asp成长之源��寻求增值业务切入点

搭建 IIS + asp +access 网站 asp:即 Active Server Pages,是 Microsoft 公司开发的服务器端脚本环境asp:是开发 web 应用程序的一种框架asp:可以用来创建动态的交互式的网页课外扩充:在 Internet 风行的早期,浏览器中显示的网页仅是静态的图文组合而已,浏览者可以在网页上阅读信息,但无法进一步地发表意见、查询信息或进行在线购物等商务活动。为此,人们提出了动态网页或交互网页的概念和解决方案。 阅读详情

    随着全球信息业的兴起,asp已经成为一种逐渐升温的it经营模式。asp(application service provider)即应用服务提供商;真正的意义是利用集中管理的设施为客户提供应用部署、租赁、托管和外包等各种服务。具体来说,是将各种应用软件安装在数据中心(idc)或服务器群上,通过网络将应用软件的功能或基于这些功能的服务,以有偿的方式提供给使用者,并由asp负责管理、维护和更新这些功能和服务,并通过软件、硬件、网络和专业技术的合理搭配提供给使用者优质完善的服务。 
 
    asp将技术开发和市场开拓分离,使双方各自倾注于自己优势所在。在很大程度上使技术和市场各得其所,既促进了技术研发的效率,也提高了整体市场能力水平,对于最终用户来说也获得了成本和维护的双重便利。因此asp的模式拥有巨大的市场潜力。

    asp几乎可以向用户提供任何种类的服务,从基本的电子邮件服务和信息服务到复杂的、全面的管理应用系统、管理咨询服务;asp还可以利用idc的优势,提供套装应用服务、高效高质的基础设施(主机、网络带宽、数据中心)、无安装过程的应用和不断提高、完善的应用支持服务,以及一定程度的客户化。细分为:

    性能服务:在基础服务之上,对指出、安全、应用软件性能及数据恢复等方面的承诺,如专业技术支持、每日数据备份等;

    综观国内asp企业,无论是idc还是外包服务商,在基础服务和性能服务上都有较成熟的解决方案;部分厂商也在尝试开展一定的增值业务。这种增值业务更加关注客户具体的业务需求,侧重于为客户解决更深层次的市场、客户服务、销售等问题。

    而以asp模式建立呼叫中心“托管”业务,企业可以自己提供客服人员。企业对运营商的依赖仅限于机房、设备和维护。这就为asp模式的呼叫中心提供了很大的利润空间。与此同时,有相当一部分asp企业,具有一定的基础设施能够建立呼叫中心,且具有了丰富的运行和管理经验。在这种情况下,为asp企业建立租赁性质的呼叫中心,既能将厂商的成熟产品推向应用,又能满足最终用户的市场需求。其中的利润点不言自明。对于呼叫中心来说,需要具备怎样的特点呢?现在我们以北极星软件公司的ip呼叫中心finesupport为例,来说明asp型呼叫中心的特征。

    如果一个企业决定建设呼叫中心,功能的丰富性未必是首选。但丰富的功能是asp商们需要考虑的重要条件。企业不同,自然对呼叫中心的需求不尽相同,asp商必须提供足够的选择供企业自取所需。finesupport ip 呼叫中心包含了acd(智能呼叫分配)系统、ivr(自动语音应答)系统、客户信息数据库系统、faq自助查询系统、智能中文查询系统、高端人声识别系统等,还可以为采用asp服务的各个企业提供不同的商家报表(包括ivr访问统计、faq访问统计、acd访问统计、客服人员访问统计、留言统计等),和翔实的系统报表(商家统计、系统统计、访问统计、留言统计、计费报表等)。这些都可根据企业的具体要求分别定制。

    为便于不同商家对自己的客服人员、用户数据进行管理,asp型呼叫中心必须具备科学的商家管理功能。在finesupport中,商家向asp商申请开户,便拥有属于本企业的帐号。商家人员帐号被划分为客服人员、客服班长、商家管理员不同的权限等级,他们分别具有不同的操作职能,非常便于商家呼叫中心管理。

    对客服人员的管理:增加、删除、修改客服人员的帐号、设置分组、设置权限、设置技能、设置服务容量等。

    faq维护:增加、删除、修改faq条目;刷新关键字索引等。

    电话、网络电话、web/chat支持:客服班长可以监听、强插、强制接管、录音;

    asp服务的一个重要特征,就是座席人员的独特性质,他并不属于asp企业,而可能属于企业自己。座席人员实际是企业展示对外形象的窗口。使座席人员真正具备客户服务的能力,能高质高量胜任客服工作,需要一个功能强大的呼叫中心进行支持。finesupport对客服人员的功能进行了周到的设计。

