Swift-网络、本地数据解析

数据地址

let _urlPath = NSBundle.mainBundle().pathForResource("news_list.json",ofType: nil)

1.对对象进行解析

//解析对象
    func jsonUser(){

        //Swift对象
        let user = [
            "user": "张三","name": ["name1": "大名","name2": "小名"]
        ]
        //首先判断能不能转换
        if (!NSJSONSerialization.isValidJSONObject(user)) {
            print("is not a valid json object")
            return
        }
        //将对象转换为NSData
        let data : NSData! = try? NSJSONSerialization.dataWithJSONObject(user,options: [])

        //把NSData对象转换回JSON对象
        let json : AnyObject! = try? NSJSONSerialization
            .JSONObjectWithData(data,options:NSJSONReadingOptions.AllowFragments)

        //验证JSON对象可用性
        let users : AnyObject = json.objectForKey("user")!
        let name1 : AnyObject = json.objectForKey("name")!.objectForKey("name1")!
        let name2 : AnyObject = json.objectForKey("name")!.objectForKey("name2")!
        print("users: \(users),name1: \(name1),name2 :\(name2)")

    }

2、对本地json进行解析

func localData(){
        let recvData2 = NSData.dataWithContentsOfMappedFile(_urlPath!) as! NSData
        let tempArray  = try? NSJSONSerialization.JSONObjectWithData(recvData2,options: .MutableContainers)
        //json解析然后强转
        if (tempArray?.count > 0){
            for (var i = 0; i < tempArray?.count; i++){
                let oneVideo = tempArray?[i] as! NSDictionary
                //把里面转成字典
                let id = oneVideo.objectForKey("id")
                let type = oneVideo.objectForKey("type")
                let title = oneVideo.objectForKey("title")
                let summary = oneVideo.objectForKey("summary")
                let image = oneVideo.objectForKey("image")

                let model = ZWModel()
                model.id  = id as! Int
                model.type = type as! Int
                model.title = title as? String
                model.summary = summary as? String
                model.image = image as? String

                //把数据添加到模型数据
                dataArray.addObject(model)
            }
            _tableView?.reloadData()
        }
    }

3、使用NSURLConnection

func downloadData(){
       //创建NSURL
        //请求本地数据
        let url = NSURL(fileURLWithPath: _urlPath!)
        //请求网络数据
         //let url = NSURL(string: _urlPath!)
        //以url创建请求
        let request = NSURLRequest(URL:url!)

        //创建连接
        _connection = NSURLConnection (request: request,delegate: self)

    }

//收到http相应头
    func connection(connection: NSURLConnection,didReceiveResponse response: NSURLResponse){

    }
    //接收一段数据,这个函数会被调用多次
    func connection(connection: NSURLConnection,didReceiveData data: NSData){
       //把接收到的数据追加到_recvData后面
        _recvData.appendData(data)
    }


    //数据接收完成
    func connectionDidFinishLoading(connection: NSURLConnection){
        //接收完成函数,显示要解析的json
        let str = NSString(data: _recvData,encoding: NSUTF8StringEncoding)
        //把二进制转化成字符串
        print("s is \(str)")
        //
        let videoArr = try? NSJSONSerialization.JSONObjectWithData(_recvData,options:.MutableContainers)
        //json解析然后强转
        if (videoArr?.count > 0){
            for (var i = 0; i < videoArr?.count; i++){
              let oneVideo = videoArr?[i] as! NSDictionary
                //把里面转成字典
                let id = oneVideo.objectForKey("id")
                let type = oneVideo.objectForKey("type")
                let title = oneVideo.objectForKey("title")
                let summary = oneVideo.objectForKey("summary")
                let image = oneVideo.objectForKey("image")

                let model = ZWModel()
                model.id  = id as! Int
                model.type = type as! Int
                model.title = title as? String
                model.summary = summary as? String
                model.image = image as? String

