Delphi7通过superobject解析JSON

1、通过delphi程序访问PHP事先写好的webservice(查询功能),webservice返回json格式数据。

2、通过superobject读取json数据

 

 得到效果如下:

//深层级的访问

jo:=SO('{"datalist":{"username":"admin","name":"管理","sex":"男"}}');

if   jo['datalist.sex']<> nil  then showmessage(jo['datalist.sex'].AsString );    // 男

https://blog.youkuaiyun.com/mpqz1065ok/article/details/80767305

 

转载于:https://www.cnblogs.com/railgunman/p/10291346.html

Delphi开发者必知:SuperObject 1.25 JSON库全面解析 Delphi JSON库是一个强大且易于使用的库,用于处理JSON数据的解析和序列化,它支持最新版本的Delphi,并且与旧版本也有良好的兼容性。该库允许开发者在Delphi应用程序中轻松地处理JSON数据,极大地简化了数据交换过程。它的设计目的是提供一个高性能且稳定的解决方案,以便开发人员能够在Delphi环境中有效地使用JSON数据。在深入了解Delphi JSON库的源代码文件之前,有必要先对源代码的组织结构有一个宏观的认识。 阅读详情

相关推荐

Delphi7版本 - X-Superobject

delphi7版本的X-SuperObject, 超简单,超好用,使用json于数据交换,大大方便程序代码的编写。

delphi6delphi7json数据解析

现在网络开发都需解析json数据,delphi6,dephi7 没有现成的只有引入jsons单元 如果需要私信我。三级级json数据解析(多级解析以此类推)一级json数据解析。二级json数据解析。

3d173的博客 1400

superobject1.26

superobject1.26 SuperObject.pas,superxmlparser.pas

Delphi7:SuperObject 的示例

另外,由于 Delphi 7 是一个相对较旧的版本,如果你打算在新的项目中使用 JSON 功能,建议考虑升级到更新的 Delphi 版本或使用其他现代的 JSON 库,这样可以获得更好的性能和更多的功能。不是一个 Delphi 7 自带或官方的库,但可能是指一些开源的 JSON 解析库,比如。务必参考你所使用的库的官方文档或示例代码以确保正确性。请注意,上述代码是基于假设的示例,并且可能需要根据你实际使用的。如果你有一个 JSON 格式的字符串,你可以使用。或类似的方法来设置和获取 JSON 对象的值。

程序猿视角 1820

Omnibox 2.11 NAS部署指南:家庭影音中枢的轻量化落地实践

家庭影音平台本质是本地化内容调度中枢,其核心在于聚合NAS媒体库、统一管理直播/IPTV/音频/视频等多源内容,并通过智能元数据匹配与硬解加速实现零门槛播放体验。技术原理上依赖Java轻量Web容器(Jetty)、SQLite嵌入式数据库双缓存架构,以及宿主机FFmpeg动态链接与HTTP/2直播代理治理能力。该方案显著降低4K播放卡顿、EPG加载失败、海报缺失等高频问题,适用于群晖、飞牛、绿联等主流NAS设备,尤其适配ARM64芯片与Realtek网卡等国产硬件生态。本文聚焦Omnibox 2.11在真实

weixin_30846347的博客 473

在pycharm2021.2中学习opencv图像处理,基于python3.9.7、pycharm完成配置

在pycharm中学习opencv图像处理安装python下载python安装包开始安装安装pycharm社区版下载pycharm开始安装如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 安装python 使用pycharm学习opencv应该是最简单的了,对新手比较友好,

steveqobs 7710

Delphi使用SuperObject和使用SuperArray创建JSon

Delphi使用SuperObject和使用SuperArray创建JSon

PleaseGo的博客 3041

避开STM32中断优先级配置的坑:HAL_NVIC_SetPriority()参数你真的用对了吗?

本文深入解析STM32中断优先级配置中的关键问题,重点剖析HAL_NVIC_SetPriority()函数的正确使用方法。通过实际案例揭示优先级分组设置、抢占优先级与子优先级的区别,提供多中断系统中的优化策略和调试技巧,帮助开发者避免常见配置错误,提升系统稳定性。

weixin_42532938的博客 425

【免费下载】 让Delphi 7焕发新生:SuperObject JSON解析库推荐

让Delphi 7焕发新生:SuperObject JSON解析库推荐 【下载地址】Delphi7下的JSON解析 Delphi 7下的JSON解析本仓库提供了一个适用于Delphi 7的JSON解析解决方案 项目地址: http...

