1.把项目跑起来,要部署的项目就在这个文件夹下

2.

3.删掉一些多余的东西,jar包不需要了。。。


数据库配置虚拟机上有,也不需要

存图片的文件夹也不需要,因为本次更新不涉及图片

删掉多余的文件后打包,准备拷贝到虚拟机

4.远程连接到公司虚拟机

5.

6.

7.启动后测试下
http://192.168.131.1:8088/oa_xwoa
打开对更新的内容进行测试,OK
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
1k累计阅读
1k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11年
1.把项目跑起来,要部署的项目就在这个文件夹下

2.

3.删掉一些多余的东西,jar包不需要了。。。


数据库配置虚拟机上有,也不需要

存图片的文件夹也不需要,因为本次更新不涉及图片

删掉多余的文件后打包,准备拷贝到虚拟机

4.远程连接到公司虚拟机

5.

6.

7.启动后测试下
http://192.168.131.1:8088/oa_xwoa
打开对更新的内容进行测试,OK
如何在虚拟机部署项目
1、安装虚拟机2、配置jdk3、安装tomcat4、安装mysql5、部署项目。
Linux搭建java环境(部署OA系统)一:准备两个虚拟机;(分别作为【web服务器】和【MySQL服务器】)
在【慕课OA系统(Mybatis项目案例,比较重要!!!)】中开发了一项目,如何把这个项目部署到Linux系统上? (1)客户通过客户端浏览器向Tomcat发送请求,而Tomcat与底层的MySQL数据库进行交互; (2)需要部署两套系统:Tomcat和MySQL;(这二者是彼此独立的,中间通过网络进行通信) 需要两台服务器,一台部署Tomcat,一台部署MySQL;为了模拟,我们这儿再创建一台虚拟机; 创建两个虚拟机,这儿可以参考【Linux入门三:安装CentOS 7(桌面版);】 1
【实施】windows部署OA项目
变量值 : C:\Program Files\Java\jdk1.8.0_131 (jdk的安装下载目录)我想要我的本机访问虚拟机里tomcat该怎么办?以及打开防火墙访问tomcat。安装完JDK之后,在系统的高级系统设置中点击环境变量,进行增加系统变量。在系统变量Path中,增加两个变量值 ,中间分号隔开。在控制面板\系统和安全\Windows 防火墙 关闭。打开cmd,输入javac,有以下文件代表安装成功。导入war包并启动tomcat后会自动解压。找到config文件,去配置相关信息。
OA系统环境搭建
准备工作:1. 将redhat5.iso装载到虚拟机光盘 2. 将"OA_Setup"(共3个文件)文件夹上传到Linux服务器 第一部分:安装mysql数据库 1. (1)进入media下的Redhat光盘的Server目录,运行安装mysql-5.0.77-3.el5.i386.rpm (依赖 perl DBI 相关的rpm包) 和 (2)mysql-server-5.
泛微OA本地部署项目
本文演示脱离公司服务器,在本地搭建泛微 OA。
好用的OA系统,可以直接部署服务器上使用
好用的OA系统,可以直接部署服务器上使用,PHP开发带数据库,可直接使用
【VMware】Windows部署单机OA项目---图文并茂详细讲解
【VMware】Windows部署单机项目oa---图文并茂详细讲解
基于知识图谱的电影推荐系统——Neo4j&Python
也可直接从这里下载:链接: https://pan.baidu.com/s/1l6wjwcUzy5G_dIlVDbCkpw 提取码: pkq6。修改main.py中的driver,输入自己数据库的用户名与密码。系统会询问是否需要重新加载并创建知识图谱,在第一次时输入1。
1. Linux平台OA项目部署步骤
