Linux桌面发行版与Andoid GUI系统组件对比

什么是Linux发行版 以及各发行版的区别 Linux 发行版是由:Linux内核、GNU 工具、附加软件和软件包管理器组成的一整套完整操作系统,其也可能包括了显示服务器和 Linux 桌面环境,通常被运作于服务器或桌面操作系统来使用。 阅读详情
Linux桌面发行版与Andoid GUI系统组件对比

GUI的广泛应用是当今计算机发展的重大成就之一,它极大地方便了非专业用户的使用。人们从此不再需要死记硬背大量的命令,取而代之的是可以通过窗口、菜单、按键等方式来方便地进行操作。而嵌入式GUI具有下面几个方面的基本要求:轻型、占用资源少、高性能、高可靠性、便于移植、可配置等特点。

在移动互联网萌芽时期,国内外各大手机与软件厂商都纷纷开始智能手机操作系统的研发( 那些年,逝去的移动平台),其中使用最多的方案是基于Linux。然而真正成功的只有Android系统,Android成功的关键就在于其独特的、针对嵌入式设备进行深入优化的GUI系统,而那些失败的操作系统GUI很多都是沿用Linux桌面发行版的方案。

组件
桌面发行版
Android 
桌面环境
GNOME、KDE、Unity..
SystemUI.apk Laucher.apk  ?
图形工具包                  
GTK+、QT、SDL...
android.view、android.widget             
3D图形库
OpenGL
OpenGL ES
2D图形库
Cairo
Skia
窗口管理器
Compiz...                         
WindowManagerService                         
显示服务器Client Lib 
libX11
libgui
显示服务器
X Server
SurfaceFlinger
高级进程间通信机制
D-Bus

Binder
显示设备驱动
framebuffer
framebuffer


GUI系统结构





什么是 Linux 发行版?为什么它被称为“发行版” 在这一章的 Linux 黑话解释中,我们来讨论一些基本的东西。 让我们来讨论一下什么是 Linux 发行版,为什么它被称为发行版distribution(或简称 distro),以及,它与 Linux 内核有什么不同。你还会了解到为什么有些人坚称 Linux 为 GNU/Linux。 什么是 Linux 发行版? ​ Linux 发行版是一个由 Linux 内核、GNU 工具、附加软件和软件包管理器组成的操作系统,它也可能包括显示服务器和桌面环境,以用作常规的桌面操作系统。 ​ 这个术语之所以是. 阅读详情

相关推荐

使用Pyqt在Linux下开发GUI桌面应用

要在Linux下开发具有图形界面的桌面应用程序,我们有许多选择。当然,除了语言方面的考虑外,我们更多的是考虑窗口部件工具箱(以前称为控件库或组件库)的选择,这将在很大程度上影响我们的开发效率。如果考虑到跨平台应用,选择Java的Swing可能非常合适。但是目前的swing尽管很强大也很灵活,我们始终还是会觉得有些不顺手:例如默认的界面不好看也不像本地程序,第三方皮肤又不好找;开发周期相对较长;执行

yhniejun的专栏 8424

全志 Tina Linux 图形系统 框架介绍 最全介绍 MiniGUI、QT5、EFL、GTK+(WebkitGtk、Midori)、DirectFB、Wayland

本文档将介绍 Allwinner Tina Linux 中已经移植好的窗口系统,以及怎么使用,包括MiniGUI、QT5、EFL、GTK+(WebkitGtk、Midori)、DirectFB、Wayland,整体结构如下:适用范围:Tina Linux v3.5及以上版本。

韦东山嵌入式专栏 8622

Linux 发行版 manjaro 安装指南

Linux 历史 1994 年 3 月,Linux1.0 版正式发布,Marc Ewing 成立 Red Hat 软件公司,成为最著名的 Linux 经销商之一。早期 Linux 的引导管理程序(boot loader)使用 LILO(Linux Loader),早期的 LILO存在着一些难以容忍的缺陷,例如无法识别 1024 柱面以后的硬盘空间,后来的 GRUB(GRand Unified B...

