【追加】J2EE三大框架配置文件管理示例--加入hibernate

基于SSH框架的百货中心供应链管理系统设计与实现详解 进销存管理是企业信息化的基础环节,百货中心供应链管理系统正是围绕采购、入库、销售、出库、库存与供应商结算这条核心链路展开的数字化解决方案。在JavaEE技术体系中,SSH框架(Struts2+Spring+Hibernate)作为经典轻量级组合,通过分层架构实现Web层、业务层与持久层的解耦,其中Hibernate负责对象关系映射与数据持久化,Spring统一管理事务与依赖注入,Struts2处理请求流转与页面跳转。这种结构清晰、职责分明的设计模式,既适合教学理解,也能支撑中小规模业务场景。本文从数据库设计 阅读详情

定义service接口:

package com.STRUTSFRAMEWORK2.web.test.service;

public interface TestServiceIf {

	public void testGetAllInfomation() throws Exception;
}


service接口实现:

package com.STRUTSFRAMEWORK2.web.test.service.impl;

import org.apache.log4j.Logger;

import com.STRUTSFRAMEWORK2.common.dao.CommonDaoIf;
import com.STRUTSFRAMEWORK2.common.po.ChannelPO;
import com.STRUTSFRAMEWORK2.web.test.service.TestServiceIf;

public class TestServiceImpl implements TestServiceIf {
	
	private CommonDaoIf<ChannelPO> dao;
	
	// 定义logger
	private static final Logger logger = Logger.getLogger("sysLog");

	@Override
	public void testGetAllInfomation() throws Exception {
		logger.info("****** 进入Service实现操作 ******");
		// 接收查询结果
		long num = -1;
		
		String hql = "from ChannelPO";
		num = dao.count(hql);
		logger.info("****** 统计总个数 ****** 总个数为:" + num);
	}

	public CommonDaoIf<ChannelPO> getDao() {
		return dao;
	}

	public void setDao(CommonDaoIf<ChannelPO> dao) {
		this.dao = dao;
	}

}


Action代码:

package com.STRUTSFRAMEWORK2.web.test.action;

import org.apache.log4j.Logger;

import com.STRUTSFRAMEWORK2.web.test.service.TestServiceIf;
import com.opensymphony.xwork2.ActionSupport;

public class TestAction extends ActionSupport {
	
	// 定义logger
	private static final Logger logger = Logger.getLogger("sysLog");
	
	// 定义service
	private TestServiceIf testService;
	
	// 页面数据
	private String name;
	private String password;

	/*** serialVersionUID: ***/
	private static final long serialVersionUID = 6371668603224418654L;

	@Override
	public String execute() {
		logger.info("****** 进入Action execute方法 ******");
		
		try {
			testService.testGetAllInfomation();
		} catch (Exception e) {
			logger.error("hibernate出现异常", e);
		}
		
		if ("success".equalsIgnoreCase(name)) {
			return "success";
		} else if ("fail".equalsIgnoreCase(name)) {
			return "fail";
		} else {
			return "error";
		}
		
	}

	@Override
	public void validate() {
		logger.info("****** 进入Action验证程序 ******");
		logger.info("****** name: ******" + name);
		logger.info("****** password: ******" + password);
	}

	public String getName() {
		return name;
	}

	public void setName(String name) {
		this.name = name;
	}

	public String getPassword() {
		return password;
	}

	public void setPassword(String password) {
		this.password = password;
	}

	public TestServiceIf getTestService() {
		return testService;
	}

	public void setTestService(TestServiceIf testService) {
		this.testService = testService;
	}

}


使用spring管理,在“test模块”的配置文件struts-test.xml和applicationContext_test.xml文件中,应该做如下的修改:

applicationContext.xml:

<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
		xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
		xmlns:aop="http://www.springframework.org/schema/aop"
		xsi:schemaLocation="http://www.springframework.org/schema/beans 
				http://www.springframework.org/schema/beans/spring-beans-2.5.xsd
				http://www.springframework.org/schema/aop
				http://www.springframework.org/schema/aop/spring-aop-2.5.xsd">
		<!-- 使用spring管理 -->
		
		<!-- 注入service -->
		<bean id="testAction" class="com.STRUTSFRAMEWORK2.web.test.action.TestAction">
			<property name="testService">
				<ref local="testService"/>
			</property>
		</bean>
		
		<!-- 注入dao -->
		<bean id="testService" class="com.STRUTSFRAMEWORK2.web.test.service.impl.TestServiceImpl">
			<property name="dao">
				<ref local="dao"/>
			</property>
		</bean>
		