gitblog_09751的博客 1005

单机多环境部署apollo 2.3.0

理解apollo的整体架构后,对比nacos配置中心功能点,其设计的复杂度以及完整度相较nacos而言更为丰富 对于不同的环境,例如 FAT, PRO 在部署时进程已经完全物理隔离,并且每个环境config/adminservice依赖的数据也完全物理隔离(连接不同的db),在数据隔离与安全方面做的很完善,但同时也提升了架构的复杂度 而 portal 可以管理多个环境,单节点部署虽然有单点问题,但并不会影响业务从configservice读取配置, 挂掉只要重启就可以,只是在

Life is a starting point everywhere 1302

ANSYS Workbench瞬态结构分析(1)时域分析

本文围绕瞬态结构分析展开。首先阐释其概念与理论基础,涵盖控制方程及数值求解方法。接着详述在 ANSYS Workbench 中进行瞬态分析的操作流程,以音叉为例,介绍从创建分析系统、材料定义、几何处理与网格划分,到边界条件与载荷设置、求解器设置及结果后处理的各步骤。之后对分析结果进行探讨,并针对计算不收敛、计算时间过长等常见问题给出调试技巧,旨在为读者提供全面的瞬态结构分析知识与实践指导。

qq_58675332的博客 6535

【免费下载】 Delphi7下SuperObject的JSON使用方法详解:JSON解析与生成的艺术

在现代软件开发中,JSON(JavaScript Object Notation)已经成为一种不可或缺的数据交换格式。它以其简洁和易读性,在应用程序间传递数据时大放异彩。今天,我们就来深入探讨一个Delphi7环境下,SuperObject的使用方法,它让JSON在Delphi中的处理变得轻松而高效。 ## 项目介绍 Delphi7下SuperObject的JSON使用方法详解项目,专注于如何...

gitblog_06700的博客 922

要理解成本中心与利润中心的根本区别与适用场景,需从 “责任范围、考核核心、管理目标” 三个核心维度切入,同时明确二者在企业管理体系中的联动关系

摘要: 成本中心与利润核心区别在于责任范围、考核目标和管理权限。成本中心仅对成本负责(如生产、行政部门),考核成本控制能力;利润中心需同时管控成本与收入(如独立产品线、区域分公司),以利润为核心指标。选择标准取决于单元是否拥有收入决策权:无收入权的支持/执行部门设为成本中心,能独立经营、核算盈亏的单元设为利润中心。二者协同运作,成本中心为利润中心提供基础支持,利润中心的需求动态影响成本中心资源配置,共同实现企业整体目标。划分本质是确保考核指标与责任范围匹配,避免管理失效。

金牌架构师 661

Delphi7用superobject解析Json数据

前言现在不管Webapi还是一般的数据通讯,用的基本都是Json,以前很多的应用程序都是用delphi7开发的,为了维护旧的程序以及与新的接口进行对接(如微信支付宝支付等),我们就用到了...

Vaccae的博客 1969

SAP-ABAP:SAP信贷管理核心:CL_UKM_BUPA_FACTORY类完整解析与实践指南

SAP信贷管理核心类CL_UKM_BUPA_FACTORY解析 CL_UKM_BUPA_FACTORY是SAP信贷管理(UKM)模块的核心类,作为业务伙伴信贷数据的中央控制台,它提供: 统一入口:标准化实例化客户/供应商信贷对象 主要功能: 获取单条/批量业务伙伴数据 安全保存数据变更 封装底层数据访问逻辑 典型应用场景: 信贷主数据批量维护 自动化限额调整 订单信贷实时检查 性能优化建议: 使用批量方法替代循环单条处理 合理设置字段选择 实施缓存策略 该类通过简洁API简化复杂信贷操作,是SAP信贷管理开

baidu_35680696的博客 1210

(4-2)A*

实际已经花费的代价(g(n)):从起点到当前节点n的实际路径代价。启发式估计的剩余代价(h(n)):从当前节点n到目标节点的估计路径代价。这是A算法的关键之一,启发式函数要足够接近实际代价,但又要高效计算。如果启发式函数等于0,A算法就相当于Dijkstra算法。实现A*算法的核心步骤如下所示。(1)初始化:将起点加入开放列表(open list),并将其f值设为g值和h值的和。(2)循环:从开放列表中选择具有最小f值的节点作为当前节点。如果当前节点是目标节点,算法结束;