一二三四吾 3515

同样的内核,为何linux干净稳定,而android臃肿又乌烟瘴气

很多人在购买手机时都会偏向iOS,无论是性能上还是体验上iOS要优于Android。站在技术角度上说,Android是基于Linux内核开发的一套新系统,那为什么Linux内核及系统干净稳定,而Android系统给人的印象就是臃肿、运行速度慢、流氓应用多呢?Android系统是谷歌(Google)公司基于Linux内核开发的一套开源商业系统,主要面向手机终端设备的。从本质上讲,Android也是属于Linux系统,只不过和其它Linux类系统不同的是,Android系统里用到了虚拟机技术(Java虚拟机),

永远在学习Linux之路上 1404

最佳编程 Linux 发行版:排名前 6

Linux 发行版,是基于 Linux 内核的完整且打包的操作系统。但Linux内核是什么?好问题!这是操作系统的核心,因为它直接与计算机的硬件交互,并管理系统资源。然而,仅 Linux 内核对于大多数用户来说还不够,因为它缺乏日常计算任务所需的许多软件应用程序和工具。Linux 发行版包括 Linux 内核以及一系列库、软件包、系统实用程序和图形界面,使其成为功能强大且用户友好的操作系统。Linux 发行版由各种组织、社区或个人创建和维护,它们通常有自己独特的功能、包管理系统和软件存储库。

qq_41134427的博客 2738

8、深入了解GNOME桌面环境及相关Linux发行版

本文深入介绍了GNOME桌面环境及其相关的Linux发行版,探讨了GUI、CLI和TUI三种用户界面的特点与区别,并详细解析了GNOME作为主流桌面环境在不同Linux发行版中的应用。文章还为不同类型的用户提供了基于需求的Linux发行版选择建议,并通过mermaid流程图和表格形式帮助读者更好地理解。无论是初学者还是高级用户,都可以根据自身需求找到适合的操作系统。

echo99的专栏 150

【免费下载】 在Android上运行Linux:Termux安装Linux系统及其桌面环境详细教程

在Android上运行Linux:Termux安装Linux系统及其桌面环境详细教程 【下载地址】Termux安装Linux系统及其桌面安装详细教程 Termux安装Linux系统及其桌面安装详细教程(附更改默认语言)本资源文件提供了在Termux上安装Linux系统及其桌面环境的详细教程,并附带了更改默认语言的步骤 ...

gitblog_06506的博客 1178

Android设备管理器 - 使用图形用户界面(GUI)在Linux,Windows和MacOS上管理Android.zip

Android设备管理器 - 使用图形用户界面(GUI)在Linux,Windows和MacOS上管理Android。.zip,An Android Device Manager – Manage Android on Linux, Windows and MacOS with A Graphic User Interface (GUI).

android手机ui设计,各大安卓手机品牌里,系统UI设计对比,谁赢了?

国产品牌的安卓手机虽然都使用的是安卓系统,但随着各自品牌的发展优化,UI界面设计形成了各自品牌的鲜明特色。品牌之间页面的UI设计和风格很大不同,那到底谁家的UI设计界面完胜呢? 跟随教授一起来看看吧。MIUI 11代表品牌:小米、Red米MIUI 11采用了化繁为简的风格,系统图标变得更加圆润,图标边界更加细化,相比于以往的系统界面,看起来更加和谐,肉眼可见的小清新变化。MIUI 11的功能设计上...

weixin_32001433的博客 423

Aid Learning 实现在没有root的Android上运行带GUI的Linux系统-python

它将带GUI的Linux系统移植到手机上,开发者可以高效、方便地进行Python编程。除了一些Linux环境下可用的功能,Aidlearning还加入了GUI(用户图形界面)和深度学习框架,现阶段已经完美支持Caffe, Tensorflow, Mxnet, ncnn, Keras

