[ Java 代碼範本 ] 透過 Yahoo Mail account 使用 JavaMail 送信

Preface : 
最近需要寫一個 watch dog 來定時檢視我們提供的 service 是否還活著, 由於需要再 service break 發 mail 通知相關人等, 故拜了 Google 大神將實作細節整理在這. 
這邊使用 Yahoo SMTP/POP 作為 mail sending 的平台, 因此你需要有對應的 Yahoo Mail account; 另外使用的 Java 套件是 JavaMail, 你需要將它加到你專案的 classpath 中. 

Mail account 設定 : 
在開使撰寫代碼前, 先要設定你的 Mail Account. 請進入你的 Mail account 後, 在左上方按照下面指示進入設定頁面 : 
 

接著按照下面說明完成設定 : 
 

範例代碼 : 
接著我建立的一個類別 MailAgent 方便後續使用, 完整代碼如下 : 
- MailAgent.java : 

view plaincopy to clipboardprint?

1. package test;  
2.   
3. import java.util.LinkedList;  
4. import java.util.List;  
5. import java.util.Properties;  
6.   
7. import javax.mail.Authenticator;  
8. import javax.mail.Message;  
9. import javax.mail.PasswordAuthentication;  
10. import javax.mail.Session;  
11. import javax.mail.Store;  
12. import javax.mail.Transport;  
13. import javax.mail.internet.InternetAddress;  
14. import javax.mail.internet.MimeMessage;  
15.   
16. import org.apache.commons.codec.binary.Base64;  
17.   
18. public class MailAgent {  
19.     private String          username = "";  // Your account in Yahoo  
20.     private String          password = "";  // Your password of account in Yahoo  
21.     private String          smtpHost = "smtp.mail.yahoo.com";  
22.     private String          popHost = "pop.mail.yahoo.com";  
23.     private String          fromAddress = "";  
24.     private List  toAddressList = null;  
25.     private Properties      props = null;  
26.     public boolean          isDebug = false;  
27.   
28.     public MailAgent(){}  
29.     public MailAgent(String user,String pwd, String smtpHost, String popHost)  
30.     {  
31.         this.username = user;   
32.         this.password = pwd;  
33.         this.smtpHost = smtpHost;  
34.         this.popHost = popHost;  
35.     }  
36.       
37.     public void resetProp()  
38.     {  
39.         props = System.getProperties();       
40.         props.put("mail.smtp.host", smtpHost);  
41.         //props.put("mail.from",from);  
42.         props.put("mail.smtp.starttls.enable", "true");  
43.         props.put("mail.smtp.auth", "true");  
44.         props.put("mail.debug", String.valueOf(isDebug));  
45.     }  
46.       
47.     public String getUsername() {  
48.         return username;  
49.     }  
50.     public void setUsername(String username) {  
51.         this.username = username;  
52.     }  
53.     public String getPassword() {  
54.         return password;  
55.     }  
56.     public void setPassword(String password)   
57.     {  
58.         this.password = password;  
59.     }  
60.     public void setPasswordInBase64(String passwordInBase64)  
61.     {  
62.         Base64 base64 = new Base64();  
63.         this.password = new String(base64.decode(passwordInBase64.getBytes()));  
64.     }  
65.       
66.     public List getToAddressList() {  
67.         return toAddressList;  
68.     }  
69.     public void setToAddressList(List toAddressList) {  
70.         this.toAddressList = toAddressList;  
71.     }  
72.     public String getSmtpHost() {  
73.         return smtpHost;  
74.     }  
75.     public void setSmtpHost(String smtpHost) {  
76.         this.smtpHost = smtpHost;  
77.     }  
78.     public String getPopHost() {  
79.         return popHost;  
80.     }  
81.     public void setPopHost(String popHost) {  
82.         this.popHost = popHost;  
83.     }  
84.       
85.     public String getFromAddress() {  
86.         return fromAddress;  
87.     }  
88.     public void setFromAddress(String fromAddress) {  
89.         this.fromAddress = fromAddress;  
90.     }  
91.     public boolean isDebug() {  
92.         return isDebug;  
93.     }  
94.     public void setDebug(boolean isDebug) {  
95.         this.isDebug = isDebug;  
96.     }  
97.     public boolean sendMail(List toAddressList, String subject, String body)  
98.     {  
99.         try  
100.         {  
101.             if(props==null) resetProp();  
102.             // Get session  
103.             Session session = Session.getDefaultInstance(props, new Authenticator() {  
104.                 @Override  
105.                 protected PasswordAuthentication getPasswordAuthentication() {  
106.                     return new PasswordAuthentication(username, password);  
107.                 }  
108.             });  
109.             session.setDebug(isDebug);  
110.             // Pop Authenticate yourself  
111.             Store store = session.getStore("pop3");  
112.             store.connect(popHost, username, password);  
113.               
114.             MimeMessage message = new MimeMessage(session);  
115.             message.setFrom(new InternetAddress(fromAddress));  
116.             message.setSubject(subject);  
117.             message.setText(body);        
118.             for(String to:toAddressList)  
119.             {                                 
120.                 message.addRecipient(Message.RecipientType.TO, new InternetAddress(to));                                         
121.             }     
122.             // Send message  
123.             Transport.send(message);  
124.             return true;  
125.         }  
126.         catch(Exception e)  
127.         {  
128.             e.printStackTrace();  
129.         }  
130.         return false;  
131.     }  
132.       
133.     public boolean sendMail(String toAddress, String subject, String body)  
134.     {  
135.         List toAddressList = new LinkedList();  
136.         toAddressList.add(toAddress);  
137.         return this.sendMail(toAddressList, subject, body);  
138.     }  
139.       
140.     public boolean sendMail(String subject, String body)  
141.     {  
142.         if(toAddressList==null || fromAddress==null || fromAddress.trim().isEmpty()) return false;  
143.         else  
144.         {  
145.             return sendMail(toAddressList, subject, body);  
146.         }  
147.     }  
148. }  

