demo项目开发笔录（页面技巧）

gcc_front gcc_front 博客等级 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 300+累计阅读 354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9年
关注
原创 最新推荐文章于 2026-08-19 10:46:12 发布 354 阅读 AI 写同款· GEO 优化 ›
【鸿蒙开发】学习笔录——通过startAbility拉起文件处理类应用 开发者可以通过调用startAbility接口，由系统从已安装的应用中寻找符合要求的应用来实现打开特定文件的意图，例如：浏览器下应用下载PDF文件，可以调用此接口选择文件处理应用打开此PDF文件。开发者需要在请求中设置待打开文件的URI路径（uri）、文件格式（type）等字段，以便系统能够识别，直接拉起文件打开应用或弹出一个选择框，让用户选择合适的应用来打开文件，效果示意如下图所示。表1 startAbility请求中。parameters 相关参数说明。flags 相关参数说明。 阅读详情

这里记录一些css的实用小技巧

一、

自定义grey颜色渐变，附带常用颜色：

.w3-theme-l5 {color:#000 !important; background-color:#f9f9f9 !important}
.w3-theme-l4 {color:#000 !important; background-color:#ececec !important}
.w3-theme-l3 {color:#000 !important; background-color:#d8d8d8 !important}
.w3-theme-l2 {color:#000 !important; background-color:#c5c5c5 !important}
.w3-theme-l1 {color:#000 !important; background-color:#b1b1b1 !important}
.w3-theme-d1 {color:#fff !important; background-color:#8e8e8e !important}
.w3-theme-d2 {color:#fff !important; background-color:#7e7e7e !important}
.w3-theme-d3 {color:#fff !important; background-color:#6f6f6f !important}
.w3-theme-d4 {color:#fff !important; background-color:#5f5f5f !important}
.w3-theme-d5 {color:#fff !important; background-color:#4f4f4f !important}

.w3-theme-light {color:#000 !important; background-color:#f9f9f9 !important}
.w3-theme-dark {color:#fff !important; background-color:#4f4f4f !important}
.w3-theme-action {color:#fff !important; background-color:#4f4f4f !important}

.w3-theme {color:#fff !important; background-color:#9e9e9e !important}
.w3-text-theme {color:#9e9e9e !important}
.w3-theme-border {border-color:#9e9e9e !important}
.w3-hover-theme:hover {color:#fff !important; background-color:#9e9e9e !important}


.w3-theme-gradient-grey {
    color: #000 !important;
    background:-webkit-linear-gradient(top,#DADADA 10%,#f1f1f1 90%)}
.w3-theme-gradient-grey {
    color: #000 !important;
    background:-moz-linear-gradient(top,#DADADA 10%,#f1f1f1 90%)}
.w3-theme-gradient-grey {
    color: #000 !important;
    background:-o-linear-gradient(top,#DADADA 10%,#f1f1f1 90%)}
.w3-theme-gradient-grey {
    color: #000 !important;
    background:-ms-linear-gradient(top,#DADADA 10%,#f1f1f1 90%)}
.w3-theme-gradient-grey {
    color: #000 !important;
    background: linear-gradient(top,#DADADA 10%,#f1f1f1 90%)}

效果如下：


二、

给浏览器的页头加上自定义的icon，如下：

<head>
    <link rel="icon" href="${pageContext.request.contextPath}/static/images/frontstage/gcc.png" type="image/x-icon">
</head>

效果如下：


三、本地预览头像

笔者这里删减去布局代码，

html如下：

                        <table class="w3-table w3-text-dark-grey" style="font-size: 13px;">
                            <tr>
                                <td style="text-align: right;vertical-align: middle;width: 18%">预览头像</td>
                                <td>
                                    <span style="display: block;width: 50px;">
                                        <img style="width: 100%;height: 50px" id="currentImg" />
                                    </span>
                                </td>
                            </tr>
                        </table>
                        <input style="display: inline" id="realChoiceImg" name="file" type="file" accept="image/jpeg,image/png,image/jpg"/><br>

