FastReport打印固定行

FastReport报表固定行不足补空行且每页小计最后一页合计 1、报表设计器内添加一个页首PageHeader,用于添加报表的表头; 2、在页首区域添加几个带边框的Memo,把每个Memo靠在一起形成报表表头; 3、添加一个栏首; 4、添加一个主数据MasterData(我的是MasterData3),并绑定好数据集; 5、复制页首区域的Memo报表表头对齐粘贴到主数据MasterData,并绑定好对应字段; 6、添加一个子Child,用于补空行。复制页首区域的Memo报表表头对齐粘贴到该子区域,并清空所有Memo的text数据,形成一个空白行; 7、添加 阅读详情

在FastReport 4.X版本通过。
1.添加两个Band 一个是主数据和CHild(与主数据一样的空白带格子)。
2.生成Page事件(OnManualBuild)。
3.代码如下(红色为输入的代码)。

var
  i:Integer; 
  maxRow:Integer; 

procedure Page1OnManualBuild(Sender: TfrxComponent);
var 
   DataSet: TfrxDataSet; 

begin
  i:=1; 
  DataSet := MasterData1.DataSet; 
  DataSet.First; 
  while (not DataSet.Eof) or ((aa-1) mod MaxRow<>0) do 
  begin 
      if DataSet.Eof then Engine.ShowBand(Child1) 
      else Engine.ShowBand(MasterData1); 
      DataSet.Next; 
      i:=i+1; 
      if (((i-1) mod (MaxRow)=0) and (not DataSet.Eof)) then EngIne.Newpage; 
  end; 

end;

begin
    maxRow:=15; //每页最大行数 
end.

FastReport VCL Extended Demos实战:从安装配置到报表落地 在桌面应用开发中,报表模块的复杂程度常被低估。一个成熟的报表控件不仅需要设计器、数据绑定、打印预览等基础能力,更要在多格式导出、动态排版、脚本计算等场景下保持稳定。FastReport作为Delphi生态中的老牌VCL报表控件,其2025-1-1版本在Delphi 12.3下提供的Extended Demos,从组件用法延伸到完整业务落地,覆盖了数据区自动拉伸、PDF中文导出、运行时设计器集成等高频需求。针对开发者常见的控件版本混乱导致的IDE组件丢失问题,文章从BPL包和库路径冲突的角度给出了完整排查链路 阅读详情

相关推荐

TMS VCL UI Pack源码版全解析:从安装到定制实战

软件界面开发中,组件库的选择直接影响开发周期与用户体验。VCL(Visual Component Library)作为Delphi/C++Builder的传统框架,其组件生态历经多年沉淀,其中TMS VCL UI Pack覆盖了表格、皮肤、日程、仪表盘等数百个高频场景,成为桌面应用开发者的常用选择。本文从组件选型逻辑出发,介绍其兼容Delphi 7至RAD Studio 13的跨度特性,并结合实际项目讲解源码版在IDE中的完整安装流程、调试技巧及定制方法。通过掌握源码,开发者不仅能定位控件内部问题,还能按需

weixin_31083901的博客 294

FastReport.Net使用:[7]打印空白行

方法一:使用子报表的最少数据行属性 1.以前面的【简单报表一】为例,右键“数据区”在右键菜单中选择“Add Child Band”菜单添加子报表。 2.为原报表添加一列【序号】,使用系统变量中的行号(Row#)。并将子报表中的其余列使用空数据填充(空的Label控件)。 3.设置子报表的最小数据行属性。 右键子报表栏,设置“最小数据行”菜单中值,假如该值小于页面可打印数据...

weixin_30532759的博客 623

fastreport打印固定行数报表实例

用fastreport打印固定行数报表实例,在DELPHI7,fastreport3.0中运行成功,没用到其它第三方控件。内有EXE,下载只可运行查看效果。

FASTREPORT之实现打印固定行数,不足补打空白行的办法

在设置单据的打印模板的时候,我们有时候会遇到这样的情况:单据的内容很少,打印出来的效果不理想的情况,例如 1、单据体与单尾之间有大量的空白; 2、单据体跟单尾连在一起,单尾后面的空白篇幅太大; 以上这两种打印效果并不理想,我们期待的是,系统能自动填充空白行至满页。 实现步骤: 放置一个Footer, 1、在打印模板上添加“子”对象child,并把单体的内容复制到该部分,并清空各个对象的值,出现一...

