项目数据库用户答题卡设计以及json转化

Pandas 处理机读卡(答题卡)数据 学期末的时候,使用机读卡进行学生填报选科走班的意向,高考进行的是六选三选科走班,还涉及到选学外语的变更、走读和住校的变更。5-11表示11个选科走班的组合,组合选择比较多,最终学生只保留了这七种组合!第10题:生政地组合请把A涂黑。第11题:生历地组合请把A涂黑。第5题:物化生组合请把A涂黑。第6题:物化政组合请把A涂黑。第7题:物化地组合请把A涂黑。第8题:政历地组合请把A涂黑。第9题:政历生组合请把A涂黑。第1题:住宿请把A涂黑。第2题:英语请把A涂黑。第3题:俄语请把A涂黑。第4题:日语请把A涂黑。 阅读详情

                    项目数据库用户答题卡设计以及json转化

一、项目答题卡数据库设计

1、介绍

在项目中需要存储用户答题记录,若是单条数据记录太浪费数据库内存,同时也会造成大量数据冗余,所以将用户答题信息作为一个json转为string存储起来。通过Map<String,Object> sheet = new  HashMap<String,Object>();来进行答题卡信息存储。

数据库存储答题卡格式如下:

2、json转化

pom文件依赖(阿里fastjson)

<dependency>
	<groupId>com.alibaba</groupId>
	<artifactId>fastjson</artifactId>
	<version>1.2.30</version>
</dependency>

a、将map格式信息转化为json再转化为string保存到数据库

// 将map转成json格式 answerSheet是Map格式
JSONObject jsonObject = new JSONObject(answerSheet);
// 将json转成String,方便存入数据库
String answerSheetString = jsonObject.toJSONString();

b、将数据库string转为json返回给前台

// result为string类型
JSONObject resultJson = JSONObject.parseObject(result);
String value = (Map<String,Object>)resultJson;

c、将b中Map<String,Object>json获取right或error答对答错数据信息,需要动态添加或修改答题状态

String answerjson = JSON.toJSONString(answerCard, true);
			
List<Integer> rightList=  JSON.parseArray(JSON.parseObject(answerjson).getString(RIGHT), Integer.class);
			if(rightList != null){
				rightResultSet = new HashSet<Integer>(rightList);
			}
List<Integer> errorList=  JSON.parseArray(JSON.parseObject(answerjson).getString(ERROR), Integer.class);
			if(errorList != null){
				errorResultSet = new HashSet<Integer>(errorList);
			}

注意:虽然你保存是set,但是通过该种方式只能以list集合来获取。

d、将数据库中对象数组对象解析解析

数据类型:

解析:

userAnswerSheet1是通过myBatista查询的数据库字段
String answerjson1 = JSON.toJSONString(userAnswerSheet1, true);
JSONObject jsonObject = JSONObject.parseObject(answerjson1);
JSONArray rightArray = (JSONArray)jsonObject.get("right");
JSONArray errorArray = (JSONArray)jsonObject.get("error");

 

深度学习之基于Tensorflow答题卡目标检测 一、项目背景随着教育技术的不断发展,自动化批改答题卡的需求日益增加。传统的答题卡批改方式需要大量的人工参与,效率低下且容易出错。因此,利用深度学习技术实现答题卡的自动批改成为了一个热门的研究方向。本项目旨在利用TensorFlow框架,结合目标检测技术,实现答题卡的自动识别和批改。二、项目目标本项目的目标是开发一个基于TensorFlow的答题卡目标检测系统,该系统能够自动识别答题卡中的题目区域和选项区域,并对选项进行准确的识别和批改。 阅读详情

相关推荐

LLM知识编译:用结构化提示+Schema契约构建可验证知识基建

知识编译是一种将非结构化技术文档转化为可查询、可验证、可编程调用的结构化知识单元的工程方法。其核心原理在于将大语言模型作为确定性语义编译器,通过强约束的JSON Schema定义输出结构,结合上下文锚定保障事实可溯,并依托轻量规则引擎实现逻辑自洽校验。该技术显著提升知识复用效率与系统集成能力,广泛应用于技术文档自动化治理、企业知识图谱构建、RAG增强及开发者API生成等场景。本文聚焦‘知识编译’实践落地,详解Schema契约、锚定机制与验证回路三大关键技术支点。

weixin_33331559的博客 287

opencv +python采集识别填涂卡(答题卡)数据

在社科研究中的问卷调查,或者需要进行问卷答题的场景中,需要用纸质问卷采集答案,然后将问卷的答案输入电脑。这是一般的问卷采集答案的方法,如果问卷数量并不是很多能很快速的将问卷的结果输入到电脑中,但是如果有很多张相同的问卷的情况下,工作效率就会减慢(一张一张的录入)。采用电脑识别的方式能很快的将纸质答案转换为电脑可识别的数据。 采用python+opencv的方式,在识别每一张问卷唯一性上,可以在每一张问卷上张贴二维码,用以区别问卷的唯一。 思路: 1,将答题卡扫描,进行灰度转变、高斯模糊、cv2.C