这里的html代码也有一个使用技巧，这里规定了正方形图片，将span标签设置为块状，规定宽度（span不能设置高度），然后被包裹的img设置高度为span的宽度，即正方形；若只设置width为100%则宽度按原图，比例缩放。

js 如下：

          $("#realChoiceImg").on('change',function(){
                var filePath = $(this).val(),         //获取到input的value，里面是文件的路径
                fileFormat = filePath.substring(filePath.lastIndexOf(".")).toLowerCase(),
                src = window.URL.createObjectURL(this.files[0]); //转成可以在本地预览的格式
                    // 检查是否是图片
               if( !fileFormat.match(/.png|.jpg|.jpeg/) ) {
//                   alert('上传错误,文件格式必须为：png/jpg/jpeg');
                     return;
              }
          $('#currentImg').attr('src',src);

这里的主要记录src的获取方式，不用深究，需要使用时拷贝即可。

笔者作品效果如下：


四、返回顶部

这里记录一个有滑动效果的返回顶部方式

如下：

<a style="text-decoration: none" href="javascript:void(0)" onclick="toTop()">
    ↑ 回到顶部
</a>
function toTop(){
     $('html, body').animate({ scrollTop: 0 }, 'fast');//带动画
 }

这里再补充说明下<a>标签调用js方法的方式：

主要就是如上方式 javascript:void(0)，让a标签的链接执行空方法，或者javascript:; 留空，作用和前者一样。

五、html传递的this对象

<input id="title" type="text" value="" onclick="javascript:test(this);"/> 
function test(obj){ 
    alert(obj); //[object HTMLInputElement] 
    alert(obj.id); //myinput 
    alert(obj.value); //javascript中onclick中的this 

} 

作用就和jquery$(#title)一样，是获取节点对象。


收录于
java

当前文章被收录于：

java
17 篇文章 0 人学习
订阅专栏 查看详情
js

当前文章被收录于：

js
3 篇文章 0 人学习
订阅专栏 查看详情
css

当前文章被收录于：

css
2 篇文章 0 人学习
订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【鸿蒙南向开发】OpenHarmony实现360度的全景渲染功能—ThreeJs360Demo ThreeJs360Demo,使用系统提供的Web组件，加载threeJs，实现360度的全景渲染功能。 阅读详情

相关推荐

LVGL在嵌入式Linux系统上的高效移植与优化实践

本文详细介绍了在嵌入式Linux系统（特别是ARM平台）上移植和优化LVGL图形库的完整实践流程。内容涵盖从开发环境搭建、代码获取、CMake工程配置，到关键配置文件定制、显示与输入设备端口移植，以及内存、渲染等核心性能优化技巧，旨在帮助开发者高效构建流畅的嵌入式UI应用。

weixin_29274969的博客 450

Java.I/O流编程一览笔录

转载于：https://my.oschina.net/langxSpirit/blog/830620 知识体系图： 1、I/O是什么？I/O 是Input/Output（输入、输出）的简称，输入流可以理解为向内存输入，输出流是从内存输出。2、流流是一个连续的数据流，可以从流中读取数据，也可以往流中写数据。流与数据源，或数据源流向的媒介相关联。在Java IO流中，流可以是字节流，也可以是字符流。3

ahua851009的博客 405

基于ROS2的无人机野生动物巡查系统设计

自主巡检系统是嵌入式人工智能与机器人技术融合的关键应用方向，其核心在于多源感知融合、实时路径规划与端侧智能识别的协同实现。原理上依赖SLAM定位构建环境地图，结合栅格化建模与混合路径算法（如蚁群+BFS）达成全覆盖遍历；技术价值体现在资源受限平台下的确定性响应与时空对齐能力，支撑高鲁棒性野外作业。典型应用场景包括生态监测、禁飞区巡检及小尺度智能安防。本文围绕ROS2 Humble中间件架构、Livox激光雷达与MaixCAM视觉协同、YOLO11n INT8模型端侧部署等关键技术展开，突出嵌入式AI与实时控

weixin_30598047的博客 649

java日期笔录

将日后积累的java日期相关知识 1.通过前端传来指定格式的日期字符串，经过java后台处理，插入数据库。 如：前端传递字符串 2013-8-13  就是yyyy-MM-dd格式的。 首先创建一个该格式的日期格式 DateFormat format = new SimpleDateFormat("yyyy-MM-dd"); 然后用这个格式去解析传递过来的字符串 Date  date...