		<!-- 定义dao -->
		<bean id="dao" class="com.STRUTSFRAMEWORK2.common.dao.impl.CommonDaoImpl">
		</bean>
</beans>


struts-test.xml:

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE struts PUBLIC
    "-//Apache Software Foundation//DTD Struts Configuration 2.0//EN"
    "http://struts.apache.org/dtds/struts-2.0.dtd">
<struts>
	<package name="test" extends="struts-default" namespace="/sshframework/api">
		<action name="testCheck" class="testAction">
			<result name="success">/pages/testpages/success.jsp</result>
			<result name="error">/pages/testpages/error.jsp</result>
			<result name="fail">/pages/testpages/fail.jsp</result>
		</action>
	</package>
</struts>


使用hibernate以后,需要加入相关的jar包,贴上jar包的截图:

 

 

 

 

 

 

 

 

 

 

 

疑难问题(二)——PyTorch 2.3.0 ‘import torch‘ 错误排查:深入解析‘shm.dll‘加载失败与系统路径修复 本文深入解析了在Windows系统上安装PyTorch 2.3.0后,执行'import torch'时遇到的'shm.dll'加载失败错误(OSError)。该问题通常源于系统DLL搜索路径缺失,导致无法找到关键的共享内存通信组件或其依赖项。文章提供了核心解决方案:通过手动修改PyTorch的`__init__.py`文件,将用户基目录下的Library\bin路径添加到DLL搜索列表中,从而从根本上修复此导入错误,并给出了详细的修改步骤和验证方法。 阅读详情

相关推荐

安路科技FPSoC开发实战:从芯片特性到边缘计算应用

本文深入解析安路科技FPSoC芯片在边缘计算领域的开发实战,重点介绍SALDRAGON系列芯片的异构计算架构优势,包括RISC-V/ARM处理器与FPGA的协同工作。通过工业控制和智能视觉应用案例,展示硬件加速实现与低功耗设计技巧,帮助开发者高效利用FPSoC进行边缘计算应用开发。

weixin_29248611的博客 378

mac 思科 链路聚合_Cisco交换机上的链路聚合

cisco机上的链路聚合一、2层 ethernet channel(interface)#channel-group number mode {on | auto [no-silent]|desirable [no-silent]}on 使用EthernetChannel 但不发送pagp分组off 禁用EthernetChanneldesirable 机主动要求形成一个EthernetChan...

weixin_39611072的博客 1441

【代码审计】RuoYi定时任务漏洞:从SQL注入到RCE的攻防演变

本文深入剖析了RuoYi框架定时任务模块从早期版本无校验到引入黑白名单机制,再到被组合利用实现RCE的完整漏洞演变过程。文章详细分析了SQL注入与定时任务功能结合导致的远程代码执行漏洞,并总结了代码审计与安全开发的核心要点,为开发者提供了重要的安全参考。

yellow的专栏 702

cisco交换机上的链路聚合

一、2层 ethernet channel   (interface)#channel-group number mode {on | auto [no-silent]|desirable [no-silent]}   on 使用EthernetChannel 但不发送pagp分组   off 禁用EthernetChannel   desirable 交换机主动要求形成一个Etherne

咖啡的餘香 7948

GCC调试黑科技:-fomit-frame-pointer优化下如何保证栈回溯能力

本文深入探讨了GCC编译器在启用`-fomit-frame-pointer`优化选项时如何保证栈回溯能力。通过分析`.eh_frame`段的结构与DWARF调试信息,提供了从编译选项配置到实战调试的完整解决方案,帮助开发者在性能优化与调试能力之间找到最佳平衡点。

u6v7w8x的博客 907

Simplorer-Maxwell联合仿真速度太慢?我用这3个技巧把仿真时间砍半(附SVPWM周期与步长设置避坑)

本文详细介绍了Simplorer-Maxwell联合仿真性能优化的3个关键技巧,包括仿真步长与周期的科学配置、基于任务调度的加速技术以及模型简化与精度平衡。特别针对SVPWM参数设置提供了避坑指南,帮助工程师在不牺牲精度的情况下将仿真时间缩短50%以上,适用于电机驱动系统开发等场景。

weixin_29189381的博客 467

链路聚合EtherChannel

一、基本概念 将多个端口捆绑在一起来实现更高带宽的功能称为链路聚合。 我们使用 channel-group 命令聚合多个以太网端口。所创建的单个逻辑接口称为 port-channel。 在 Cisco Catalyst 交换机上,我们可以最多聚合八个 10/100 端口, 捆绑中的所有端口必须具有相同的运行状态和配置。 以太网帧在 EtherChannel 上“不分段”或“不分裂” - 以太网帧发...