环境变量配置文件保存成功后,让新设置的环境变量生效。环境变量配置文件保存成功后,让新设置的环境变量生效。测试完成后,停掉服务器,准备配置开机自启。状态, 执行结果有绿色原点标记为成功。以下步骤如何已经做过,则直接跳过。的数据库密码为自己的数据库密码。数据库目录的所属用户及用户组。为自己已创建好的图片保存目录。用户远程访问,设置完成后退出。将需要的软件上传到服务器。使用随机密码访问数据库。客户端,执行资料目录中的。编辑环境变量配置文件。服务器,测试部署情况。准备好虚拟机,换源,在服务器根目录下创建。
招标文件智能解析系统开发文档
本系统是一个基于OCR与大语言模型的招标文件智能解析平台,专门用于处理和分析招标文件,自动提取关键信息并进行结构化展示。
避坑指南:LVGL在Arduino环境编译报错?3步搞定lv_conf.h路径问题(附ST7789屏幕调试技巧)
本文详细解析了在Arduino环境中配置LVGL图形库时,如何解决常见的“lv_conf.h file not found”编译报错问题。通过三步法:定位并复制模板文件、启用核心配置并指定路径、配置基础参数,从根本上解决路径问题。文章还结合ST7789屏幕驱动,分享了使用TFT_eSPI库进行显示适配、内存优化及背光控制等实战调试技巧,帮助开发者建立清晰、可维护的嵌入式UI工程基础。
OA项目部署步骤
3.打开资料目录中 oapro.war ,确认 oapro.war\WEB-INF\classes\ 目录下的jdbc.properties 文件中的数据库密码为自己的数据库密码。4.打开oapro.war\WEB-INF\classes\ 目录下的project.properties,确认文件中的upload.image.path为自己已创建好的图片。将资料中的tomcat.service,上传到服务器/etc/systemd/system中。1.准备好虚拟机,换源,net-tools,vim 的安装。
01|无代码开发 | 如何使用Zion实现导航网站制作
以上就是我制作导航网站的心得,分享给大家,作为一个小白想要独立搭建一个网站还是比较困难的,而在Zion不仅可以用可视化的方法进行搭建,甚至还可以一键发布,不用考虑服务器域名啥的问题,真是太方便了。
【Linux】Ctenos 7 部署OA项目
确认文件中的upload.image.path为自己已创建好的图片保存目录。oapro.war配置文件,数据库密码是否正确。文件中 的数据库密码为自己的数据库密码。将需要的软件上传到服务器。客户端,执行资料目录中的。准备好虚拟机,换源,在服务器根目录下创建。服务器,测试部署情况。
AI驱动视频剪辑自动化:cutcli命令行工具重塑工作流
视频剪辑自动化是提升内容生产效率的关键技术,其核心原理在于通过程序化指令替代手动操作,将创意执行过程代码化。这项技术的价值在于能够将创作者从重复性劳动中解放,实现批量化、标准化的视频内容生产,尤其适用于社交媒体运营、产品宣传等高频产出场景。通过封装专业软件(如剪映/CapCut)的底层草稿格式,自动化工具在保证工业级渲染质量的同时,提供了可编辑的中间态,为AI智能体(Agent)与生产工具的结合提供了清晰接口。本文以cutcli为例,深入探讨了如何通过命令行工具和AI助手,构建从自然语言指令到可编辑视频草稿
【UGUI】二、Text(TMP) 文本
Text(TMP)、导入中文字库
【Linux】部署单机OA项目及搭建spa前后端分离项目
【Linux】部署单机OA项目及搭建spa前后端分离项目
【微信小程序-uniapp】CustomPicker 自定义单项选择器组件
自定义底部弹出框单项选择器组件,适用于uniapp小程序
虚拟机构建单体项目及前后端分离项目
Step 6: 实现前后端分离 在部署代码之后,您需要将前端代码和后端代码配置为分离的实体。Step 1: 安装VirtualBox和Vagrant 首先,您需要安装VirtualBox和Vagrant,这两个软件将协同工作以创建虚拟机。VirtualBox是用于虚拟化的软件,而Vagrant是用于自动化虚拟机的安装程序的。根据您的项目需求,您需要安装和设置Web服务器、数据库和其他必需的软件。Step 4: 安装前后端代码 一旦您的虚拟机启动并运行,您需要将您的前后端代码上传到虚拟机中。
C#上位机开发实战全流程:从需求到落地,避坑指南+完整代码