sdx515066105的博客 220

分布式数据采集框架openclaw-worker：模块化设计与实战指南

数据采集是获取网络信息、实现自动化处理的基础技术，其核心原理是通过模拟HTTP请求从目标源提取结构化数据。在工程实践中，传统单体脚本面临维护困难、扩展性差等挑战。分布式采集架构通过解耦任务定义与执行，结合消息队列实现水平扩展，显著提升了系统的弹性与可靠性。openclaw-worker作为模块化的工作节点，将采集流程配置化，支持CSS选择器、XPath等多种提取规则，并集成请求速率控制、代理IP池等反爬策略，适用于竞品监控、内容聚合等需要高效、稳定获取数据的应用场景。

weixin_28706423的博客 299

079、LVGL基础控件：消息框（Msgbox）

《LVGL消息框控件深度解析与避坑指南》 文章深入剖析了LVGL消息框控件的核心特性和使用技巧。消息框本质是带按钮的模态容器，而非独立窗口。作者分享了创建消息框的正确姿势、标题/内容设置方法、安全的按钮事件处理方式（避免直接调用close函数导致栈溢出），并详细介绍了模态/非模态实现、样式自定义、动态更新等实用技巧。针对常见问题如内存管理、按钮数量限制、动画效果等给出了专业建议，特别强调了消息框作为用户交互关键环节的优化重要性，建议通过异步删除、合理父对象选择等方式提升稳定性。文章包含大量实际项目经验总结，

m0_50546716的博客 153

java 笔录

（1）java新特点 1、提供了对内存的自动管理，程序员无需在程序中进行分配、释放内存，那些可怕的内存分配错误不会再打扰设计者了； 2、去除了C++语言中的令人费解、容易出错的“指针”，用其它方法来进行弥补； 3、避免了赋值语句（如a =3）与逻辑运算语句（如a = = 3）的混淆； 4、取消了多重继承这一复杂的概念。 Java语言的规范是公开的，可以在http://www.sun.co

老莫小小朋友 769

pip install安装markitdown时出现ERROR: ‘packages/markitdown[all]‘ is not a valid editable requirement解决方案

本文主要介绍了pip install安装markitdown时出现ERROR: ‘packages/markitdown[all]’ is not a valid editable requirement解决方案，希望能对使用markitdown的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 2万+

java类型笔录

1.对跟数据库有关联的操作时，可能会用到BigDecimal类型，与整数判断时应该转为int类型 if (BigDecimal.intValue()==2)然后在判断 两个BigDecimal进行比较不能直接用==，需要转化成intValue()或者调用compareTo()函数 以上的情况可以实行在值比较小的时候，当比较的值比较大的时候，需要用 if(BigDecimal.compa...

sdx515066105的博客 201

4、教育数据挖掘：公共数据集与研究进展

本文综述了教育数据挖掘（EDM）领域的研究进展与公共数据集应用情况。从2013年至2020年，EDM在电子学习系统、大规模开放在线课程（MOOC）等方面快速发展，涵盖了多种研究任务、工具与方法。文章梳理了UCI、Mendeley、DataShop等平台的公开数据集，分析了其特点与局限性，并介绍了KDD Cup、Kaggle等竞赛中的教育数据集及其评价指标。同时，探讨了多模态、心理行为等特色数据集的应用场景。最后指出当前EDM面临的主要挑战是缺乏系统性数据集综述、数据预处理复杂及可重复性不足，呼吁加强数据共享

rgv2345678的博客 171

从零开始学 PyTorch 7天路线图（完整可运行代码版）

本文提供了5天PyTorch入门教程的完整代码，涵盖从基础到实战的核心内容。Day1测试环境并介绍张量基础；Day2讲解常用张量操作；Day3演示自动求导机制；Day4实现完整线性回归模型；Day5构建MNIST手写数字识别全连接网络。所有代码可直接运行，包含GPU检测、梯度计算、模型训练和可视化等关键环节，帮助新手快速掌握PyTorch核心概念和典型应用场景。

