Jeecms之查询实现

[CMS程序]JEECMS 2.4.2 系统程序.zip 前几年的JavaJsp应用源码Demo,主要面向的是学生毕业设计学习。 立即下载
    现有一需求如下:
    按时间段查询及留言状态(已回复,未回复,已审批)来查询留言。
    当时的想法是这样子的,首先要把查询的条件通过页面传递到后台。于是在后台管理中找看有没有类似的功能,费了半天劲还真给找了一个有条件查询的例子,那就是文章内容的查询。

<@p.text colspan="1" width="45" label="起始时间" name="queryStartDate" id="queryStartDate" readonly="readonly" size="24" onclick="WdatePicker({dateFmt:'yyyy-MM-dd'})" class="Wdate" /> 
<@p.text colspan="1" width="50" label="结束时间" name="queryEndDate" id="queryEndDate" readonly="readonly" size="24" onclick="WdatePicker({dateFmt:'yyyy-MM-dd'})" class="Wdate" /> 

   接手该项目时有留言状态代码,如下:

<a href="/web/admin/auxiliary/msg/Com_list.do?group_state=0_" >[未回复]</a> 
<a href="/web/admin/auxiliary/msg/Com_list.do?group_state=0_true" >[已回复]</a> 
 <a href="/web/admin/auxiliary/msg/Com_list.do?group_state=1_true" >[已审核]</a> 

   关于查询条件是怎么传递到后台,一开始是用request.getParameter();数据顺利的传递到后台。在action中将查询条件放入放入到获取数据的页面中也能够查出数据。为了美观考虑所以我建议将超链接改为了button,代码如下:

<td width="20px" align="left"><@p.button value="未回复" onclick="submit_date('0_');" /></td> 
<td width="20px" align="left"><@p.button value="已回复" onclick="submit_date('0_true');" />&nbsp;&nbsp;&nbsp;&nbsp; <@p.button value="已审核" onclick="submit_date('1_true');" /></td> 
function submit_date(group_state){ 
var form = document.getElementById("submitForm"); 
alert("form.aciton:"+form.action); 
form.action = form.action+"?group_state="+group_state; 
form.method = "post"; form.submit(); 
} 

    当时以为能够查出数据应该就没什么问题了。再就是当时别的需求比较急,于是将此放在了一旁。等别的任务完成后,准备将此功能修改好一起测试。刚一测就发现了问题:点击下一页时直接找不着页面。 于是赶紧在action中将查询条件参数打印到控制台。发现分页的时候页面参数根本没有传递到后台去。
    查看了前台的代码及@p.table源码后才发现查询条件是一个form,分页是另外封装好的一个form。那么点击分页的时候当然不能将查询的form中的参数一并传过去。记得当时还在网上搜怎么样一次将两个Form中的数据提交到后台,结果找了半天也没查到,结果郁闷了好半天。
自己不能搞定当然不能坐以待毙,还得请高人指点。
    先用httpwatch观察文章查询时的数据传递情况,结果发现条件查询的数据全部传递过去的。接着查看文章列表的源码发现了下面的情况:

<input type="hidden" name="id"/> 
<input type="hidden" name="pageNo" value="2"/> 
<input type="hidden" name="chnlId" value="76"/> 
<input type="hidden" name="queryInputAdminId" value=""/> 
<input type="hidden" name="queryTitle" value="公积金"/> 
<input type="hidden" name="queryTopLevel" value="0"/> 
<input type="hidden" name="queryOrder" value="0"/> 
<input type="hidden" name="queryContentCtgId" value="1"/> 
<input type="hidden" name="queryStatus" value="3"/> 

   说明数据是通过隐藏域的方式提交过来的,我进行过一些测试,发现查询条件不同时隐藏域的个数是不一样的,那么说明是通过动态的方式产生隐藏域的。 由于分页是有@p.table标签封装的,于是查看了半天的源码(table.ftl)文件。
    看了很长时间终于发现了下面的代码(如果freemarker不是很精通的话头会变大的)隐藏了细节。