                //把数据添加到模型数据
                dataArray.addObject(model)
            }
        }

        //重新刷新表格
        _tableView?.reloadData()
    }

4、网络数据的请求和解析将(3)中的//请求网络数据 //let url = NSURL(string: _urlPath!)放开,地址改为网络地址

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


软件简介:蓝湖辅助工具,减少移动端开发中控件属性的复制和粘贴.待开发的功能:1.支持自动生成约束2.开发设置页面3.做一个浏览器插件,支持不需要下载整个工程,可即时操作当前蓝湖浏览页面4.支持Flutter语言模板生成5.支持更多平台,如Sketch等6.支持用户自定义语言模板
现实生活中,我们听到的声音都是时间连续的,我们称为这种信号叫模拟信号。模拟信号需要进行数字化以后才能在计算机中使用。目前我们在计算机上进行音频播放都需要依赖于音频文件。那么音频文件如何生成的呢?音频文件的生成过程是将声音信息采样、量化和编码产生的数字信号的过程,我们人耳所能听到的声音频率范围为(20Hz~20KHz),因此音频文件格式的最大带宽是20KHZ。根据奈奎斯特的理论,音频文件的采样率一般在40~50KHZ之间。奈奎斯特采样定律,又称香农采样定律。...............
前言最近在B站上看到一个漂亮的仙女姐姐跳舞视频,循环看了亿遍又亿遍,久久不能离开!看着小仙紫姐姐的蹦迪视频,除了一键三连还能做什么?突发奇想,能不能把舞蹈视频转成代码舞呢?说干就干,今天就手把手教大家如何把跳舞视频转成代码舞,跟着仙女姐姐一起蹦起来~视频来源:【紫颜】见过仙女蹦迪吗 【千盏】一、核心功能设计总体来说,我们需要分为以下几步完成:从B站上把小姐姐的视频下载下来对视频进行截取GIF,把截取的GIF通过ASCII Animator进行ASCII字符转换把转换的字符gif根据每
【Android App】实战项目之仿抖音的短视频分享App(附源码和演示视频 超详细必看)
前言这一篇博客应该是我花时间最多的一次了,从2022年1月底至2022年4月底。我已经将这篇博客的内容写为论文,上传至arxiv:https://arxiv.org/pdf/2204.10160.pdf欢迎大家指出我论文中的问题,特别是语法与用词问题在github上,我也上传了完整的项目:https://github.com/Whiffe/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset关于自定义ava数据集,也是后台
因为我既对接过session、cookie,也对接过JWT,今年因为工作需要也对接了gtoken的2个版本,对这方面的理解还算深入。尤其是看到官方文档评论区又小伙伴表示看不懂,所以做了这期视频内容出来:视频在这里:本期内容对应B站的开源视频因为涉及的知识点比较多,视频内容比较长。如果你觉得看视频浪费时间,可以直接阅读源码:goframe v2版本集成gtokengoframe v1版本集成gtokengoframe v2版本集成jwtgoframe v2版本session登录官方调用示例文档jwt和sess
【Android App】实战项目之仿微信的私信和群聊App(附源码和演示视频 超详细必看)
用Android Studio的VideoView组件实现简单的本地视频播放器。本文将讲解如何使用Android视频播放器VideoView组件来播放本地视频和网络视频,实现起来还是比较简单的。VideoView组件的作用与ImageView类似,只是ImageView用于显示图片,VideoView用于播放视频。...
采用MATLAB对正弦信号,语音信号进行生成、采样和内插恢复,利用MATLAB工具箱对混杂噪声的音频信号进行滤波
随着移动互联网、云端存储等技术的快速发展,包含丰富信息的音频数据呈现几何级速率增长。这些海量数据在为人工分析带来困难的同时,也为音频认知、创新学习研究提供了数据基础。在本节中,我们通过构建生成模型来生成音频序列文件,从而进一步加深对序列数据处理问题的了解。
基于yolov5+deepsort+slowfast算法的视频实时行为检测。1. yolov5实现目标检测,确定目标坐标 2. deepsort实现目标跟踪,持续标注目标坐标 3. slowfast实现动作识别,并给出置信率 4. 用框持续框住目标,并将动作类别以及置信度显示在框上
数字电子钟设计本文主要完成数字电子钟的以下功能1、计时功能(24小时)2、秒表功能(一个按键实现开始暂停,另一个按键实现清零功能)3、闹钟功能(设置闹钟以及到时响10秒)4、校时功能5、其他功能(清零、加速、星期、八位数码管显示等)前排提示:前面几篇文章介绍过的内容就不详细介绍了,可以看我专栏的前几篇文章。PS.工程文件放在最后面总体设计本次设计主要是在前一篇文章 数字电子钟基本功能的实现 的基础上改编而成的,主要结构不变,分频器将50MHz分为较低的频率备用;dig_select
1.进入官网下载OBS stdioOpen Broadcaster Software | OBS (obsproject.com)2.下载一个插件,拓展OBS的虚拟摄像头功能链接:OBS 虚拟摄像头插件.zip_免费高速下载|百度网盘-分享无限制 (baidu.com)提取码:6656--来自百度网盘超级会员V1的分享**注意**该插件必须下载但OBS的根目录(应该是自动匹配了的)3.打开OBS,选中虚拟摄像头选择启用在底部添加一段视频录制选择下面,进行录制.
Meta公司在9月29日首次推出一款人工智能系统模型:Make-A-Video,可以从给定的文字提示生成短视频。基于**文本到图像生成技术的最新进展**,该技术旨在实现文本到视频的生成,可以仅用几个单词或几行文本生成异想天开、独一无二的视频,将无限的想象力带入生活
音频信号叠加噪声及滤波一、前言二、信号分析及加噪三、滤波去噪四、总结一、前言之前一直对硬件上的内容比较关注,但是可能是因为硬件方面的东西可能真的是比较杂,而且需要渗透的东西太多了,所以学习进展比较缓慢。因为也很少有单纯的硬件学习研究,总是会伴随着各种理论需要硬件做支撑,所以还是想要慢慢接触理论学习。但是之前总找不到切入点,不知道从哪里开始,就一直拖着。最近稍微接触了一点信号处理,就用这个当作切入点,开始接触理论学习。二、信号分析及加噪信号处理选用了matlab做工具,选了一个最简单的语音信号处理方
腾讯云 TRTC 实时音视频服务体验,从认识 TRTC 到 TRTC 的开发实践,Demo 演示& IM 服务搭建。
音乐音频分类技术能够基于音乐内容为音乐添加类别标签,在音乐资源的高效组织、检索和推荐等相关方面的研究和应用具有重要意义。传统的音乐分类方法大量使用了人工设计的声学特征,特征的设计需要音乐领域的知识,不同分类任务的特征往往并不通用。深度学习的出现给更好地解决音乐分类问题提供了新的思路,本文对基于深度学习的音乐音频分类方法进行了研究。首先将音乐的音频信号转换成声谱作为统一表示,避免了手工选取特征存在的问题,然后基于一维卷积构建了一种音乐分类模型。
C++知识精讲16 | 井字棋游戏(配资源+视频)【赋源码,双人对战】
本文主要讲解如何在Java中,使用FFmpeg进行视频的帧读取,并最终合并成Gif动态图。
在本篇博文中,我们谈及了 Swift 中 some、any 关键字以及主关联类型(primary associated types)的前世今生,并由浅及深用简明的示例向大家讲解了它们之间的奥秘玄机。