作为一名做了5年工业自动化上位机开发的程序员,我踩过的坑比写过的代码还多——从最初串口通信粘包导致数据错乱,到可视化图表卡顿卡死,再到现场异常崩溃无日志可查,每一次踩坑都是一次血泪教训。今天这篇文章,我会把C#上位机开发的全流程拆解开,从需求分析到通信模块、数据可视化,再到异常处理,每个环节都结合工业实际场景,分享真实项目中能用的方案、完整代码和避坑技巧。不管你是刚入门的新手,还是想优化现有项目的老司机,相信都能有所收获。很多新手做上位机开发,一上来就闷头写代码,最后发现做出来的东西不符合现场需求——比如客
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');```[](https://bitdeli.com/free "Bitdeli Badge")
oa项目部署
打开oapro.war\WEB-INF\classes\ 目录下的project.properties,确认文件中的upload.image.path为自己已创建好的图片保存目录。打开资料目录中 oapro.war ,确认 oapro.war\WEB-INF\classes\ 目录下的jdbc.properties 文件中的数据库密码为自己的数据库密码。将资料中的tomcat.service,上传到服务器/etc/systemd/system中。准备好虚拟机,换源,net-tools,vim 的安装。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
oa部署mysql_OA项目环境的搭建部署操作
项目部署一、虚拟机安装操作系统虚拟机安装完成后点击-创建新的虚拟机,也就是创建Windows操作系统.二、JDK的安装双击JDK的图标,按照提示安装完成,在我的电脑-属性-高级-环境变量-系统变量在系统变量中点击新建在变量名输入JAVA_HOME,在变量值处输入安装路径c:\java,点击确定(注意所有环境变量中的符号均为英文状态下的符号)再点击新建,变量为CLASSPATH,变量值为” .;C:...
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
SpringBoot项目编译运行时提示“程序包xxx不存在,找不到符号”
编译中报错是在其他子项目中都配置了如下代码,导致项目每个子项目都是可执行的,自己是不可依赖的。今天想要在虚拟机上部署自己的前后端项目,在系统打包时碰到了这个问题,记录一下。1. 项目结构,启动程序再pub-oa-web项目中。对pub-oa-web组件设置为可执行jar包,保留。插件,其他组件都移除这个配置。2、编译异常报错分析。
如何在Linux系统中搭建web项目的测试环境
搭建环境: 系统:Linux(CentOS)服务器:tomcat-9.0.8 数据库:MySql-5.1.30 一.首先在wiodosw系统,使用软件VMware创建虚拟机,在虚拟机中安装Linux下的CentOS操作系统 步骤:打开VMware Workstation软件,在主页中,点击创建新的虚拟机,选择典型,下一步,选择稍后安装操作系统,下一步,选择Linu操作系统,版本选择为CentOS,下一步,创建自己的虚拟机名称,选择文件的位置,下一步,选择磁盘大小(默认20GB),把虚拟磁盘存储为单个文件(这
J2EE项目部署与发布(Windows版本)->会议OA单体项目Windows部署,spa前后端分离项目Windows部署
80代理了8081,也就意味着8081可以访问spa项目,在服务器中架设反向代理服务器,端口号为80,如何查看项目报错信息(当你登陆密码错误时运行的Tomcat会报以下图片的错);宿主机80可以反向代理服务器80端口,原因:nodejs中spa做了限制,类似于mysql中localhost设置,没有被解析成ip;搭建好前端运行环境nodejs后,发现本机访问不了虚拟机的前台spa项目,实施角度解决该问题:服务器8081可以访问服务器的spa项目,先在本机检查一下前后端有没有问题,再在本机里使用这个项目。
5657
3370
384

被折叠的 条评论
为什么被折叠?