<input type="hidden" name="${keyId}"/> 
<@p.hidden name="pageNo" /> 
<#list keepParams as keep> <@p.hidden name="${keep}" /> </#list> 
<#list Parameters?keys as pkey> 
<#if pkey!=keyId && pkey!=batchId && !keepParams?seq_contains(pkey) && pkey?starts_with('query')> <@p.hidden name="${pkey}" /> 
</#if> 
</#list> 

    究竟是哪一个起作用,到底该如何做。这个也是看了很久才看明白。其实动态将表单中的参数生成到分页form中的就是下面的语句:

<#list Parameters?keys as pkey> 
<#if pkey!=keyId && pkey!=batchId && !keepParams?seq_contains(pkey) && pkey?starts_with('query')> 
<@p.hidden name="${pkey}" /> 
</#if> 
</#list> 

     其中最关键的词语就是最后的条件starts_with('query'),于是赶紧查看文章列表的参数是不是query开头。 于是我也将我的留言的查询参数的name也全部改为了已小写query开头,并将三个按钮该为了一个select下拉框外加一个查询俺就。后台的参数通过setter(),getter()方法,果然数据就能通过分页传递到后台去了。暗自庆幸了一会发现问题又来了。分页是没有什么问题了,可进行不同状态留言的时候却发现后台立马报错。查看后台的打印参数才明白,原来从页面传递过来的参数分别传递了2次,也就是后台获得数据是两次查询的数据拼接的,自然就报错了。

搞了半天终于明白是@form标签中将已query开头的字段也封装成了隐藏域,代码如下:

<#if query=="true"> 
<@p.hidden name="pageNo" /><#rt/> 
<#list Parameters?keys as pkey> <#if pkey?starts_with('query')> <@p.hidden name="${pkey}" />
<#t/> </#if> 
</#list>
 </#if> 

  终于搞明白缘由,于是赶紧将条件查询的freemarker标签定义的@p.form改为普通的form,但是报了个更加离谱的错误freemarker错误。没得办法,只得将条件先删掉调试,发现删掉后显示正常。确定产生异常的原因因该是时间组件报的错,于是将@p.text时间标签改造为普通的时间标签,结果发现数据显示正常了。 参数的初始化。(注:${}一定要放在""里,要不然会产生不可预料的结果,教训啊,教训!)

 function init(){ 
var tempDate = new Date(); 
var currDate = ChangeDateToString(tempDate); 
var startDate = document.getElementById("queryStartDate"); 
var endDate =document.getElementById("queryEndDate"); 
<#if queryStartDate??> startDate.value = "${queryStartDate}"; endDate.value = "${queryEndDate}"; 
<#else> startDate.value =currDate; 
endDate.value = currDate; 
</#if> <#if queryResponseStatus??> 
document.getElementById("queryResponseStatus").value="${queryResponseStatus}"; 
<#else> document.getElementById("queryResponseStatus").option[0].selected = true; </#if> } 
function ChangeDateToString(DateIn){ 
var Year = 0; 
var Month = 0; 
var Day = 0; 
var CurrentDate = ""; //初始化时间 
Year = DateIn.getYear(); 
Month = DateIn.getMonth()+1; 
Day = DateIn.getDate(); 
CurrentDate = Year + "-"; 
if (Month >= 10 ){ 
CurrentDate = CurrentDate + Month + "-"; 
} 
else{ CurrentDate = CurrentDate + "0" + Month + "-"; 
} 
if (Day >= 10 ){ 
CurrentDate = CurrentDate + Day ; 
} else{ 
CurrentDate = CurrentDate + "0" + Day ; 
} 
return CurrentDate; } 
</script> 

避坑指南:从聚宽迁移到QMT必须知道的5个细节(含Redis连接异常处理) 本文详细解析了从聚宽迁移到QMT平台时需注意的5个关键细节,特别是Redis连接池优化和xtquant重连机制。通过实战代码示例,帮助量化团队解决信号传递稳定性、时间同步、滑点控制等核心问题,确保交易策略平稳过渡。 阅读详情

相关推荐

k8s学习笔记(3)--- kubernetes核心技术概念

kubernetes核心技术概念 1.API对象         API对象是K8s集群中的管理操作单元。K8s集群系统每支持一项新功能,引入一项新技术,一定会新引入对应的API对象,支持对该功能的管理操作。例如副本集Replica Set对应的API对象是RS。 2.集群(Cluster)         集群是指由...