何先生的博客 5301

YOLOv8实战火焰和烟雾检测 (视频教程)

本课程将手把手地教大家使用YOLOv8结合可变形卷积(deformable convolution)训练火焰和烟雾数据集,完成一个多目标检测实战项目,可实时检测图像、视频、摄像头和流媒体(http/rtsp)中火焰和烟雾,并提供可视化演示界面 。

bai666ai的博客 1919

无线安全之破解WPA/WPA2 加密WiFi

转自:http://www.kalisec.cn/12.html本次破解WiFi使用的是Kali Linux下经典的aircrack-ng朋友如果你觉得这篇文章有用,请帮我完成下这个调查问卷:https://wj.qq.com/s/1942805/4a47首先查看 自己的 无线设备的网卡,我这里 无线设备就是  :wlan0ifconfig然后查看周围无线网络airodump-ng wlan0如果...

albertjone的博客 1万+

PostgreSQL+PostGIS空间数据入库实战:从矢量栅格到GeoServer发布全流程

本文详细介绍了将矢量与栅格空间数据导入PostgreSQL并利用PostGIS扩展进行管理的完整流程。内容涵盖环境搭建、使用shp2pgsql和raster2pgsql工具进行数据入库、基础空间查询验证,以及最终通过GeoServer发布为地图服务的实战步骤,为构建空间数据平台提供清晰指引。

weixin_29268267的博客 291

【WRF-Urban】URBPARM_LCZ.TBL 查找表解释及内容

URBPARM_LCZ.TBL 查找表解释及内容

WW、forever的博客 1754

【算法入门经典】 高精度部分总结

 这部分初步练习主要是以下几题:uvaoj的424,10106,464,748,10494 总结而言,分为大数加减,乘法,除法只涉及了高精度/非高精度 加法相对简单,注意进位即可。 乘法主要是先将两数所有位对应两两相乘,数A的i位和数B的j位相乘结果先存入result[i+j],不断累加,最后一起计算进位问题。 而高精度/低精度是模拟竖式计算的过程,具体见10494。

po_csdn的专栏 575

[VCS]VCS checkpoint简介以及其在SoC验证加速中的作用

VCS checkpoint是Synopsys VCS提供的快照/恢复机制,可显著加速SoC验证。其核心是在仿真关键节点(如完成初始化后)保存系统状态,后续测试可直接从该点恢复,避免重复执行冗长的初始化阶段(如boot、DDR训练等)。该技术特别适用于多测试用例共享同一初始状态的场景,通过分离初始化与功能验证流程,可提升回归效率3-5倍。需注意处理DPI-C状态同步、版本管理及存储优化等问题,结合UVM和自动化脚本可实现更高效的验证流程。典型应用可节省数百万cycle的重复仿真时间。

元直的博客 781

【追加】J2EE三大框架配置文件管理示例--hibernate配置文件示例

hibernate的配置文件一般位于WEB-INF文件夹下面,比较简单,这里列出的是使用连接池时的配置,也比较简单: hibernate.cfg.xml: <!DOCTYPE hibernate-configuration PUBLIC "-//Hi

Android_Robot的专栏 1366

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

湖南大学JavaEE期末整理(二)——第四、五、六章

清单为复习课时老师说的重点,高亮部分为PPT上标明“考”的部分。全部整理自PPT,仅供参考。 JavaEE重点清单(接一) JDBC PreparedStatement EL表达式 JSTL 概念选择题 Hibernate 四、JDBC JDBC驱动程序的类型 JDBC-ODBC桥驱动程序及OCBC驱动程序 本地API部分Java驱动程序 JDBC-Net纯Java驱动程序 本地协议纯Java驱动程序 接口名 说明 DriverManager 加载和卸载各种驱动程序并建立与数据.

qq_43425914的博客 2413

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【Web开发】Hibernate配置文件hibernate.cfg.xml解释

参考书籍:轻量级JavaEE企业应用实战(第5版) 所用jar包(在hibernate 官网上下载的jar包中的lib文件夹下): 用了user library来进行管理: 关于连接池: 连接池用于节省用户申请访问数据库时的一系列连接操作,在服务器开启时就预先创建好一系列连接,用户申请时直接从队列里调用,用完后返回供其他用户调用。假设我们设置连接池为20,如果应用同时最大只有10个...