2023-12-26~2025-07-04备份

一、海康视觉与汇川机器人 服务器-客户端通信设置IP在同一网段名称IP端口类型海康相机工控机7930服务器机器人3000客户端海康VM服务器设置1通信管理 增添TCP服务端,设置本机IP:192.168.0.20,端口号79302 协议解析 通信双方约定通信格式(设置收发数据格式,分隔符)机器人客户端设置(不同类型机器人设置有差别)1 通讯服务设置 设置连接服务器IP、服务端端口号、机器人端口号,确保连接正常2 协议解析 使用指令代码构建通讯解析。

青铜小码农 3132

如何在 Android 设备上运行 Linux

想在 Android 上运行 Linux?以下是无 root 设备和有 root 设备在手机上运行 Linux 桌面的方法。 如果您以前使用过 Linux,并且知道它几乎可以在任何硬件上运行。那么你的安卓手机可以运行 Linux 吗? 毫无疑问的可以。以下是您需要了解的有关在 Android 智能手机或平板电脑上运行 Linux 的方法。 Android 不是已经是 Linux 了吗? 嗯,它是,但也不是。 Android 建立在 Linux 内核之上,Linux 内核是一个与设备硬件接口的软件堆栈。它基本

技术宅,专注云原生、Go、Linux、Java等技术分享,原创文章、效率工具、实战解决方案!关注我,了解互联网动态,学 IT 不迷路 1万+

华为OD机试双机位C卷-统计差异值大于相似值二元组个数(C/C++/Py/Java/Js/Go)

华为OD机试(机考)双机位C卷 【统计差异值大于相似值二元组个数】,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试 - 统计差异值大于相似值二元组个数

qq_45776114的博客 784

archlinux什么桌面好_浅谈Linux桌面(发行版及桌面环境)

Part I: 前言笔者2018年接触Linux(当时还是学校机房的Ubuntu 14.04 LTS),至今已经有2个年头了。折腾了至少十几个Linux发行版,包括但不限于:ubuntu、Debian、Red Hat、CentOS、Fedora、Manjaro、deepin、Arch Linux、Gentoo(没装成功)、Linux Mint、MX Linux、Elemantary OS、KDE ...

weixin_35710941的博客 6929

IgH EtherCAT 从入门到精通:第 4 章 网络设备驱动选型与配置

摘要:本章详细介绍了EtherCAT主站网络设备驱动的选型与配置。IgH EtherCAT Master提供Generic通用驱动和Native原生驱动两种方案:Generic驱动通过Linux Socket接口实现,兼容性强但实时性较差;Native驱动通过修改网卡驱动绕过内核协议栈,具有更低延迟和更小抖动。文章具体分析了e1000/e1000e/igb/igc等Intel网卡驱动以及r8169/8139too等Realtek驱动的配置方法,并提供了驱动选型建议。对于实时性要求高的场景,推荐使用Nativ

从事嵌入式linux android驱动开发,拥有全栈能力 305

虚拟机(Linux)系统知识普及:什么是Linux发行版 以及各发行版的区别

虚拟机(Linux)系统知识普及:什么是Linux发行版 以及各发行版的区别

weixin_54626591的博客 1841

手把手教你学Simulink——基于传统电网建模与稳定性分析的场景实例:基于同步发电机的单机无穷大系统建模与稳定性分析

本文详细介绍了使用MATLAB/Simulink进行单机无穷大系统(SMIB)建模与稳定性分析的方法。教程从系统结构设计入手,包含同步发电机、输电线路、无穷大母线等核心模块的建模步骤和参数配置示例。重点讲解了七个关键步骤:项目创建、模块配置、控制系统集成、负载添加(可选)以及仿真运行与结果分析,并提供了具体的MATLAB代码示例。最后通过性能评估指标(功角差、电压跌落、频率偏差)分析系统稳定性,为电力系统动态特性研究提供了实用指导,强调准确参数设置对仿真结果的重要性。

MHD0815的博客 301

Linux各发行版的归纳与适用场景

操作上也是一般用户很难驾驭的,这是linux被称作程序员操作系统的原因,风云今天介绍一下它的版本特征和选择。Linux系统有众多发行版,它们基于Linux内核开发,并结合了不同的软件包管理器、桌面环境和目标用户群体。Linux遵循GNU通用公共许可证(GPL),用户可以自由下载、修改、分发Linux源代码。Linux支持多个用户同时登录并执行不同任务。基于Linux内核的发行版(如Ubuntu、Debian、CentOS等)满足不同用户群体的需求。适合桌面用户和服务器环境,提供广泛的软件支持和用户友好性。