    在业务实现上,系统考虑到了客服人员工作的各个方面:查看在线客服人员、多个请求交谈控制、转移呼叫、邀请加入、查看顾客访问web状况、查询顾客历史、处理文字留言、处理语音留言、使用faq、修改帐号、在线状态设置、录音、pushurl(网页推送)、email回复、备注等。

动态网页开发:ASP源码实践指南 本文还有配套的精品资源,点击获取 简介:ASP(Active Server Pages)是微软的服务器端脚本环境,用于开发交互式网页。本文档详细介绍了ASP源码的构成及其功能,包括脚本语言、服务器控件、数据库连接、请求和响应对象、状态管理以及错误处理。通过分析包含VBScript或JScript代码的ASP文件,ACCESS数据库,HTML模板,CSS和JavaScript... 阅读详情

相关推荐

掌握ASP网页加密与解密技术

目前,ASP网页加密技术主要有服务器端加密和客户端加密两种。服务器端加密又细分为代码混淆、加密算法实现等方法。客户端加密主要依赖于JavaScript、CSS等技术对页面进行动态加密,以此达到保护网页数据的目的。

weixin_35916518的博客 1126

动态网站建设 ——利用ASP来制作动态网站

目录 1用ASP构建动态网页 1.1动态网站的优点 1.2 ASP概述 1.3 ASP工作环境 1.4 ASP工作原理 1.5 ASP技术特点 1.6 ASP内置函数 1.7 ASP中Application和Session对象 二、用ASP进行动态网页设计 2.1利用ASP进行动态数据查询. 2.2 ASP访问数据库概述及工作原理. 2.2.1ASP访问数据库概述 2.2.2ASP访问数据库的工作原理 2.3 ASP连接数据库的方法. 2.4 A

qq_61141142的博客 6590

ASP网页制作

这是一个登陆界面,是一个很好的 网页登陆界面

二、什么是asp网站

ASP 即Active Server Pages(活跃服务器页),它是微软开发的一种类似超文本标识语言(HTML)、脚本(Script)与CGI(公用网关接口)的结合体,它没有提供自己专门的编程语言,而是允许用户使用许多已有的脚本语言编写ASP的应用程序。ASP的程序编制比HTML更方便且更有灵活性。它是在Web服务器端运行,运行后再将运行结果以HTML格式传送至客户端的浏览器。因此ASP与一般的

糖果π 3560

ASP.NET动态网页设计大作业

ASP.NET动态网页设计大作业

ArcGIS实战:用栅格数据为偏远山区规划一条最省钱的公路(附完整数据与操作步骤)

本文详细介绍了如何利用ArcGIS进行栅格数据分析,为偏远山区规划一条最省钱的公路。通过DEM高程数据处理、成本权重设定和最佳路径计算,结合真实案例展示了从数据准备到工程方案转化的完整流程,帮助工程师在复杂地形中做出经济高效的路线决策。

weixin_32136203的博客 357

asp/aspx/htm和html的区别

<br />每一个网页或者说是web页都有其固定的后缀名,不同的后缀名对应着不同的文件格式和不同的规则、协议、用法,最常见的web页的后缀名是.html和.htm,但这只是web页最基本的两种文件格式,今天我们来介绍一下web页的其它一些文件格式。 <br />首先介绍一下html与htm <br />  关于HTML,HTML(HyperTextMark-upLanguage)即超文本标记语言,是WWW的描述语言。设计HTML语言的目的是为了能把存放在一台电脑中的文本或图形与另一台电脑中的文本或图形方便地

lennyf的专栏 1万+

c语言压力变送器程序设计,基于单片机的压力变送器设计

基于单片机的压力变送器设计(任务书,开题报告,外文翻译,论文15000字,代码)摘要随着工业化水平的不断提高,新型智能仪表在工业生产过程中运用也越来越广泛,同时对输出数据的准确检测和处理也变得至关重要。生产过程的运行和设备安全是极其重要的,那么如何实现对其精确的检测呢?众所周知,在工业生产过程中有一个很重要参数——压力,显然这个参数是一个必不可少的条件。故而,研究智能压力变松器系统对工业生产有着不...

