ExtremeTable使用指南:定制FilterRowsCallback

本文介绍如何定制FilterRowsCallback实现精确匹配过滤。通过继承Predicate接口并调整现有功能,使用StringUtils.equals()替代StringUtils.contains()以实现精确比较。
1. 引言

FilterRowsCallback被用来过滤传给eXtremeTable的Beans的Collection。 FilterRowsCallback的默认实现是得到Beans或Maps的Collection,然后通过实现jakarta Predicate接口来进行过滤。当然,如果你需要进行一些定制你可以插接自己的实现。

首先声明,本示例代码包含一些从原包中剪切、粘贴的代码(虽然不是很多)。在最初的最终发行包之后,值过滤得到进一步改善使得更具复用性并更容易实现,可能和定制cell代码行数相同。当然,我被要求并非常乐意示范如何在当前代码基础上实现定制过滤。这有非常清晰的hooks实现,并且很容易实现。

本示例示范了如何调整代码为过滤器提供一个精确的比较功能。当前的实现是通过使用StringUtils.contains()方法进行模糊比较。 本示例将使用StringUtils.equals()方法。你可以按照你的需要来调整代码进行更多定制。
1.1. 定制FilterRowsCallback示例

首先你需要做的是创建一个实现Predicate接口的定制类。Predicate要求我们实现evaluate()方法来判断是否包含当前bean。因为你仅仅调整现在已有的功能,首先得到filterPredicate的源代码(在发行包的callback包下),拷贝到你的工程里。然后向下面展示的一样将 StringUtils.contains()方法修改为StringUtils.equals()方法:

public final class ExactMatchFilterPredicate implements Predicate {
private boolean isSearchMatch(String value, String search) {

...

else if (StringUtils.equals(value, search)) {
return true;
}

...

}
}

然后我们需要实现和Predicate共同作用的FilterRowsCallback接口。再一次从发行包的callback包下拷贝 ProcessRowsCallback源代码到你的工程里。 请参照我们创建的定制的ExactMatchFilterPredicate 类来确认仅仅实现了FilterRowsCallback和修改Predicate。

public class ExactMatchFilterRows implements FilterRowsCallback {
public Collection filterRows(TableModel model, Collection rows) throws Exception {

...
...

}
}

为了使用这个FilterRowsCallback你应该在Preferences中声明一个别名。当然,你可以省略这步而在JSP中提供这个FilterRowsCallback实现类的全路径,但是使用Preferences更简洁。

table.filterRowsCallback.exactMatch=org.extremesite.callback.ExactMatchFilterRows

在TableTag通过设置filterRowsCallback属性来使用ExactMatchFilterRows。

<ec:table filterRowsCallback="exactMatch"/>

如果不清楚Preferences和ColumnTag定义语法请参考Preferences指南。
Retrieved from "http://extremecomponents.org/wiki/index.php/Simplified_Chinese_Tutorials_FilterRowsCallback"
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。
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