接著你只要創建這個類別的物件, 設定你的 account 訊息與使用的 mail address (From address of mail), 便可以透過 API sendMail() 發送郵件. 簡單使用範例如下 : 

view plaincopy to clipboardprint?

1. public static void main(String[] args) {  
2.     MailAgent mailAgent = new MailAgent();  
3.     mailAgent.setUsername("your yahoo account");  
4.     mailAgent.setPassword("password of your account");  
5.     mailAgent.setFromAddress("from address of your mail");  
6.     List toAddressList = new LinkedList();  
7.     toAddressList.add("johnlee@ntnu.edu.tw"); // Add to-address1 of mail  
8.     toAddressList.add("puremonkey2007@gmail.com"); // Add to-address2 of mail  
9.     mailAgent.sendMail(toAddressList, "Hello Test", "This is for testing");  
10. }  

接著去你發送的信箱應該就可以看到上面代碼發送的測試 mail, 下面是我的 gmail 信箱收到的結果 : 
 

Supplement : 
* How do I use the Yahoo SMTP server to send mail with the JavaMail API? 
* TLS issue when sending to gmail through JavaMail

[ ML In Action ] Predicting numeric values : regression - Linear regression (1)

Preface : 
在前面的 kNN, Decision tree etc, 都是做 discrete nominal value prediction 的 classification. 這邊要介紹的 "regression" 是指 Supervised learning 中對 continuous value 的預測. 通常你必須先決定 "方程式", 而方程式的變數值是由 test data set 提供, 而變數上的參數我們統稱為 regression weights. 而我們要做的便是找出最佳的 regression weights 讓方程式計算出來每個 test data set 出來的 "運算值" 與 "期待值" 間差的合為最小. 

Finding best-fit lines with linear regression : 
有了上面的介紹, 來看看 Linear regression 的特性 : 
Linear regression 

Pros: Easy to interpret result, computationally inexpensive
Cons: Poorly models nonlinear data
Works with: Numeric values, nominal values

這邊提的 regression 是指 linear regression, 書上的範例使用的 regression equation 如下 : 

HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadio

上面的 "annualSalary" 與 "hoursListeningToPublicRadio" 便是我們所謂的 feature(s), 而 "0.0015" 與 "0.99" 便是我們要求的 regression weights, 使得計算出來的 "HorsePower" 與實際上的 "HorsePower" 有最接近的結果. 底下為一般處理 regression 的過程 : 

General approach to regression
1. Collect: Any metod
2. Prepare: We'll need numeric values for regression.
3. Analyze: It’s helpful to visualized 2D plots. Also, we can visualize the regression weights if we apply shrinkage methods.
4. Train: Find the regression weights.
5. Test: We can measure the R2, or correlation of the predicted value and data, to measure the success of our models.
6. Use: With regression, we can forecast a numeric value for a number of inputs. This is an improvement over classification because we’re predicting a continuous value rather than a discrete category.