tjj1998的博客 289

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")

JEECG J2EE敏捷开发框架(代码一键生成)

JEECG是一款基于代码生成器的敏捷开发框架.                    [J2EE Code Generation]          JAVA编程有很多重复机械代码,生成器可以帮助解决50%的重复工作,让开发更多关注业务逻辑,从而实现代码生成+手工merge的半智能开发!JEECG敏捷框架可以有效解决信息孤岛问题,生成统一代码、统一规范、统一设计思路,使你能在这个平台上,快

JEECG官方博客 7515

[置顶] 专刊文章 - Web UI框架引领J2EE新开发模式(代码生成器+手工merge半智能开发)

前言:随着WEB UI框架(EasyUI/Jquery UI/ExtJS/DWZ)等的逐渐成熟,系统界面逐渐实现统一化,代码生成器也可以生成统一规范的界面!代码生成+手工MERGE半智能开发将是新的趋势,单表数据模型和一对多数据模型的增删改查功能直接生成使用,可节省50%工作量,快速提高开发效率!!!  jeecg微云快速开发平台 - 云桌面展示 [J2EE  Code Generation]一款...

gelusheng123456的博客 299

基于代码生成器的J2EE智能开发框架 JEECG

我只是宣传,原文地址:http://bbs.youkuaiyun.com/topics/390395795 随着WEB UI 框架(EasyUi /Jquery UI /Ext  /Dwz)等的逐渐成熟,系统界面逐渐实现统一化,代码生成器也可以生成统一规范的界面!代码生成+手工MERGE半智能开发将是新的趋势,生成的代码可节省50%工作量,快速提高开发效率!!!   [J2EE  Code Gener

Sychel的专栏 1966

专刊文章 - Web UI框架引领J2EE新开发模式(代码生成器+手工merge半智能开发)

前言:随着WEB UI框架(EasyUI/Jquery UI/ExtJS/DWZ)等的逐渐成熟,系统界面逐渐实现统一化,代码生成器也可以生成统一规范的界面!代码生成+手工MERGE半智能开发将是新的趋势,单表数据模型和一对多数据模型的增删改查功能直接生成使用,可节省50%工作量,快速提高开发效率!!!  jeecg微云快速开发平台 - 云桌面展示 [J2EE  Code Generation]一款...

gelusheng123456的博客 415

【CF 应用开发大赛】JEECG 基于代码生成器J2EE智能开发框架

为什么80%的码农都做不了架构师?>>> ...

weixin_33766805的博客 214

maven 安装oracle8g,SpringMVC框架详细整合(Spring4+HIbernate5+Maven)

序言:正所谓:“工欲善其事必先利其器”,配一把好的砍柴刀是非常必要的。1,框架版本:JDK1.8 Spring-4.2.5.RELEASE hibernate-5.0.8.Final如果用的eclipse,在菜单window -- preferences -- General -- Workspace -- Text file encoding 设置为UTF-8,这样工程下所有新建的项目编...

weixin_39710951的博客 286

Java 快速开发框架JeeWeb

JeeWeb敏捷开发平台 JeeWeb是一款基于SpringMVC+Spring+Hibernate的敏捷开发系统;它是一款具有代码生成功能的智能快速开发平台;是以Spring Framework为核心容器,Spring MVC为模型视图控制器,Hibernate为数据访问层, Apach...

1170

Java生态:java能干嘛?100+个能干的,欢迎留言追加

Java生态系统是一个庞大而复杂的领域,涵盖了从编程语言、开发工具、框架、库到运行环境、测试工具、版本控制、持续集成、云服务、安全、大数据、分布式系统等各个方面。本文将详细介绍Java生态系统中的各个组成部分,帮助开发者更好地理解和利用这些工具和技术。

阿里渣渣java研发组-群主 1307

java 快速开发框架JeeWeb敏捷开发平台

JeeWeb敏捷开发平台 QQ交流群: 570062301官方网站: http://www.jeeweb.cn官方论坛: http://bbs.jeeweb.cn项目演示: http://demo.jeeweb.cngithub地址: https://github.com/white-cat/jeewebMyeclipse非Maven版本快盘下载: https://pan.baidu.com

white__cat的专栏 3万+
上一篇: 【追加】J2EE三大框架配置文件管理示例--文件结构和所需的jar包
下一篇: 【追加】J2EE三大框架配置文件管理示例--hibernate配置文件示例
Android_Robot
博客等级 码龄15年 62粉丝 88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