梦谜的博客 1292

JEECMS 使用学习

1. ORDERBY 排序 case 1: // ID升序 case 2: // 发布时间降序 case 3: // 发布时间升序 case 4: // 固顶级别降序、发布时间降序 case 5: // 固顶级别降序、发布时间升序 case 6: // 日访问降序 case 7: // 周访问降序 case 8: // 月访问降序 case 9: // 总访问降

yangsen251024的专栏 1129

告别Quartus II的漫长等待:用VSCode+iverilog+GTKWave搭建你的轻量级Verilog仿真环境(2024保姆级教程)

本文详细介绍了如何利用VSCode、iverilog和GTKWave构建高效的Verilog/SystemVerilog开发环境,替代传统的Quartus II和ModelSim工具。通过2024年最新的保姆级教程,帮助开发者实现秒级启动、低资源消耗的轻量级仿真环境,显著提升数字电路设计的开发效率和调试体验。

weixin_33690963的博客 561

Gemini 3.6 Flash 如何优化神经网络架构设计与可视化流程

神经网络架构设计是深度学习领域的核心环节,涉及模型结构规划、层间连接与参数配置等关键技术。其原理在于通过模块化组件(如卷积层、注意力机制)的组合,构建具备特定功能的计算图。在工程实践中,高效的可视化工具能显著降低设计迭代成本,提升科研与开发效率。Gemini 3.6 Flash 作为生成式 AI 工具,通过增强自然语言理解与长上下文稳定性,实现了从模糊设计意图到结构化架构图的快速转换。该技术特别适用于快速原型验证、多方案对比实验等场景,并能通过组件化描述词典与参数模板提升复用性。本文以生成神经网络架构图为例

weixin_30235225的博客 541

国内主流AI编程工具使用实例及总结

AI编程辅助工具是利用人工智能技术来帮助程序员进行软件开发的工具。它们可以在代码编写、代码审查、错误检测、代码优化等多个编程环节发挥作用,提高编程效率和代码质量。通义灵码,基于通义大模型的AI研发辅助工具,提供代码智能生成、研发智能问答、任务自主执行等能力,为开发者带来智能化研发体验,引领AI原生研发新范式。包含智能编码助手和AI程序员。

技术博客 1万+

Qt6安装保姆级教程:从国内镜像下载到配置避坑指南(附清华/中科大源)

本文提供详细的Qt6安装与配置指南,重点介绍如何利用清华大学、中国科学技术大学等国内镜像源解决下载速度慢的问题。内容涵盖在线安装器获取、组件选择策略、环境变量配置以及常见编译与部署问题的排查方法,旨在帮助国内开发者高效、顺畅地完成Qt6开发环境搭建。

weixin_29281915的博客 633

JEECMS开发文档

Jeecms安装过程          JDK5+TOMCAT5.5+MYSQL5 及以上,具体安装过程请参考官方网站的图文说明 (《JDK+TOMCAT+MYSQL 图文安装指南》,网址是http://www.jeecms.com/hjdj/760.htm ) 将解压后得到的jeecms-3.0.2-final文件夹下的root文件夹更名为jeecms拷贝到tomcat 安装目录下的

sutku的专栏 1639

斯坦福大学CS224d基础1:线性代数知识

本文为斯坦福CS229的内容,也是CS224d课程的背景数学知识。概括了在机器学习和深度学习中用到的大部分线性代数知识。为了便于大家查漏补缺,这里根据英文版本整理了一个中文版本。

龙心尘 2万+

Jeecms8.1招聘栏目下不能单个条件搜索的问题

Jeecms8.1招聘栏目下不能单个条件搜索的问题本人在开源版的测试中发现,招聘栏目下的职位,工作地点无法单独查询 。经过查找,原因是:代码里没有判断职位与工作地点是否为空而执行操作。具体在模板的special –>search_job.html<!DOCTYPE HTML> <html> <meta name="viewport" content="width=device-width, ini

beyond海阔天空 790

ENVI入门系列教程---一、数据预处理---1.1基本操作--5.x以后的界面(新界面)

every blog every motto: You never know how strong you really are until being strong is the only choice you have。 0. 前言 本系列教程旨在系统学习并梳理ENVI。说来惭愧,作为一名GISer,对ENVI这类软件还不能熟练掌握,这也是本系列教程的初衷。种一棵树最好的时间是十年以前,其次是...