接著來看一些數學式子, 首先考慮我們有 training data 在 matrix X ; 而我們要求的是 regression weights 的 vector w. 因此我們可以計算出每一筆 data X1 的計算結果 : 
 

而考慮對應 data xi 的正確結果為 yi, 我們可以如下計算正確結果與公式推導結果的平方差 (squared error). 目標就是找出 regression weights 讓下面的式子的值為最小 (理想是等於0) : 
 

經過適當的數學推導(令上面式子等於0), 可以得到 regression weights vector w 的公式 : 
 

上面 regression weights vector w 帶帽子 "^" 是因為它是基於 Training data 與公式推導出來的最佳解, 不一定代表實際的最佳解 (Training data 只是部份的 data). 

接著我們要來看一個簡單範例, 考慮我們有 Training data 的分布如下 (ex0.txt) : 
 

接著我們要來撰寫函數 loadDataSet() 來從 ex0.txt 載入 Training data (regression.py): 

view plaincopy to clipboardprint?

1. #!/usr/local/bin/python  
2. # -*- coding: utf-8 -*-  
3. from numpy import *  
4.   
5. def loadDataSet(fileName):  
6.     """ General function to parse tab -delimited floats. """  
7.     numFeat = len(open(fileName).readline().split('\t')) - 1 #get number of fields  
8.     dataMat = []; labelMat = []  
9.     fr = open(fileName)  
10.     for line in fr.readlines():  
11.         lineArr =[]  
12.         curLine = line.strip().split('\t')  
13.         for i in range(numFeat):  
14.             lineArr.append(float(curLine[i]))  
15.         dataMat.append(lineArr)  
16.         labelMat.append(float(curLine[-1]))  
17.     return dataMat,labelMat  

可以如下載入 Training data : 

>>> import regression
>>> from numpy import *
>>> xArr, yArr = regression.loadDataSet('ex0.txt')
>>> xArr[0:2]
[[1.0, 0.067732000000000001], [1.0, 0.42781000000000002]]

再來是函數 standRegres() 用來計算 regression weights, 因為公式有用到反矩陣, 所以我們必須確定反矩陣存在 linalg.det(xTx) == 0.0 (代表反矩陣不存在), 代碼如下 : 

view plaincopy to clipboardprint?

1. def standRegres(xArr,yArr):  
2.     xMat = mat(xArr); yMat = mat(yArr).T  
3.     xTx = xMat.T*xMat  
4.     if linalg.det(xTx) == 0.0:  
5.         print "This matrix is singular, cannot do inverse"  
6.         return  
7.     ws = xTx.I * (xMat.T*yMat)  
8.     return ws  

接著我們可以如下計算 regression weights (xArr, yArr 已經載入 Training data): 

>>> ws = regression.standRegres(xArr, yArr)
>>> ws
matrix([[ 3.00774324],
[ 1.69532264]])

也就是說我們的 regression equation 會是 : 

Y = 1.69532264X + 3.00774324

接著我們可以利用 matlab 將該線性方程式畫出來 : 

>>> xMat = mat(xArr)
>>> yMat = mat(yArr)
>>> yHat = xMat * ws # yi = xi*w
>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax = fig.add_subplot(111)
>>> ax.scatter(xMat[:,1].flatten().A[0], yMat.T[:,0].flatten().A[0])

>>> xCopy = xMat.copy()
>>> xCopy.sort(0)
>>> yHat = xCopy * ws
>>> ax.plot(xCopy[:,1], yHat)
[]
>>> plt.show()

繪出圖形如下 : 
 

Supplement : 
* [ ML In Action ] Predicting numeric values : regression - Linear regression (1) 
* [ ML In Action ] Predicting numeric values : regression - Linear regression (2) 
* [ ML In Action ] Predicting numeric values : regression - Linear regression (3)