weixin_33681561的博客 1965

用ASP构建动态网页介绍

简单地讲,ASP就是为客户提供服务的服务商,它和会计事物所、婚姻介绍所没有什么本质方面的区别.不同的是ASP主要是通过INTERNET(国际互联网络)作为主要工作和业务工具,采用一对多的方式,向企业、公司提供标准化的应用软件以及相关的技术咨询、管理租赁的服务,ASP的概念最早是1998年由美国人提出来的.目前被全球各大IT厂商看好并被认为是可以推动网络经济发展的,有稳固基础的第三种网络商业模式.

qq_61141142的博客 1307

「API取数」FDL获取金蝶云星空的单据数据

本文介绍了如何使用FDL实现金蝶云API取数以及如何有效应对复杂的API数据处理场景。

oOBubbleX的博客 2032

Deepfake检测模型-PyDeepFakeDet项目复现实验报告-深度学习

该实验是对于https://github.com/wangjk666/PyDeepFakeDet模型的复现。PyDeepFakeDet 是一款集成的、可扩展的 Deepfake 检测工具。目标是提供最先进的 Deepfake 检测模型以及用于在常用 Deepfake 数据集上训练和评估新模型的接口。

一位不是很硕的鉴伪方向硕士 5495

常用的4种动态网页技术—CGI、ASP、JSP、PHP

1.CGI      CGI(Common Gateway Interface,公用网关接口)是较早用来建立动态网页的技术。当客户端向Web服务器上指定的CGI程序发出请求时,Web服务器会启动一个新的进程执行某些CGI程序,程序执行后将结果以网页的形式再发送回客户端。      CGI的优点是它可以用很多语言编写,如 C 、C++ 、VB和Perl语言。在语言的选择上有很大的灵活性。

邓俊宥 1万+

解决pd.read_json报错ValueError: Trailing data问题

首先,我们使用open函数打开JSON文件,然后使用json.load函数将JSON文件数据解码为Python对象。在使用Python进行数据处理中,我们经常需要将JSON格式的数据读入到DataFrame中进行处理。而使用pandas库的read_json函数,就可以方便地将JSON数据读入到DataFrame中。但是有时候在读取JSON数据时,会遇到一个非常常见的错误:ValueError: Trailing data。这个错误的解决方案并不难,只需要在read_json中添加一个参数即可。

学习使你进步。 2234

.aspx(或.asp)文件与.html(.htm)文件的区别与联系

由于都是用于描述网页文档的文件,自学asp.net起就对两者之间的关系很好奇 主要的区别在于,当用户请求页面时,它们在服务器的端的处理不同 下图解释客户端请求页面时,服务器端的处理流程:   .html文件 Ø .html文件是基于HTML的静态网页,它的内容是固定不变的。其页面内容使用的仅仅是标准的HTML代码,最多再加上流行的gif、flash等格式的动态图片,还有产生动态的...

webdev 1327

【即插即用模块】Transformer篇 | TCSVT 2025 | DAFM:双注意力聚合+反向跨模态筛选,特征精准捕捉并融合!

本文提出了一种双模态注意力融合模块(DAFM),用于增强多模态图像融合任务中的特征交互。该模块通过双注意力聚合机制,结合自注意力与跨模态注意力,有效提升特征融合效果。DAFM采用可学习平衡因子动态调整注意力权重,并运用深度卷积降低计算复杂度。实验结果表明,该模块能显著提升多模态图像融合质量,适用于RGB-红外等双模态视觉任务。模块代码实现简洁,可直接集成到现有网络中作为特征融合层使用。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 177

OD图 arcgis曲线制作插件 od图曲线 路径图曲线制作插件 航线图曲线制作插件

在ArcGIS 10.2 中导入节点数据,打开插件,选择输入起始节点和目标节点的节点文件Point,以Name字段(地名)为连接线的起始字段和目标字段,(Input Table File)选择连接关系表格SDLine.csv,(Origin Column 和 Destination Column)为起始节点和目标节点,(Output Path)为输出路径,应选择.gdb数据库路径,否则容易报错,(Chord Coefficient)为连线的曲率,数值越大,曲率越高。运行环境:ArcGIS10.2。...

