分页工具类

package test.dao;

import java.util.List;

/**
 * 用于分页的工具类
 * @author 莫取网名
 */
public class Pager<T> {

	private List<T> list; //对象记录结果集
	private int total = 0; // 总记录数
	private int limit = 20; // 每页显示记录数
	private int pages = 1; // 总页数
	private int pageNumber = 1; // 当前页
	
	private boolean isFirstPage=false;        //是否为第一页
         private boolean isLastPage=false;         //是否为最后一页
         private boolean hasPreviousPage=false;   //是否有前一页
         private boolean hasNextPage=false;       //是否有下一页
    
	private int navigatePages=8; //导航页码数
	private int[] navigatePageNumbers;  //所有导航页号
	
	public Pager(int total, int pageNumber) {
		init(total, pageNumber, limit);
	}
	
	public Pager(int total, int pageNumber, int limit) {
		init(total, pageNumber, limit);
	}
	
	private void init(int total, int pageNumber, int limit){
		//设置基本参数
		this.total=total;
		this.limit=limit;
		this.pages=(this.total-1)/this.limit+1;
		
		//根据输入可能错误的当前号码进行自动纠正
		if(pageNumber<1){
			this.pageNumber=1;
		}else if(pageNumber>this.pages){
			this.pageNumber=this.pages;
		}else{
			this.pageNumber=pageNumber;
		}
		
		//基本参数设定之后进行导航页面的计算
		calcNavigatePageNumbers();
		
		//以及页面边界的判定
		judgePageBoudary();
	}
	
	/**
	 * 计算导航页
	 */
	private void calcNavigatePageNumbers(){
		//当总页数小于或等于导航页码数时
		if(pages<=navigatePages){
			navigatePageNumbers=new int[pages];
			for(int i=0;i<pages;i++){
				navigatePageNumbers[i]=i+1;
			}
		}else{ //当总页数大于导航页码数时
			navigatePageNumbers=new int[navigatePages];
			int startNum=pageNumber-navigatePages/2;
			int endNum=pageNumber+navigatePages/2;
			
			if(startNum<1){
				startNum=1;
				//(最前navigatePages页
				for(int i=0;i<navigatePages;i++){
					navigatePageNumbers[i]=startNum++;
				}
			}else if(endNum>pages){
				endNum=pages;
				//最后navigatePages页
				for(int i=navigatePages-1;i>=0;i--){
					navigatePageNumbers[i]=endNum--;
				}
			}else{
				//所有中间页
				for(int i=0;i<navigatePages;i++){
					navigatePageNumbers[i]=startNum++;
				}
			}
		}
	}

	/**
	 * 判定页面边界
	 */
	private void judgePageBoudary(){
		isFirstPage = pageNumber == 1;
		isLastPage = pageNumber == pages && pageNumber!=1;
		hasPreviousPage = pageNumber > 1;
		hasNextPage = pageNumber < pages;
	}
	
	
	public void setList(List<T> list) {
		this.list = list;
	}

	/**
	 * 得到当前页的内容
	 * @return {List}
	 */
	public List<T> getList() {
		return list;
	}

	/**
	 * 得到记录总数
	 * @return {int}
	 */
	public int getTotal() {
		return total;
	}

	/**
	 * 得到每页显示多少条记录
	 * @return {int}
	 */
	public int getLimit() {
		return limit;
	}

	/**
	 * 得到页面总数
	 * @return {int}
	 */
	public int getPages() {
		return pages;
	}

	/**
	 * 得到当前页号
	 * @return {int}
	 */
	public int getPageNumber() {
		return pageNumber;
	}


	/**
	 * 得到所有导航页号 
	 * @return {int[]}
	 */
	public int[] getNavigatePageNumbers() {
		return navigatePageNumbers;
	}

	public boolean isFirstPage() {
		return isFirstPage;
	}

	public boolean isLastPage() {
		return isLastPage;
	}

	public boolean hasPreviousPage() {
		return hasPreviousPage;
	}

	public boolean hasNextPage() {
		return hasNextPage;
	}

	public String toString(){
		StringBuffer sb=new StringBuffer();
		sb.append("[")
			.append("total=").append(total)
			.append(",pages=").append(pages)
			.append(",pageNumber=").append(pageNumber)
			.append(",limit=").append(limit)
			.append(",isFirstPage=").append(isFirstPage)
			.append(",isLastPage=").append(isLastPage)
			.append(",hasPreviousPage=").append(hasPreviousPage)
			.append(",hasNextPage=").append(hasNextPage)
		.append(",navigatePageNumbers=");
		int len=navigatePageNumbers.length;
		if(len>0)sb.append(navigatePageNumbers[0]);
		for(int i=1;i<len;i++){
			sb.append(" "+navigatePageNumbers[i]);
		}
		sb.append(",list.size="+list.size());
		sb.append("]");
		return sb.toString();
	}
}

以Hibernate为例

int totalCount=Integer.valueOf(queryCount.uniqueResult().toString());
Pager pager=new Pager(totalCount, pageNumber,limit);
queryList.setFirstResult((pager.getPageNumber()-1)*limit); //容错处理
queryList.setMaxResults(limit);
pager.setList(queryList.list());
return pager;


内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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