网络风云的博客 6741

系统分析师论文范文(三)微服务

摘要(300字) 2024年4月,我作为系统分析师参与某省三甲医院云影像系统建设项目,负责系统分析与设计工作。该项目旨在响应国家"无胶片化"医疗政策,解决传统影像系统数据孤岛、调阅效率低等问题。系统基于DICOM 3.0和HL7国际标准,采用B/S架构与Spring Cloud Alibaba微服务技术栈,包含影像采集、智能分析、数据安全等核心模块,实现全院影像资源的云端统一管理与多端调阅。在架构设计上,通过微服务拆分、分布式事务控制及多层次安全防护机制,保障了系统的高可用性与数据一致性。系统于2024年1

echo的博客 223

OpenCV-Python实战(10)——详解 OpenCV 轮廓检测

在计算机视觉领域,轮廓通常指图像中对象边界的一系列点。因此,轮廓通常描述了对象边界的关键信息,包含了有关对象形状的主要信息,该信息可用于形状分析与对象检测和识别。在本文中,将首次通过简单示例了解轮廓的基本概念,然后通过实际示例来了解如何检测和压缩轮廓,最后利用介绍如何利用图像矩描述检测到的轮廓属性。

盼小辉丶的博客 3万+

Linux发行版之间有什么区别?

简单介绍Linux发行版之间的区别

一名热爱技术的工程师的博客。分享技术干货,记录美好生活。永远相信美好的事情即将发生。 1万+

Unreal Engine Profiler:动画系统性能分析教程_2024-07-23_03-05-38.Tex

Unreal Engine Profiler 是一个内置的性能分析工具,它可以帮助开发者识别和解决游戏中的性能瓶颈。Profiler 提供了详细的性能数据,包括 CPU 使用率、GPU 负载、内存使用情况等,特别针对动画系统,可以查看动画蓝图的执行时间、骨骼动画的计算成本、以及动画混合和重定向的效率。通过这些数据,开发者可以定位到具体的问题,比如哪些动画状态消耗了过多的 CPU 时间,或者哪些动画资源导致了内存泄漏。

827

给学习Linux的朋友推荐几款适合的Linux发行版系统

大家好,我是悟空,很多小伙伴最开始接触Linux时都会有这样的疑问:“我该选择哪款Linux发行版?”,这的确是个问题,因为Linux的发行版真的是非常非常多,之所以会这样可能最主要的因素是Linux的可定制性太强了(你也可以发行一款属于自己的Linux发行版,当然通常情况下这是没有必要的)。 为了帮助大家减少这样的疑惑,今天就给大家推荐几款Linux发行版系统,并给出推荐理由。 转载本文时请注明出处及本文链接地址 给学习Linux的朋友推荐几款适合的Linux发行版系统。 桌面环境选择困扰 KDE/X.

根叔的修炼笔记 4924

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")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

在WSL中使用Linux桌面环境的尝试与总结

最近忙里偷闲的博主,再次迷恋上折腾Linux。话说自从微软推出WSL以后,我就彻底地停止了Windows + Linux 的双系统组合。回想起从前使用过的各种Linux发行版,基本上每隔一段时间就会崩溃一次,所以,面对WSL这种近乎应用级别的方案,我个人是非常愿意去接受的。因为一不小心玩坏了的话,可以直接对应用程序进行重置,或者重新从应用商店下载,相比重装系统,我觉得这种方式要更友好一点。虽然说W...

素履独行 | 元培的个人博客 1万+

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

linux的桌面系统

linux的桌面系统

xie__jin__cheng的博客 1604

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: Unix网络编程第三版源码编译
下一篇: 在Windows Server 2008服务器上安装SQL Server 2008 R2
Rain松
博客等级 码龄15年 361粉丝 111原创
评论 1
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