activiti 5.19整合modeler在线编辑器

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.2w累计阅读 1.2w+平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄15年

关注

VIP免费原创最新推荐文章于 2026-05-11 12:19:52 发布 1.2w 阅读 AI 写同款· GEO 优化 ›

简单的Activiti Modoler 流程在线编辑器阅读详情

心得：想要做一件事，首先得清楚这件事的本质。

最开始学习activiti，我与大家都一样，徘徊在如何与业务系统对接，如何整合modeler实现在线编辑。当我花了1周时间高强度学习后，我发现，一开始想得太多了。

最初阶段，我应该先让activiti跑起来，然后与业务系统对接，弄清楚activiti的各种实现原理后，最后来整合modeler才是最好的方式。因为这个时候你已经明白了modeler与工作流引擎之间的关系，你知道应该怎么做，你的方向在哪里。

这可能就是为什么网上的教程，每一个都是直接从测试类开始，只告诉大家如何进行流程流程，而不是一上来就告诉大家怎么整合与使用modeler的因为吧。

下面，就开始整合modeler，如果过程中有不对的或者有疑问的地方，欢迎指导与探讨。

所以，我的教程也是基于你已经有一个能够运行activiti的项目基础上。

1、什么是modeler

modeler是activiti的一个在线编辑流程插件，通俗的说，它就是一个页面，不过这个页面包含了很多的控制以实现我们的目的。

2、在线编辑原理

最低0.47元/天解锁文章

收录于

当前文章被以下社区和专栏收录：

标签

#activit #modeler #在线编辑器

Activiti Modeler学习资料新版Activiti Modeler发布以及教程 1.新版Activiti Modeler简介在Activiti 5.6版本之前把Activiti Modeler作为压缩包的一部分，但是后来不再这么做而是需要开发人员自己根据Signavio打包Activiti Modeler，我之前层写过一篇博文讲解如何打包：《如何使用Signavio打包Activiti Modeler》。但是阅读详情

相关推荐

在struts2项目中集成Activiti-Modeler5.19

Amayadream的博客 4068

springboot整合activiti的modeler流程设计器

前段时间一直在弄工作流的事情，也是我第一次搞工作流,本来很早就想写的,一直拖到现在，变懒了。。。。想了又想还是必须记录下,不然以后就忘了先说下版本 springboot ：2.1.6.RELEASE activiti:5.22.0 首先是整个activiti官方的编辑器到项目中来 1.下载activiti5.22的源码包链接：https://pan.baidu.com/s...

穷水叮咚的博客 3211

activiti5.16 项目实战笔记并整合activiti modeler到项目实现业务人员自定义工作流程

Activiti 项目实战笔记项目中用到的所有jar 包和插件我都整理出来放在 (一) eclipse 配置activiti 开发环境首先在eclipse中装activiti插件方便开发过程中进行流程设计我这里主要写离线安装方法，网络方便的话可以选择在线安装。。百度一大堆，更简单。 1，拿到工具包中的 activiti插件安装.zip 解压...

ancient_city_history的博客 5166

spring整合activiti-modeler在线编辑流程遇到的一些问题

1. spring版本问题首先需要activiti-diagram-rest和activiti-modeler包中的Controller处理请求，但是5.21.0版本注解使用@RestController（spring4.x支持，项目使用的spring3），所以需要手动复制这几个文件到项目中改成@Controller+@ResponseBody 2. 修改editor-app/ap...

wabyking的博客 6162

Activiti-5.22.0——web页面整合activiti-modeler可视化设计器

LSY_优快云_的博客 8660

springboot整合Activiti Modeler页面流程编辑器

1.首先下载这两个文件，网上直接搜。 2.在eclipse搭建springboot框架，没搭过的小伙伴需要下载tst插件，eclipse在线安装。 3.目录结构 4.运行application启动服务，通过访问http://localhost:8080/create创建一个空白的model并跳转到编辑页面 5.访问http://localhost:8080/deploy?m...

vandet100的博客 8534

SpringBoot项目集成Activiti Modoler 5.22.0在线编辑器完整指南（含跨域解决方案）

本文提供了在SpringBoot项目中集成Activiti Modeler 5.22.0在线编辑器的完整企业级实战指南。详细讲解了从环境准备、依赖整合、核心控制器开发，到解决企业部署中关键的跨域问题、安全配置及静态资源映射等核心步骤。特别针对iframe嵌套场景，给出了深度CORS解决方案，并涵盖前端定制化汉化与行为修改，帮助团队高效构建内嵌式流程设计中心。

motor的博客 997

Spring boot 整合activiti以及大量实例

1，Spring boot 整合activiti modeler：感谢其他作者，参考：http://blog.csdn.net/chenhai201/article/details/72668275 一、首先从官方下载activiti5.22.0版本的全代码包，并在本地解压待用 (https://github.com/Activiti/Activiti/tree/5.22.0-rele

lgllionky的博客 9648

activiti在线编辑器

Activiti-Modeler 5.18用了新的WEB框架，其是基于Spring-Mvc 4.0以上的框架，同时用了VAADIN的RIA的UI，特别是后者，这框架带有太多的jar包，虽然它也是结合了spring来使用，要整合这玩意，几乎就得把这东西加入我们的项目中，同时还需要整合它的用户管理，这是要命的。我们的出发点，仅是用它的前端画图处理功能，后端的流程逻辑处理即由我们来实现。

easyui实现Activiti web 工作流在线编辑器

easyui实现的Activiti工作流引擎web版流程设计器跨浏览器流程设计器 1.根据Activit设计器实现了除User Task外的其余节点。 2.重构的JS脚本，更利于扩展。