ss5656的博客 5020

基于Gemini大模型构建新闻结构化信息抽取系统

信息抽取是自然语言处理的核心技术之一,旨在从非结构化文本中自动识别并提取出预定义类型的结构化信息,如实体、关系、事件和属性。其原理通常结合了深度学习模型对文本语义的理解与模式识别能力,将连续的文本序列映射为离散的数据字段。这项技术的核心价值在于实现信息处理的自动化、规模化与一致性,将海量文本转化为可查询、可分析的数据资产。在工程实践中,通过精心设计的提示词工程,可以引导大语言模型按照特定模式输出结构化数据,从而构建高效的数据处理管道。应用场景广泛,包括舆情监控、竞品分析、知识图谱构建和商业智能等。本文以新闻

weixin_34124651的博客 433

在线答题小程序数据库设计

背景介绍 最近有不少朋友咨询我在线答题小程序的数据库集合设计,现专门写文整理下,该小程序目前包含以下十个集合 数据库设计 admin 该集合主要用于指定管理员openid,对于部分openid开放创建试卷以及数据报表导入、导出等功能 category 该集合主要用于设置题目分类,也就是所谓的题库信息,比如语文、数学、英语 depts 该集合主要面向企业用户,维护企业部门信息词典 favor 该集合用于设置题目收藏记录信息 history 该集合主要

mon_star°的博客 4935

游卡测试校招笔试复盘:考点范围与答题策略全梳理

软件测试校招笔试的考查重点,往往不在于简历上写了多少项目,而在于基础是否扎实、逻辑能否闭环。对游戏测试岗位而言,这一点尤为明显。从功能测试到接口验证,从用例设计到异常场景分析,笔试内容始终围绕“如何拆解业务规则并转化为有效验证点”展开。数据库SQL的多表联查与聚合统计、Linux日志分析与进程排查、HTTP状态码语义与抓包原理,都是高频基础考点;而游戏场景分析题则更考验对实时交互、数值规则和边界条件的理解。本文以游卡测试岗校招笔试为样本,梳理题型分布、答题优先级与抢分策略,帮助准备软件测试方向校招的读者理解

weixin_34151004的博客 367

大模型结构化输出实战:提示词、解析器与工具链工程指南

结构化输出是大语言模型落地企业级数据处理的核心能力,其本质是将非结构化文本可靠地转化为JSON、XML等机器可读格式。原理上需突破模型概率采样的固有局限,通过提示词约束语义边界、解析器兜底修复格式错误、工具链强校验类型与业务规则,形成三层防御体系。该技术显著提升RAG、自动化报表、客服工单提取等场景的数据可用性与系统集成稳定性。本文聚焦工程实践,详解如何用structured output、prompts、parsers和tools构建高准确率、可监控、可运维的生产级结构化流水线。

cuixie2370的博客 309

教育行业答题卡识别:cv_resnet18_ocr-detection实战应用案例

本文介绍了如何在星图GPU平台上自动化部署cv_resnet18_ocr-detection OCR文字检测模型 构建by科哥镜像,实现教育场景中答题卡的高效识别。通过该平台,用户可快速启动WebUI服务,对扫描的答题卡图像进行文字区域检测,自动提取学生作答信息,显著提升阅卷效率。

weixin_32311823的博客 363

LangChain工程化落地:数据工程师的LLM生产实践指南

大语言模型(LLM)作为非确定性黑箱系统,其原始API调用难以满足数据工程对稳定性、可维护性与可观测性的严苛要求。LangChain通过抽象化LLM调用契约、结构化输出控制、Prompt模板化、上下文记忆管理及数据管道集成能力,将LLM转化为可嵌入ETL流程、可监控、可测试的标准化组件。它本质是面向生产环境的LLM工程框架,而非通用AI开发库。在NL2SQL、API编排、文档问答与数据质量分析等典型数据场景中,LangChain显著降低幻觉率、提升响应一致性,并支持多模型平滑切换与安全合规治理。本文聚焦数据

weixin_30896511的博客 424

零代码构建错题专练网页:从数据库应用到可视化开发实践

数据库应用是现代软件开发的基石,其核心CRUD(增删改查)操作支撑着各类业务系统。通过数据建模定义实体与关系,结合前端界面实现用户交互,是构建功能型应用的标准路径。零代码/低代码平台将这一过程可视化,使开发者无需深入编程即可实现业务逻辑。这类平台通过拖拽组件、配置数据源和逻辑流,大幅降低了应用开发门槛,尤其适用于教育工具、内部管理系统等场景。本文以“错题专练网页”为例,详解如何利用扣子编程等平台,从需求分析、数据表设计到页面逻辑绑定的完整流程,实现一个具备管理后台与练习前端的实用工具,并融入资源库、套壳网页

