symbian字符串处理 .

本文详细介绍了Symbian系统中用于处理字符串的多种类,包括TDesC和TDes的功能及常用方法,如创建描述符、数据操作、转换等。

Symbian中关于字符串的处理的类主要有TDes、TDesC、TPtr、TPtrC、TBuf、TBufC、HBufC....

1.TDesC

下面代码创建一个TDesC描述符:

TDesC &heyRef = _L("Hey");

代码运行时,首先通过宏_L把字符串转为TPtrC指针,然后赋值给TDesC的引用heyRef.   可以等同于下面的代码:

_LIT(KKey,"Hey");

TDesC &heyRef = KKey;

目前大多数情况下使用_LIT宏,效率高。

TDesC类中常用的几个函数有:

Length();返回数据长度

Size();返回包含数据字节的大小

Ptr();返回描述符表示的数据指针

Left(TInt aLength);返回从左边开始长度为aLength的数据.若aLength=0,则产生错误,若aLength大于实际长度则返回全部数据

Right(TInt aLength)同上

Mid(TInt aPos);返回从aPos开始到结束的数据,aPos=0表示从第一个数据开始

Mid(TInt aPos,TInt aLength);返回从aPos开始长度为aLength的数据,aPos=0表示从第一个数据开始

operator[](TInt anIndex);返回索引值anIndex位置的数据

Alloc();创建一个HBuffC类型,内容为描述符中的数据

AllocL();创建一个HBuffC类型,内容为描述符中的数据,如果创建失败抛出异常

AllocLC();创建一个HBuffC类型,内容为描述符中的数据,如果创建失败抛出异常,并清除栈

Compare(const TDesC16&aDes);把参数aDes和当前描述符中的数据进行比较。

2.TDes类

TDes类和TDesC雷系,但TDes中的数据可以修改。主要函数有

MaxLength();返回描述符可以包含数据的最大值

SetLength();设置描述符可以包含数据的最大值

void Zero(); 设置数据的长度为0

Copy(const TDesC8& aDes):复制参数aDes中的数据到当前的描述符,当前的数据将被覆盖

Copy(const TUint16 *aBuf,TInt aLength):复制指针aBuf中的数据到当前的描述符,当前的数据将被覆盖,数据的长度有aLength决定

Insert(TInt aPos,construction TDesC16& aDes);把参数aDes表示的数据插入到位置aPos,最后总长度不应超过最大的长度,否则出错

Replace(TInt aPos,const TDesC16& aDes);用aDes中的数据替换当前描述符中从位置aPos开始,长度为aLength的数据

Swap(TDes16& aDes );把参数aDes和当前描述符汇总的数据进行交换

Delete(TInt aPos,TInt aLength);删除从aPos开始长度为aLength的数据

TrimRight();删除结尾的空字符

Trim();删除结尾和开始的空字符

TrimAll();删除结尾和开始的空字符,中间连续的空字符用一个空字符代替

Append(constructionTDesC16 & aDes):把aDes中的数据添加到当前描述符的末尾

Fill(TChar aChar);用字符aChar填充数据

LowerCase();转化为小写

UpperCase();转化为大写

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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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