qq_18932003的博客 3645

fastreport固定行数分页不足补空白行

fastreport固定行数分页不足补空白行,完整的demo,下载就可以用

SAP PP模块 MRP配置实战:5步完成工厂级物料需求计划激活

本文详细介绍了SAP PP模块中物料需求计划(MRP)的工厂级配置实战,通过5个关键步骤从基础环境准备到最终激活。内容涵盖SPRO后台配置、MRP控制者定义、主数据设置及核心参数调整,帮助顾问快速掌握MRP配置清单的完整流程,确保物料需求计划的高效运行。

weixin_30431445的博客 346

FastReport.Net使用:[7]打印空白行和固定行

FastReport.Net使用:[7]打印空白行方法一:使用子报表的最少数据行属性1.以前面的【简单报表一】为例,右键“数据区”在右键菜单中选择“Add Child Band”菜单添加子报表。2.为原报表添加一列【序号】,使用系统变量中的行号(Row#)。并将子报表中的其余列使用空数据填充(空的Label控件)。3.设置子报表的最小数据行属性。右键子报表栏,设置“最小数据行”菜单中值,假如该值小...

ERP开发 4122

在Jetson Orin (Arm64)上从Ubuntu22.04回退至20.04的完整指南及ROS-noetic适配方案

本文提供了在Jetson Orin (Arm64)设备上将Ubuntu 22.04系统回退至20.04 LTS版本的完整操作指南。针对机器人开发中ROS-noetic对Ubuntu20.04的官方最佳支持,详细阐述了从关键备份、软件源与APT优先级配置、系统降级执行到后续问题排查的全过程,并附带了在Arm64架构上成功安装和验证ROS-noetic的适配方案,旨在为开发者构建稳定可靠的机器人开发环境。

flower的专栏 580

FastReport主细表,从表打印固定行,如何让第二页把Master也打上?

FastReport主细表,从表打印固定行,如何让第二页把Master也打上? VCL组件开发及应用http://www.delphi2007.net/DelphiVCL/html/delphi_20061224163730148.html 应该是如下格式:     第一页:     ==================     部门1     ---------     张三   ...

weixin_33845881的博客 359

全网最全 | Linux(Ubuntn)系统安装 | 硬盘挂载 | 用户创建 | 生信分析配置

昨天(2024年7月23日)我们分享了学生及科研人员电脑配置推荐 | 笔记本+外置显卡配置,性能足够支持完成你博士论文文本内容,那么今天我们就分享一文解决 | Linux(Ubuntn)系统安装 | 硬盘挂载 | 用户创建 | 生信分析配置的教程,我们使用一文来解决大家在做生信时遇到安装系统、配置环境的问题。在此文中,我们尽快可能给出一套全网最全的教程。目标是解决新手小白同学查资源的困惑和难题。但是,每个童鞋遇到的问题不一样,此教程也不可能把你遇到的每个问题都归纳在其中。我们也希望,

BioinfoDu 2261

医学图像分割评价指标详解:从Dice到MSD的实战解析

本文深入解析医学图像分割的核心评价指标,从最常用的Dice相似系数到衡量边界精度的MSD(最大对称表面距离),通过实战案例与代码演示,系统阐述各指标的计算原理、应用场景及临床意义,帮助读者全面评估模型性能。

weixin_29070721的博客 595

在报表中打印固定行(不足时补充空行)----使用fastreport 4.6 和 Delphi 7

var  lineNo:   integer;                                                                          procedure MasterData1OnBeforePrint(Sender: TfrxComponent);begin  lineNo := ;                           

rgj的专栏 1617

别再写前端了!用Gradio 3.x + HuggingFace Spaces,5分钟把你的Python算法变成网页应用

本文介绍如何利用Gradio 3.x和HuggingFace Spaces快速将Python算法转化为网页应用,无需前端开发经验。通过5行代码和简单的Git命令,即可实现专业级Web界面部署,大幅提升算法展示效率。特别适合算法工程师和数据科学家快速分享模型成果。

weixin_33443333的博客 334

FastReport分组打印并且指定每页行数(不足填空行)

var  GPage,GIndex,FGIndex:integer;  PageList:array of integer;  PageLine: integer;         PageMaxRow: integer=28;            procedure PageFooter1OnBeforePrint(Sender: TfrxComponent);begin  GPage := ...