胡侃有料的博客 1万+

FM20S用户手册--Linux系统启动卡制作及系统固化

评估板出厂时,默认提供一张配套的Micro SD卡,此卡为可正常使用的Linux系统 启动卡。评估板断电,将Linux系统启动卡插入评估板Micro SD卡槽,根据评估底板丝印将 启动方式选择拨码开关拨为1010(1-4).此档位为Micro SD启动模式。使用Linux 系统启动卡启动系统时,将使用此目录的BOOTbn文件启动FSBL和U-Boot。Linux系统启动卡制作时,已将固化系统的脚本文件mkemmcboot.sh拷贝至Linux系 统启动卡文件系统的"/opt/tools/"目录下。

创龙,嵌入式一体化解决方案商 302

jeecms oracle v5_如何在linux中搭建JEECMS系统

在进行jeecms二次开发,但因win7系统中的Tomcat无法使用,就想起在linux下安装,但去jeecms的官方网站,没有给出在linux下安装的方法,确实苦恼,经过一天的研究,终于大功告成,现把安装的过程告诉大家,还望大家给出建议。安装前首先要下载JDK、TOMCAT6.0、JEECMS_2012JDK1.6下载地址:http://www.oracle.com/technetwork/ja...

weixin_34329350的博客 254

银行业数据科学家的 6 条经验教训

原本希望在计算机科学、统计学和机器学习领域工作。运用新方法获得独特见解,实现一切自动化。简而言之,最终成了这个职业炒作的牺牲品。我想和你们分享一下。希望我们能够摆脱炒作,提高你对数据科学家工作的理解。

茶桁专栏 246

JEECMS如何控制显示JEECMS里面列表数目

JEECMS在获取数据返回list之后循环显示,下面我们就来看看如何控制显示的数目。 以友情链接为例,源代码如下: 1 ...

chidanhai1504的博客 471

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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")

自己动手编写JEECMS自定义栏目统计标签

今天想在给Java客二级版面加入栏目文章统计效果,如下图, 查看JEECMS的源代码发现开发者版本还没有类似现成的统计标签,一种解决的办法是使用现有的JEECMS标签,像这样Struts( [@cms_content_list channel=id]${tag_list?size}[/@cms_content_list]) ,但是这样的做法非常地低效,原因是[@cms_content_li

Java客学习室 4069

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

JEECMS自定义标签

查看JEECMS的源代码发现开发者版本还没有类似现成的统计标签,一种解决的办法是使用现有的JEECMS标签,像这样Struts( [@cms_content_list channel=id]${tag_list?size}[/@cms_content_list] ) ,但是这样的做法非常地低效,原因是[@cms_content_list]标签会把所有当前栏目的文章内容对象查询出来,做全表查询!没办...

weixin_30432007的博客 128

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

编JEECMS自定义栏目统计标签

查看JEECMS的源代码发现开发者版本还没有类似现成的统计标签,一种解决的办法是使用现有的JEECMS标签,像这样Struts( [@cms_content_list channel=id]${tag_list?size}[/@cms_content_list]) ,但是这样的做法非常地低效,原因是[@cms_content_list]标签会把所有当前栏目的文章内容对象查询出来,做全表查询!

Kei's Blog 903

jeecms使用小结

前言: 使用jeecmsV9已经有一段时间,现在PC端的二次开发基本进入尾声,手机端的开发即将开始 ,由于项目时间比较紧,开发时不是每个人都会使用它自带的标签,所以在PC端开发的时候浪费了大量时间,为了在手机端开发时不出现这种情况,我将我这段时间使用jeecmsV9的一些经验做一下小结。(本文将着重讲一下自定义标签的使用) jeecmsV9介绍: jeecmsV9主要分为前台网站和后...

weixin_30437337的博客 200
上一篇: IE8按f12无反应
下一篇: javascript初始化时间
Ctrain
博客等级 码龄19年 22粉丝 271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