Mybatis逆向工程

本文介绍如何利用MyBatis Generator工具实现数据库表到Java实体类及Mapper映射文件的自动化生成,提高开发效率。文章详细展示了配置过程及注意事项。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

mybatis逆向工程

在我们程序开发的时候,有时候会涉及到n多个库表和实体类,一个个手动去写那就太麻烦了,效率也会非常的低,这时候我们可以使用官网的mapper自动生成工具mybatis-generator-core来生成po类和mapper映射文件。

这个工具类使用起来也非常的简单方便,先在官网上找到工具类

/***
 * mybatis逆向工程工具测试类
 * @author Cynthia
 *
 */
public class MBGTest {

    public static void main(String[] args) throws Exception {
           List<String> warnings = new ArrayList<String>();
           boolean overwrite = true;
           File configFile = new File("mbg.xml");
           ConfigurationParser cp = new ConfigurationParser(warnings);
           Configuration config = cp.parseConfiguration(configFile);
           DefaultShellCallback callback = new DefaultShellCallback(overwrite);
           MyBatisGenerator myBatisGenerator = new MyBatisGenerator(config, callback, warnings);
           myBatisGenerator.generate(null);
    }
}

而后只需要在文件中进行配置然后运行Java问价就可以得到你想要的东西了

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE generatorConfiguration
  PUBLIC "-//mybatis.org//DTD MyBatis Generator Configuration 1.0//EN"
  "http://mybatis.org/dtd/mybatis-generator-config_1_0.dtd">

<!-- mybatis 逆向工程的配置文件 -->

<generatorConfiguration>

<context id="DB2Tables" targetRuntime="MyBatis3">

    <!-- 设置生成的代码里没有注释 -->
    <commentGenerator>
        <property name="suppressAllComments" value="true" />
    </commentGenerator>


    <!-- 配置数据库连接 -->
    <jdbcConnection 
        driverClass="com.mysql.jdbc.Driver"
        connectionURL="jdbc:mysql://localhost:3306/empsmanage"
        userId="root"
        password="root">
    </jdbcConnection>

    <javaTypeResolver >
      <property name="forceBigDecimals" value="false" />
    </javaTypeResolver>


   <!-- 指定javabean生成的位置 -->
    <javaModelGenerator 
        targetPackage= "com.mybag.bean"  
        targetProject=".\src\main\java">
      <property name="enableSubPackages" value="true" />
      <property name="trimStrings" value="true" />
    </javaModelGenerator>


    <!-- 指定sql映射文件的生成位置  -->
    <!-- 指定mapper文件生成到 mapper文件夹中 -->
    <sqlMapGenerator 
        targetPackage="mapper"   
        targetProject=".\src\main\resources">
      <property name="enableSubPackages" value="true" />
    </sqlMapGenerator>


  <!-- 指定dao接口生成的位置,mapper接口 -->
    <javaClientGenerator 
        type="XMLMAPPER" 
        targetPackage="com.mybag.dao"  
        targetProject=".\src\main\java" >
      <property name="enableSubPackages" value="true" />
    </javaClientGenerator>


    <!-- 指定每个表的生成策略  -->
    <table tableName="tbl_emp" domainObjectName="Employee">
    </table>
        <table tableName="tbl_dept" domainObjectName="Department">
    </table>


 </context>

</generatorConfiguration>

配置的时候仔细路径位置就好,其它的问题都不大
不过值得注意的是,逆向工程虽然好用,但也不可以太过于依赖,否则会逐渐削弱你编写sql的能力,且用且珍惜呀

资源下载链接为: https://pan.quark.cn/s/22ca96b7bd39 在现代军事领域,导弹的精确打击能力至关重要,而导弹的飞行轨迹直接影响其命中精度。为了深入研究导弹的飞行特性,本文通过 MATLAB 软件中的 Simulink 工具,对导弹的六自由度三维轨迹进行仿真分析。目标在惯性坐标系下进行匀速或变速机动,导弹采用比例导引法进行追踪。通过建立运动学与动力学模型,模拟导弹的飞行过程,旨在获取导弹的运动轨迹以及与目标的距离变化规律,为导弹的制导与控制研究提供理论支持与数据参考。 目标在惯性坐标系中按照设定的匀速或变速规律进行机动。其运动状态由位置、速度和加速度等参数描述,通过数学公式精确表达其在三维空间内的运动轨迹。匀速运动时,目标的速度保持恒定,位置随时间线性变化;变速运动时,引入加速度参数,使目标的运动更具复杂性和实战性。 导弹采用比例导引法进行制导。根据比例导引法的基本原理,导弹的加速度与目标与导弹之间的相对位置和相对速度成正比。结合导弹的运动学和动力学规律,建立导弹的六自由度运动模型。该模型考虑了导弹在三维空间内的平动和转动自由度,包括导弹的俯仰、偏航和滚转运动,以及相应的速度和加速度变化。通过运动学方程描述导弹的位置和姿态变化,动力学方程则考虑了导弹的推力、气动力和重力等因素对导弹运动的影响,从而全面刻画导弹的飞行特性。 在 MATLAB 的 Simulink 环境下,搭建仿真模型。将目标运动模型和导弹运动模型以模块化的方式进行组合,通过信号连接实现目标与导弹之间的信息交互。设置不同的初始条件,如目标和导弹的初始位置、速度、加速度等,以及比例导引法中的比例系数等参数。启动仿真后,Simulink 根据模型中的方程和参数,实时计算导弹和目标的运动状态,并以图形化的方式展示导弹的三维飞行轨迹以及导弹与目标之间的距离变化曲线。通过多次仿真,调整参数,
资源下载链接为: https://pan.quark.cn/s/f989b9092fc5 图像超分辨率是一种计算机视觉技术,目的是将低分辨率图像提升为高分辨率图像,恢复其细节。近年来,深度学习的快速发展为该领域带来了显著突破。本文将探讨如何利用Python和深度学习实现图像超分辨率,并以srez-master项目为例进行实战解析。 深度学习是机器学习的一个分支,依靠多层神经网络模拟人脑学习过程。在图像超分辨率任务中,卷积神经网络(CNN)是常用架构,能够学习图像特征并生成高分辨率图像。 Python是数据科学和机器学习领域的主流语言,拥有丰富的深度学习库。对于图像超分辨率,常用库包括: TensorFlow 或 PyTorch:提供构建和训练神经网络的工具。 Keras 或 PyTorch Lightning:简化模型构建和训练。 OpenCV:用于图像处理和预处理。 Numpy:用于数值计算和矩阵操作。 PIL 或 imageio:用于处理和显示图像。 srez-master是一个开源的图像超分辨率项目,基于SRGAN(Super-Resolution Generative Adversarial Network)模型,包含生成器和判别器: 生成器:将低分辨率图像转换为高分辨率图像。 判别器:区分真实高分辨率图像与生成器生成的图像,提升生成器的细节还原能力。 数据准备:收集低分辨率和高分辨率图像对,进行缩放和归一化等预处理。 模型构建:根据srez-master代码搭建SRGAN模型,包括生成器和判别器。 训练过程:使用优化器(如Adam)和损失函数(如MSE或GAN损失)进行训练,并定期保存模型权重。 测试与评估:将模型应用于新的低分辨率图像,生成高分辨率结果,并通过PSNR和SSIM等指标评估效果。 结果展示:对比原始低分辨率图像和超分辨率图像,直观展示效果。 ESR
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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