weixin_34005042的博客 1734

通达信缠论中枢自动识别与画线实战指南

本文详细介绍了通达信缠论中枢自动识别与画线公式的实战应用。该工具通过严谨的算法逻辑,自动在K线图上标记出符合缠论定义的中枢区间,帮助投资者摆脱繁琐的手工画图,聚焦于价格与中枢的互动关系,从而高效识别趋势延续、背驰及第三类买卖点,提升缠论分析与交易决策的效率。

weixin_29267307的博客 664

XC7K325T FPGA硬件设计实战:从板级原理图到高速接口优化

本文以XC7K325T FPGA为核心,详细阐述了从板级原理图设计到高速接口优化的完整硬件实战流程。内容涵盖芯片管脚与电源规划、时钟复位配置电路设计,并重点解析了DDR3内存子系统以及PCIe与光纤接口等高速电路的原理图与PCB设计要点,旨在帮助工程师构建稳定可靠的高性能硬件平台。

python9snake的博客 515

fastreport固定行分页

var  ChildDataLine : Integer;// 子数据打印完一项时procedure MasterData1OnAfterPrint(Sender: TfrxComponent);begin  ChildDataLine :=  mod 4;end;// 某项主数据的子数据打印完后准备打印主数据的最后页时procedure GroupFooter1OnBeforePrint(Sen

wingfay的专栏 7182

【unity小技巧】常用的方法属性和技巧汇总(长期更新,2025/07/02更新)

Unity开发技巧摘要 本文汇总了Unity开发中的实用技巧,包括移动控制、力应用、物体翻转、单例模式实现等。移动方面介绍了MoveTowards、MovePosition、Translate等方法的区别与应用场景;力应用部分详解了AddForce系列方法的参数和使用方式;物体翻转对比了三种实现方案;单例模式提供了标准实现和泛型优化版本;还收录了绝对值计算、鼠标检测、旋转控制、数值取整等实用代码片段。这些经过验证的技巧能有效提升开发效率,文章将持续更新补充新的实用内容。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 3351

FastReport标签打印实战:从自定义布局到批量打印的完整指南

本文提供了一份FastReport标签打印的完整实战指南,涵盖从自定义布局到批量打印的全流程。重点解析了如何利用FastReport的动态数据区实现内容自适应,精准控制多列排版间距,并通过代码集成数据源完成高效批量打印,旨在解决企业级标签打印中的效率与精度痛点。

uber9的博客 223

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

报表生成器FastReport .Net用户指南:报表对象的介绍

本文介绍fastreport中报表对象,欢迎查阅~

励志做最业余的专业博主,控件产品可以私我~ 492

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")

delphi中使用Report Machine解决中式带边条及固定行的

<!--google_ad_client = "pub-2947489232296736";/* 728x15, 创建于 08-4-23MSDN */google_ad_slot = "3624277373";google_ad_width = 728;google_ad_height = 15;//--><script type="text/javascript"

zgqtxwd的专栏 936

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

速达软件开发版使用技巧-每页固定行样式报表设计

针对报表每页打印固定行数,在速达开发版需要进行特殊设置: 1.首先进入打印样式设计,修改报表: 2.把分页符控件拖动到详细区段1中,并设置该分页符属性为不可见; 在报表详细中选择分页符属性如图所示: 3.选择报表详细中MaxRowCount:表示当前页最大的行数 4.选择表达式属性,设置表达式,让分页符在固定的行数显示进行分页 输入表达式编辑值:(6表示每...

weixin_30809173的博客 346

Fastreport.net 设置表格打印指定行数,不足的补空行

Fastreport.net 设置表格打印指定行数,不足的补空行 原创 黑鹰客栈 C# 2020/03/31 10:38 前段时间做了一个项目,一直困扰我很久的问题,是报表如果出现多页,不能打印空白行,看起来很难看。 像这样 好吧,最近研究了下,使用数据区和数据尾+child组合 即可解决这个问题,分享给大家。 1.建立数据区 添加Date区域,我这里分成了两列显示,请看我其他的文章有讲解。 2.给数据区添加Footer区域,注意不是PageFooter。 3.设置数据区的.

tiandihua的专栏 4361
上一篇: MIS
下一篇: DLL Alt+Tab问题的非正规解决方法
ProgramSir
博客等级 码龄20年 7粉丝 6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