口5000访问端点/predict，这是KERAS_REST_API_URL变量(第6行)指定的。

我们还定义了IMAGE_PATH(第7行)。png与我们的脚本在同一个目录中。如果您想测试其他图像，请确保指定到您的输入图像的完整路径。

让我们加载图像并发送到服务器:

# load the input image and construct the payload for the requestimage = open(IMAGE_PATH, "rb")read()payload = {"image": image}# submit the requestr = requestspost(KERAS_REST_API_URL, files=payload)json()# ensure the request was sucessfulif r["success"]: # loop over the predictions and display them for (i, result) in enumerate(r["predictions"]): print("{} {}: {:4f}"format(i + 1, result["label"], result["probability"]))# otherwise, the request failedelse: print("Request failed")

我们在第10行以二进制模式读取图像并将其放入有效负载字典。负载通过请求发送到服务器。在第14行发布。如果我们得到一个成功消息，我们可以循环预测并将它们打印到终端。我使这个脚本很简单，但是如果你想变得更有趣，你也可以使用OpenCV在图像上绘制最高的预测文本。

第七部分：运行简单的请求脚本

编写脚本很容易。打开终端并执行以下命令(当然，前提是我们的Flask服务器和Redis服务器都在运行)。

python simple_requestpy

使用Python以编程方式使用我们的Keras深度学习REST API的结果

第八部分：扩展深度学习REST API时的注意事项

如果您预期在深度学习REST API上有较长一段时间的高负载，那么您可能需要考虑一种负载平衡算法，例如循环调度，以帮助在多个GPU机器和Redis服务器之间平均分配请求。

记住，Redis是内存中的数据存储，所以我们只能在队列中存储可用内存中的尽可能多的图像。

使用float32数据类型的单个224 x 224 x 3图像将消耗602112字节的内存。