weixin_30527423的博客 350

MBTI十六型人格测试源码实测:部署、计分与运营配置全解析

测试类工具是内容站获取流量与转化用户的高效形式,MBTI十六型人格测试更是自带社交传播属性。对运营者而言,能否自主部署一套源码,决定了数据归属与二次运营的灵活性。基于典型的PHP+MySQL环境,通过宝塔面板完成LNMP架构搭建,可实现从测试答题到报告生成的完整闭环。部署过程涉及伪静态规则、数据库导入、PHP版本兼容等细节,计分引擎则需验证维度权重与反向题逻辑,确保结果可信。这类源码还常附带管理后台,支持题库编辑、报告配置、用户数据统计等运营级功能,便于团队围绕用户画像做精细化运营。适用于站长、独立开发者及

weixin_31881651的博客 260

答题卡数据集(纯主观题和带有选择填涂题).rar

答题卡数据集(纯主观题和带有选择填涂题),共2类数十张图片

一小时部署SpringBoot+Vue在线考试系统:前后端分离实战指南

在Web开发领域,前后端分离架构已成为提升开发效率和系统可维护性的主流范式。其核心原理在于将前端界面与后端业务逻辑解耦,通过RESTful API进行通信,实现职责清晰与并行开发。这种架构的技术价值在于允许前后端技术栈独立演进,前端可选用Vue.js等现代化框架构建交互丰富的单页应用,后端则可基于SpringBoot快速构建稳健的API服务。在应用场景上,它尤其适合需要快速迭代、团队协作的中小型项目,例如在线教育平台、管理系统等。本文聚焦于在线考试系统这一具体场景,详细拆解如何将SpringBoot与Vue

weixin_30416871的博客 326

学生考试数据集.rar

背景描述 本数据集为模拟数据,数据包含了公立学校学生的三门考试分数以及可能对他们产生交互影响的各种个人和社会经济因素。 数据说明 字段 说明 分组 学生的种族 每周自学时间 小于5小时;5至10小时;大于10小时 问题描述 什么因素(特征)对考试成绩影响最大? 学生成绩预测模型

Prompt Engineering实战:人机协作接口设计方法论

大语言模型本质是统计模式匹配器,不具备人类意义上的理解能力;Prompt Engineering并非文字技巧,而是面向LLM认知特性的接口设计实践。其核心在于构建稳定可复现的‘角色-任务-约束’结构化指令,通过系统级提示抢占注意力、具象化原子操作、负向清单封堵幻觉路径,并结合Few-shot示例与思维链(CoT)提供推理脚手架。该技术已广泛应用于智能客服、工业诊断、金融风控等需高精度输出的工程场景,是实现AI落地从‘能用’到‘可靠可用’的关键枢纽。

weixin_34306593的博客 342

关于Kswapd的理解(一)

关于Kswapd的理解(一) 之前跟踪了MemAvailable的计算方式,其中watermark的计算花了很多精力,在学习的过程中看到一些资料中说watermark是给swapd使用的,于是乎,研究一下看看咯 本部分主要记录两个方面: 对于kswapd这个东西,从初学者(我)的角度出发会考虑哪些内容? 跟踪kswapd 初始化结构部分; 1. KSwapd机制 上图是还没有跟踪kswapd code的时候,对自己提出的一些疑问和自身的理解,主要是如下内容: kswapd 机制用来做什么:内存不足时

And乔的博客 2712

[ADS]单端电感和差分电感的感值和Q值计算公式

单端电感和差分电感的感值和Q值计算公式

乾巽的博客 1万+

Youtu-Parsing应用场景解析:如何快速处理扫描文档、试卷、数据图表?

本文介绍了如何在星图GPU平台上自动化部署Youtu-Parsing多模态文档智能解析模型,实现高效文档处理。该平台简化了部署流程,用户可快速搭建服务,将扫描的合同、试卷等复杂文档自动解析为结构化文本、表格和公式,显著提升金融、教育等行业的文档数字化效率。

weixin_33173126的博客 87

基于深度学习的电力系统暂态稳定评估与预防控制复现

本文复现了基于深度学习的电力系统暂态稳定评估与预防控制方法。主要内容包括:(1)数据预处理环节,对IEEE 39节点系统的电压幅值、相角等特征数据进行归一化处理;(2)ACNGAT模型实现,该模型结合时间卷积网络(TCN)和图注意力网络(GAT)提取时空特征;(3)采用改进的帝企鹅优化算法进行预防控制。关键技术点包括:融合时空信息的特征提取、改进的邻接矩阵构建方法(λ_ij = E_i * E_j * B_ij)以及时空注意力机制。代码实现采用Python和PyTorch框架。