码农三叔 1808

【免费下载】 Delphi 7下的JSON解析

Delphi 7下的JSON解析 【下载地址】Delphi7下的JSON解析 Delphi 7下的JSON解析本仓库提供了一个适用于Delphi 7的JSON解析解决方案 项目地址: https://gitcode.com/ope...

gitblog_09794的博客 897

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")

DELPHI7superobject 1.25资源文件介绍:DELPHI7 JSON处理利器

DELPHI7superobject 1.25资源文件介绍:DELPHI7 JSON处理利器 去发现同类优质开源项目:https://gitcode.com/ DELPHI7superobject 1.25 是一款高效、稳定的DELPHI7开发环境JSON处理控件,提供便捷的JSON数据读取与拼接功能。 项目介绍 DELPHI7superobject 1.25 是一款专门为DELPHI7开发环境设...

gitblog_06750的博客 1110

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

百度天气api得到的json php 解析为空,百度天气json解析

白波九道 DELPHI7 下用 superobject 读取中国天气网的 JSON 数据的天气预报 这几天做了一个小程序,想读取中国天气网,查了许多资料,终于给弄......JSON Object 类型的数据 将 String 格式的 JSON 数据解析为 JSONValue 类 JSONParser 型的数据 JSONString JSONValue JSON String 类型的数据 所有 J...

weixin_42510407的博客 279

Delphi7下SuperObject的JSON使用方法详解

Delphi7下SuperObject的JSON使用方法详解 去发现同类优质开源项目:https://gitcode.com/ Json作为一种轻量级的数据传输格式,在现代互联网及各类应用中都有着广泛的应用。它主要依靠键值对来表示数据项,数据项之间使用逗号分隔,同时也可用于数组的表达。本文将重点介绍如何在Delphi环境下使用Json,特别是通过SuperObject单元文件来实现Json的解析与...

gitblog_06733的博客 393

DelphiXe10 Json解析类(SuperObject) 使用说明

DelphiXe10 Json解析类(SuperObject) 使用说明 去发现同类优质开源项目:https://gitcode.com/ 简介 本仓库提供了一组Delphi下使用的Json解析类,名为SuperObject。此类库旨在实现Delphi环境下对Json数据格式进行解析的功能,支持版本从DelphiXe10至Xe7。 功能特性 支持Json格式的解析和生成。 适用于DelphiXe...

gitblog_06700的博客 930

2021-07-09

** delphi7读取聚合数据平台免费提供的天气数据(json格式) 1、在聚合数据平台免费申请账号(需要实名认证才能申请免费接口):https://www.juhe.cn/ 2、这个是我申请的两个免费API接口(免费接口每天有使用次数限制,所以申请了两个,方便测试) 3、上delphi7的源码: unit Unit1; interface uses Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms

njlcfyh的博客 174

Delphi7下SuperObject的JSON使用方法

然后,我们使用 .I 属性来读取 age 键对应的整数值,并将其打印出来。然后,我们使用 .I 属性添加了一个新的键值对 score: 100。最后,我们使用 .AsString 方法将 JSON 对象转换为字符串,并将其打印出来。请确保在使用前将 SuperObject 库添加到你的项目中,并在 uses 子句中包含 SuperObject 单元。SuperObject 是一个开源的 JSON 库,提供了方便的 API 来解析和操作 JSON 数据。

1716

Delphi7版本-X-Superobject资源介绍:JSON数据处理的利器

Delphi7版本-X-Superobject资源介绍:JSON数据处理的利器 【下载地址】Delphi7版本-X-Superobject资源介绍 本仓库提供了 Delphi7 版本的 X-SuperObject 资源文件,这是一款专为 Delphi7 开发者设计的超轻量级 JSON 处理组件。X-SuperObject...

gitblog_06725的博客 703

【亲测免费】 DELPHI7+superobject 1.25 资源文件介绍

DELPHI7+superobject 1.25 资源文件介绍 去发现同类优质开源项目:https://gitcode.com/ DELPHI7+superobject 1.25 是一款专门针对DELPHI7开发环境的JSON读取和拼接控件。它能够帮助DELPHI7开发者更方便、更快捷地处理JSON数据,简化开发流程,提升开发效率。 此控件经过多次优化和升级,具备了以下特性: 支持DELPHI7...

gitblog_06760的博客 346
上一篇: delphi TIdHTTP Post乱码问题
下一篇: JSON 之 SuperObject(3): 访问
aowo7144
博客等级 码龄10年 5粉丝 0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  | 博主筛选后可见
 
 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