SliverLight读取SharePoint的图片库作为数据源

本文介绍如何通过创建 clientaccesspolicy.xml 文件并利用 C# 代码从 SharePoint 网站抓取 XML 数据,同时展示了如何解析这些数据并将其转换为客户端列表。

首先建立1个XML叫 clientaccesspolicy.xml

内容:

<?xml version="1.0" encoding="utf-8" ?>
<access-policy>
  <cross-domain-access>
    <policy>
      <allow-from http-request-headers="*">
        <domain uri="*"/>
      </allow-from>
      <grant-to>
        <resource path="/" include-subpaths="true"/>
      </grant-to>
    </policy>
  </cross-domain-access>
</access-policy>

 

然后丢入你的sharepoint网站下

 

 

代码部分:

public MainPage()
        {
            InitializeComponent();
            this.Loaded += new RoutedEventHandler(Page_Loaded);

        }

 

 public void Page_Loaded(object sender, RoutedEventArgs e)
        {
            //这个sUrl是服务器版本的
            string sUrl = "http://localhost:29089/_vti_bin/owssvr.dll?Cmd=Display&List={4579C6FD-16BE-4026-83EF-1969BE2CB1AF}&XMLDATA=TRUE";
            WebClient sp = new WebClient();
            sp.OpenReadCompleted += new OpenReadCompletedEventHandler(LoadData);
            sp.OpenReadAsync(new Uri(sUrl,UriKind.RelativeOrAbsolute));
        }

 

sUrl的格式是 http://【站名】/_vti_bin/owssvr.dll?Cmd=Display&List={List的Grid}&XMLDATA=TRUE

List的Grid可以在Sharepoint Designer中得到

 

void LoadData(object sender, OpenReadCompletedEventArgs e)
        {
            if (e.Error == null)
            {
                Stream stream = e.Result;

                StreamReader streamReader = new StreamReader(stream);
                string xmlStr = string.Empty;
                while (streamReader.Peek() > -1)
                {
                    xmlStr+= streamReader.ReadLine();
                }
                clientListImages = new List<ClientList>();
                StringReader sr = new StringReader(xmlStr);
                XDocument xdoc = XDocument.Parse(xmlStr);

                //解析带命名空间的xml

                XNamespace rs = "urn:schemas-microsoft-com:rowset";
                XNamespace z = "#RowsetSchema";

                IEnumerable<XElement> comments = xdoc.Descendants(z + "row");

                foreach (XElement comment in comments)
                {

                    XElement xelement = comment;
                   string imageIdStr=  xelement.Attribute("ows_ImageId").Value;
                   int imageId = 0;
                   if (imageIdStr.Contains('.'))
                   {
                       string[] source = imageIdStr.Split('.');

                       imageId = Convert.ToInt32(source[0]);
                   }
                   else
                   {
                       imageId = Convert.ToInt32(imageIdStr);
                   }
                   ClientList clientListImage = new ClientList();
                   clientListImage.ImageId = imageId;
                   clientListImage.ImageName = xelement.Attribute("ows_ImageName").Value;

                   //if (xelement.Attribute("ows_RequiredField").Value.Contains("http"))
                   //    clientListImage.ImageUri = new Uri(xelement.Attribute("ows_RequiredField").Value, UriKind.Absolute);
                   //else
                   //    clientListImage.ImageUri = new Uri(xelement.Attribute("ows_RequiredField").Value, UriKind.Relative);
                    //这里也是服务器地址
                   clientListImage.ImageUri = new Uri("http://localhost:29089/" + xelement.Attribute("ows_RequiredField").Value, UriKind.Absolute);
                   clientListImage.ImageRedirectUrl = xelement.Attribute("ows_ImageRedirectUrl").Value;
                  
                   clientListImages.Add(clientListImage);

                }

                ImagesListBox.ItemsSource = clientListImages.Skip((PageNumber) * PageIndex).Take(3);


}

 

就可以了

【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文提出了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学公开的轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号分解精度,抑制模态混叠;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的动态特征,最终实现高精度的轴承故障分类。整个诊断流程充分结合了信号预处理、智能优化与深度学习的优势,显著提升了复杂工况下轴承故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①应用于旋转机械设备的智能运维与故障预警系统;②为轴承等关键部件的早期故障识别提供高精度诊断方案;③推动智能优化算法与深度学习在工业信号处理领域的融合研究。; 阅读建议:建议读者结合MATLAB代码实现,深入理解OCSSA优化机制、VMD参数选择策略以及CNN-BiLSTM网络结构的设计逻辑,通过复现实验掌握完整诊断流程,并可进一步尝试迁移至其他设备的故障诊断任务中进行验证与优化。
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