dllimport是System.Runtime.InteropServices命名空间下的一个属性类，其功能是提供从非托管DLL导出的函数的必要调用信息。
dllimport属性应用于方法，要求最少要提供包含入口点的dll的名称。
dllimport的定义如下：
[AttributeUsage(AttributeTargets.Method)]
public class DllImportAttribute: System.Attribute
{
public DllImportAttribute(string dllName) {…} //定位参数为dllName
public CallingConvention CallingConvention; //入口点调用约定
public CharSet CharSet; //入口点采用的字符接
public string EntryPoint; //入口点名称
public bool ExactSpelling; //是否必须与指示的入口点拼写完全一致，默认false
public bool PreserveSig; //方法的签名是被保留还是被转换
public bool SetLastError; //FindLastError方法的返回值保存在这里
public string Value { get {…} }
}
用法示例：
[DllImport("kernel32")]
private static extern long WritePrivateProfileString(string section,string key,string val,string filePath);
以上是用来写入ini文件的一个win32api。
用此方式调用Win32API的数据类型对应：DWORD=int或uint，BOOL=bool，预定义常量=enum，结构=struct。
相关文章:
- C#和C++混合编程的一些tips 最近帮朋友写个小东西的时候，刚好用到了C#和C++的混合编程，记录一些tips供日后参考。 首先说明下环境：C#调用C++的库函数，C++建立一个非托管类库项目，C#项目引用之。继续阅读 »...
- CQRS体系结构模式 本文介绍了CQRS模式的基本结构，并对其中一些重要概念作了注释，也是我在实践和思考当中总结出来的内容（PS：转载请注明出处）。学习过DDD 而刚刚开始CQRS的朋友，在阅读一些资料的时候势必会感到疑惑，希望本文能够帮助到这些朋友。比如最开始阅读的时候，我也不知道为什么一定要通过领域事件去更改对象状态，而不是在对象状态变更的时候，去触发领域事件，因为当时我仍然希望能够在Domain Model中方便地使用getter/setter，我当时也希望能够让Domain Model同时适应于经典DDD和CQRS架构。在经过多次尝试后发现，这种做法是不合理、不可取的，也正如Udi Dahan所说：CQRS是一种模式，既然是模式，就是用来解决特定问题的。 继续阅读 »...
- PostGreSQL之MVCC代码分析（1）：概览 Transaction启动时形成快照就是要记录该Transaction可见的TransactionID，排除不可见的ID。PostGreSQL中每一个版本的数据有两个ID，其中一个是CreationID即插入该数据的TransactionID，一个是ExpiredID，即删除或更新该数据的TransactionID。对一个Transaction可见的数据的ID要满足以下条件： 1.CreationID当前TransactionID或ExpiredID不存在 Transaction启动形成快照的过程： 遍历当前所有活动的Transaction，记录在一个活动Transaction的ID数组中；根据Transaction的先后顺序，选择当前Transaction可见的最小TransactionID，记录在xmin，选择可见的最大TransactionID，记录在xmax中。 PostGreSQL8.5中进行最终的版本选择是在从外存中获取一个页面的数据之后，由一个检验函数（HeapTupleSatisfiesMVCC等一系列函数）检验所有该页面数据的数据对当前Transaction的可见性，如果不可见，则将数据除去，最后返回所有可见数据。继续阅读 »...
- 几种用户相似度计算方法及其优缺点 注：我毕设要做一个垂直搜索引擎中的用户推荐项目，这些是我摘录的一些资料和相关分析。 进行用户协同过滤时，一个关键问题是如何计算用户之间的相似性。比较常见的计算用户相似度的算法有余弦相似性、皮尔森系数、调整余弦相似性三种。 这三种相似性都是基于一个称为用户-项目矩阵的数据结构来进行计算的。该数据结构如下： 余弦相似性：把用户评分看作是n维项目空间上的向量，通过计算两个向量之间的夹角余弦来度量两个用户之间的相似性。 皮尔森系数：又称相关相似性，通过Peason相关系数来度量两个用户的相似性。计算时，首先找到两个用户共同评分过的项目集，然后计算这两个向量的相关系数。 调整余弦相似性：将余弦相似性中的向量，减去用户平均评分向量后，再计算夹角余弦以修正不同用户评分尺度不同的问题。 在数据比较稀疏的情况下，这几种方法均存在一定问题：余弦相似性和调整余弦相似性对于用户未评价项目评分为0的假设；皮尔森系数中用户共同评分项目集可能很小。 在垂直搜索引擎中，用户数据具有相当的稀疏性。所以需要通过一定的手段来消除这种稀疏性。我的思路： 1.垂直搜索中存在一个项目的目录（树形结构），如果自顶向下进行评分，并将子项目分数与父项目分数按一定规则运算后作为最后评分。从而填充稀疏矩阵为密集矩阵。 2.按照密集矩阵进行推荐。...
- 海量数据面试题举例 大数据量的问题是很多面试笔试中经常出现的问题，比如baidu google 腾讯 这样的一些涉及到海量数据的公司经常会问到。 下面的方法是我对海量数据的处理方法进行了一个一般性的总结，当然这些方法可能并不能完全覆盖所有的问题，但是这样的一些方法也基本可以处理绝大多数遇到的问题。下面的一些问题基本直接来源于公司的面试笔试题目，方法不一定最优，如果你有更好的处理方法，欢迎与我讨论。继续阅读 »...
