WSS 扩展文件夹的属性--如何给文件夹添加扩展字段

本文介绍如何在WSS3.0(MOSS)中为文件夹添加扩展字段,通过创建新的内容类型并继承自文件夹类型,实现自定义字段如分类名称和描述的添加。

一直以为wss3.0(MOSS)的文件夹不支持扩展字段,所有的文件夹只有 孤零零的一个 “名称”字段 ,要加个譬如 “备注”或者什么的无从下手。

其实,wss是支持文件夹扩展字段的!

文件夹跟普通的ListItem没有什么本质的区别,只不过是文件夹是一个特殊的ContentType罢了。可以在站点的“网站内容类型库”管理界面看到这一点:


知道了这一点就好做了:
只要新建一个内容类型(ContentType),继承于 文件夹 内容类型,添加需要的字段,然后将这个新的文件夹内容类型添加进文档库或列表即可。

假设我们要采用文件夹来实现文档的分类,我们希望文件夹可以有分类名称,描述两个字段 ,操作步骤如下:

1)进入“网站内容类型库”管理界面(/_layouts/mngctype.aspx),点击创建链接


2)在新建网站内容类型页面 输入名称为: 文档分类 , 父内容类型选择 文件夹。

3)单击确定,进入内容类型设置界面

4)单击 从新网站栏添加 , 添加一个新的栏, 栏名为备注


5)返回要设置的文档库,单击文档库设置


6)进入高级设置,启用内容类型


5)单击从现有网站内容类型添加 链接


6)进入添加内容类型,选择 文档分类 内容类型,确定完成。


ok,我们可以看一下现在的新建菜单了:


文件夹新建页面:


若新建菜单中仍然有默认的 新建文件夹 菜单,进入 文档库设置-》高级设置-》 是否在“新建”菜单中显示“新建文件夹”命令?  , 选择 否 即可。

原文地址:http://www.cnblogs.com/greeny/archive/2010/09/03/1817164.html

转载于:https://www.cnblogs.com/liubinurl/archive/2012/10/10/2718373.html

源码来自:https://pan.quark.cn/s/a3a3fbe70177 AppBrowser(Application属性查看器,不需要越狱! ! ! ) 不需要越狱,调用私有方法 --- 获取完整的已安装应用列表、打开和删除应用操作、应用运行时相关信息的查看。 支持iOS10.X 注意 目前AppBrowser不支持iOS11应用查看, 由于iOS11目前还处在Beta版, 系统API还没有稳定下来。 等到Private Header更新了iOS11版本,我也会进行更新。 功能 [x] 已安装的应用列表 [x] 应用的详情界面 (打开应用,删除应用,应用的相关信息展示) [x] 应用运行时信息展示(LSApplicationProxy) [ ] 定制喜欢的字段,展示在应用详情界面 介绍 所有已安装应用列表(应用icon+应用名) 为了提供思路,这里只用伪代码,具体的私有代码调用请查看: 获取应用实例: 获取应用名和应用的icon: 应用列表界面展示: 应用列表 应用运行时详情 打开应用: 卸载应用: 获取info.plist文件: 应用运行时详情界面展示: 应用运行时详情 右上角,从左往右第一个按钮用来打开应用;第二个按钮用来卸载这个应用 INFO按钮用来解析并显示出对应的LSApplicationProxy类 树形展示LSApplicationProxy类 通过算法,将LSApplicationProxy类,转换成了字典。 转换规则是:属性名为key,属性值为value,如果value是一个可解析的类(除了NSString,NSNumber...等等)或者是个数组或字典,则继续递归解析。 并且会找到superClass的属性并解析,superClass如...
基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO)的LSTM分类预测研究(Matlab代码实现)内容概要:本文研究了一种基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO),并将其应用于LSTM神经网络的分类预测中,通过Matlab代码实现。该方法结合遗传算法的全局搜索能力与改进的多群粒子群算法的局部优化特性,提升LSTM模型在分类任务中的性能表现,尤其适用于复杂非线性系统的预测问题。文中详细阐述了算法的设计思路、优化机制及在LSTM参数优化中的具体应用,并提供了可复现的Matlab代码,属于SCI级别研究成果的复现与拓展。; 适合人群:具备一定机器学习和优化算法基础,熟悉Matlab编程,从事智能算法、时间序列预测或分类模型研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①提升LSTM在分类任务中的准确性与收敛速度;②研究混合智能优化算法(如GA与PSO结合)在神经网络超参数优化中的应用;③实现高精度分类预测模型,适用于电力系统故障诊断、电池健康状态识别等领域; 阅读建议:建议读者结合Matlab代码逐步调试运行,理解GA-HIDMSPSO算法的实现细节,重点关注种群划分、异构策略设计及与LSTM的集成方式,同时可扩展至其他深度学习模型的参数优化任务中进行对比实验。
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