huanghm88的专栏 334

chandra教育产品案例:在线题库自动生成系统效果

本文介绍了基于星图GPU平台自动化部署Chandra OCR镜像,构建在线题库自动生成系统的应用。该系统利用Chandra模型的布局感知能力,可将包含复杂公式、表格的试卷图片或PDF,一键转换为结构化的Markdown或JSON格式,极大提升了教育资料数字化的效率。

weixin_36047538的博客 643

面经-2023-联发科MTK-数字芯片设计

面经-2023-联发科MTK-数字芯片设计

w0shishabi的博客 2943

vue2 - elementUI表格table树形结构复选框勾选父子联动示例,el-table树状表格tree复选框checkbox多选框全选/反选取消children(当子级全选中,父级自动勾选)

vue2,elementui,el-table树状表格多选,树形结构结合多选框使用,实现单选父子联动全选反选,勾选联动父级勾选,表格多选check父子联动,table表格children如何嵌入复选框,el-table使用多选框与树形数据写一个有半选全选功能的表格,el-table树形表格实现复选框多选效果,表格树状结构多选,每一个row都可以选中并且联动全选按钮,table选父带子选子带父,树形数据与懒加载,Table表格树形结构多选框选中父级时会选中子级,elementUI表格里树形结构嵌套复选框全选全

✅ 精选推荐文章 1万+

PDF-Extract-Kit部署案例:教育行业试卷自动批改系统

本文详细介绍了如何基于构建一套面向教育行业的试卷自动批改系统。通过整合布局检测、公式识别、OCR与表格解析四大核心能力,系统实现了从纸质试卷到结构化数据的自动化转换,在保障识别精度的同时大幅提升了批改效率。该方案的优势在于:低成本私有化部署:避免依赖商业API,保护学生隐私数据高度可扩展:模块化设计便于后续接入AI评分、学情分析等功能操作简便:WebUI界面友好,教师无需技术背景即可使用。

weixin_33205138的博客 762

激光除草技术原理与应用全解析

激光除草技术通过光热、光化学等效应精准破坏杂草组织,核心参数包括功率(20-6000W)、波长(400nm-10.6μm)和脉冲宽度。主要应用于大田作物(如玉米、棉花)、经济作物(烟草、果树)及城市绿化,具有环保(无化学污染)、高效(识别率≥95%)和非接触等优势,但存在设备成本高(20-50万元)、技术门槛高等局限。当前技术融合AI识别、多光谱协同等创新,国产设备如华工智耘已实现95.3%识别精度。虽短期投入较高,但长期可降低30%除草成本,并带来环境效益(每亩减排1.2吨CO₂)

start_up_go的博客 556

PaddlePaddle平台在在线教育答题板迹识别中的准确率提升

在在线教育场景中,PaddlePaddle通过PaddleOCR实现高精度中文手写笔迹识别,结合文本检测、方向校正与序列识别技术,并支持模型微调与工业级部署,显著提升答题板识别准确率至95%以上,推动智能批改与个性化教学落地。

weixin_35755823的博客 983

【GlobalMapper精品教程】084:tif(tfw)、jpg(jgw)、png(pgw)的区别与联系

摘要:本文介绍了TFW、JGW、PGW等地理参考文件的基本原理和应用。这些文件通过简单的文本格式存储栅格图像的地理坐标信息,适用于平面坐标系下的GIS数据处理。文章详细说明了文件各行的含义,并提供了在ArcGIS和Globalmapper中生成这些文件的具体操作步骤,包括导出TIFF、JPG、PNG格式时勾选生成对应坐标文件的选项。这些文件虽然简单易用,但仅适用于平面坐标系,且功能相对有限。配套视频教程提供了更详细的操作演示。

智慧空间实验室 2399

YOLOv9改进,YOLOv9添加CBAM注意力机制

CBAM是一个简单而有效的注意力模块,用于前馈卷积神经网络。给定一个中间特征图,我们的模块按顺序推断两个独立维度(通道和空间)的注意力图,然后将注意力图乘以输入特征图以进行自适应特征细化。由于 CBAM 是一个轻量级的通用模块,因此它可以无缝集成到任何 CNN 架构中,开销可以忽略不计,并且可以与基础 CNN 一起进行端到端训练。论文链接:(CBAM论文)

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 856
上一篇: Feign接口方法返回值设置
下一篇: java mysql插入信息发生唯一索引重复异常解决方法
CoderYin
博客等级 码龄9年 36粉丝 65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