Inside NAND Flash Memories.中文版. Chatper 2 [2.1-2.2.1]

2.1 Introduction 半导体存储器分类： RAM：Random Access Memories--掉电丢失 ROM：Read Only Memories--只读，出厂时写好；掉电不丢失；不可更改。 NVM：Non-Volatile Memories--电可擦除/写入，并且掉电不丢失。第一类产品为EPROM memory (Erasable Programmable Read...

xuqikang的专栏 3606

vue3+ts项目里如何使用状态管理pinia以及数据持久化

vue3 pinia 数据持久化

ICUiseeyou的博客 8793

NSGA-Ⅱ算法：从原理到实战，解锁多目标优化难题

本文深入解析NSGA-Ⅱ算法在多目标优化中的应用，从原理到实战全面覆盖。通过快速非支配排序、精英策略和拥挤度比较三大创新，NSGA-Ⅱ有效解决了传统算法的效率与多样性问题。结合工业案例展示其在注塑工艺优化中的显著效果，为工程师提供实用解决方案。

weixin_29207149的博客 365

questasim的傻瓜式安装与仿真教程

一、安装 1、下载软件链接：https://pan.baidu.com/s/1S05AnO_w-wy6RsAj_kdUXg 提取码：p2nt 2、根据电脑类型是32位还是64位，解压不同安装包。解压得： 2、运行.exe文件，出现：问题及解决办法：这是杀毒软件造成的，因此在安装过程中关闭杀毒软件即可。关闭之后，再次运行.exe文件。 3、点击下一步，进入选择安装位置界面，如下：选择好安装位置后点击下一步。 4、点击同意 5、接下来等待安装结束即可，在安装过程中，会跳出来弹框，询问是否要添

树下等苹果的博客 3万+

REST-meta-MDD Data总结

sMRI数据使用：nwc1、nwc2、nwc3（同样数据集相关论坛中有相关信息指向需要使用wc1、wc2、wc3）多方咨询与讨论后决定使用nwc数据，这里说明wc数据相对wc数据要大的多如wc1的大小为1.33GB，而nwc1的数据却有6.90GB。VBM文件：/REST-meta-MDD/Sharing/REST-meta-MDD-VBM- phase1 -Sharing.tar.gz。1、Excel中的表型信息：1-男，2-女；-9999或空白表示缺少数据。

2404_88295660的博客 1532

告别Qt Creator？手把手教你用VSCode+MinGW调试QT项目（附完整launch.json配置）

本文详细介绍了如何在VSCode中配置完整的QT开发环境，特别是针对使用MinGW编译器的用户。从环境搭建到调试配置，包括生成.pro文件、Makefile，以及配置task.json和launch.json文件，帮助开发者高效调试QT项目。

weixin_27180827的博客 185

RK3568平台开发系列讲解（中断及异常篇）中断下半部：中断线程化

以前用 work 来线程化地处理中断，一个 worker 线程只能由一个 CPU 执行，多个中断的 work 都由同一个 worker 线程来处理，在单 CPU 系统中也只能忍着了。少数中断不能线程化，典型的例子是时钟中断，有些流氓进程不主动让出处理器，内核只能依靠周期性的时钟中断夺回处理器的控制权，时钟中断是调度器的脉搏。中断处理线程是优先级为50、调度策略是SCHED_FIFO的实时内核线程，名称是“irq/”后面跟着Linux中断号，线程处理函数是。，说明是线程化的中断，那么唤醒中断处理线程。

内核笔记 435

人工智能之数学基础：弄懂数学本质，让我们不再害怕数学

数学的用途远远超过了人们的想象，甚至无处不在，任何领域都需要用到数学知识，人工智能也不例外。我将尽可能地将数学知识和机器学习算法相结合，让大家知道这些数学知识咋人工智能领域中的应用，使得数学的学习不会过于枯燥，同时也帮助大家扫清在学习算法过程中的数学障碍。除此之外，我还希望帮助大家建立一种不一样的数学思维，不再将数学看成是符号的演算、公式的推导，而是将数学看成是一种描述这个世界的工具，这样你就会发现这个世界处处有数学。当我们面对问题的时候，你是否会对问题进行抽象，然后通过数学来解决问题？

huanfeng_AI的博客 629

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")