JData_Engineer的博客 2670

ASP.NET Web开发技术——超级详细教你如何制作一个简单网站的登录页面

1:下载安装Visul studio软件后打开,如果打开是下面界面,直接点击继续无需代码2.进去之后会显示如下界面,点击左上角的“文件”→“新建”→“项目”3.进入如下界面后,搜索ASP.NET空网站, 找到后双击打开;4.进入后,自己命名“项目名称”及“解决方案名称”,存放位置自行选择;设置好后点击创建;5. 创建完成后,在显示的该界面里右击自己所创建的网站名称(我的是“WebSite2”),选择“添加”→“添加新项”;

m0_68403626的博客 4718

vue接入海康4G版摄像头通过萤石云平台推送视频流教程

vue-video-player接入海康视频,videojs-contrib-hls,vue播放视频

renkai721的专栏 7284

ASP、JSP、PHP 三种技术比较

目前,最常用的三种动态网页语言有ASP(Active Server Pages),JSP(JavaServer Pages),PHP (Hypertext Preprocessor)。   简 介 :     ASP全名Active Server Pages,是一个WEB服务器端的开发环境,利用它可以产生和执行动态的、互动的、高性能的WEB服务应用程序 (1)ASP采用脚本语言VBScript(Java script)作为自己的开发语言。 (2)PHP是一种跨平台的服务器端的...

ITSM/ITIL/网络安全/IT运维 5545

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")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

菜鸟也学DW做ASP

第一章 安装配置服务器篇 既然是用DreamWeaver MX来做ASP页面,那DreamWeaver MX软件肯定是少不了,当然以后会要连接到数据库,所以一些数据库管理软件(DBMS)比如微软的Access或者SQL Server等,也是必须的。这些都是做用ASP的元素材料了。但一般情况下,做成的ASP页面是需要调试的。介于ASP脚本语言是在服务器端IIS或PWS中解释和运行,并可动态生成普通...

weixin_34138139的博客 438

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

在服务器上发布 asp以及html网站 配置过程

(1)首先在本地机器上调试好asp以及html代码,以及连接数据库功能等。 (2)将自己做好的网站例如MyWeb放到服务器上面,例如放到一般的网站位置C:\inetpub\wwwroot\下。 (3)配置服务器打开IIS功能。具体可以参见w3school上面的过程:http://www.w3school.com.cn/asp/asp_install.asp (4)打开asp配置。如图:

u200814342A的博客 9542

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

ASP.NET页面执行顺序

1.对象初始化(OnInit方法)    页面中的控件(包括页面本身)都是在它们最初的FORM中被首次初始化的。通过在ASPX页面的后台代码文件的构造器中声明你的对象,页面将知道对象的类型,并知道需要创建多少个这样的对象。一旦你在构造器中声明了你的控件,你就可以在它的任何子类,方法,事件或者属性中访问到它们。但是,如果你的任何对象是在ASPX文件中指定的控件,这样的控件是没有属性的。而且这样做

清山博客 7331

第一个ASP.net网页(1)

由于实习公司要求,本人从Java转行到C#开发,在此记录下自己的“猿生”历程。 首先,我们要搞清楚C#和.net的关系,C#s 一门像Java一样的很纯粹的OOP编程语言,可以说C#是有Java发展而来的(具体的故事请自己百度)。所以掌握Java语法的朋友转C#开发不是很难,在语法上的区别很小,我在以后会专门整理一下区别,然后发表博客,和大家一同讨论学习。话不多说,我们进入.net开发。

明天的你会感谢今天的自己 3307

第二个ASP.net网页(一)

写在前面的话:今天距离我写“第一个ASP.net网页”已经过去4个多月了,现在已经正式接受实习公司的项目了,不是做新产品的开发,只是老产品的维护、更新而已。由于项目很老,没有用MVC来做,用的是微软自家的aspx和ascx,我在这里介绍一下这种方式开发网页吧,也算是把这个专栏继续下去。首先来说一下aspx和ascx是什么东西,相信很多同学都看到过.asp或者aspx结尾的网页,比如京东的https...

明天的你会感谢今天的自己 1188

五十三.网络(3)--区块同步getblocks消息

在节点互发了version消息后,就会发送getblocks消息,请求对方的区块以进行同步。

d3582077的专栏 198
上一篇: mysql数据库中的重要数据应当如何保护
下一篇: asp企业:顺势而为,打造信息化
Labber
博客等级 码龄19年 26粉丝 1976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