IT老农民的博客 314

【IOS】开源项目汇总（不断更新中）

UI界面类项目：Panoramagl —— 720全景展示 Panorama viewer library for iPhone, iPad and iPod touch MBProgressHUD —— 进度指示 一种优雅的，半透明的进度显示效果。同时还提供了其他附加功能，比如显示完成信息并淡出。 iCarousel —— 效果很酷的分页排列 内容类似的页面需要并排列出来，供用户选择。...

mmdev 365

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

demo项目开发笔录（开发技巧）

这里记录一些小技巧和注意事项：一、注册时给密码加密，md5方式，并加“盐”，以确保不会被数据库人员识别密码，也不会被md5库被破解密码。加密如下：/** * Md5加密 */ public static String md5(String str,String salt){ return new Md5Hash(str,salt).toString(); }第一个参数就是原密码，s...

gcc_java的博客 296

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

公安笔录结构化处理提速方案

本文介绍如何利用vLLM高性能推理引擎提升公安笔录的结构化处理效率，通过PagedAttention和连续批处理技术显著提升显存利用率与吞吐量，实现单服务器日均处理能力达百级并发，结合Qwen等中文大模型，可在3秒内完成笔录信息提取，助力智慧警务从信息化迈向智能化决策。

weixin_32480007的博客 433

demo项目开发笔录（UEditor实践）

这里记录一个文本编辑插件的使用：UEditor 是由百度「FEX前端研发团队」开发的所见即所得富文本web编辑器，具有轻量，可定制，注重用户体验等特点，开源基于MIT协议，允许自由使用和修改代码。这里笔者在完成“写文章”功能时使用了这个编辑插件，官方文档调用方式如下：一，下载插件二，调用如下：&lt;!DOCTYPE HTML&gt; &lt;html lang="en-US"&gt; &lt;h...

gcc_java的博客 645

demo项目开发笔录（web和mobile）

笔者在demo里使用的样式文件是w3.css，支持响应式，但笔者前端能力有限，并不能一次编写统一使用，于是对访问作了判断，并删减了移动端页面的部分内容。一、判断是移动端还是PC端的请求：package com.gcc.modules.untils; /** * Created by gcc on 2018/5/4. */ public class IsMobileUtil { pri...

gcc_java的博客 339

人脸确认系统demo开发笔录

1、获取当前程序执行目录CString getModulePath(void){ char curPath[100]; GetModuleFileName(NULL,curPath,100);   char   drive[100];    char   dir[100];    char   fname[100];    char   ext[100];          _splitpat

minigabriel的专栏 1140

web前端开发之JavaScript学习笔录

JavaScript 是互联网上最流行的脚本语言，web前端开发之JavaScript学习笔录，浅显易懂，常复习常受用

陈二狗的博客 1387

demo项目开发笔录（简单分页实践）

这里记录一个简单的前后翻页功能。首先晒下主要效果页面：声明，这里笔者还未完全开发完模块功能，只是实现了基本的数据和翻页功能。这里先记录几点，实用操作：一、分页sql笔者使用的是mysql，分页关键字是limit，之后跟的内容，首个变量从0开始，意义是从第几条数据进行分页，次个变量意义是本次查询获取几条数据。如下： &lt;select id="getList" resultMap="Article...

gcc_java的博客 289

demo项目开发笔录（头像上传）

这里记录下一个完整的头像上传过程，实用部分笔者会指出，嘿嘿嘿。工具：ideacss文件：w3.css声明，笔者没有使用ajax来上传头像，原因是头像为单个，内容小，有需要转ajax的简单修改即可。步骤：首先是绘制静态页面（包括修改默认上传样式），然后就是上传头像，最后反馈上传结果这里直接给出主要html代码：&lt;div class="w3-container w3-white w3-round...

gcc_java的博客 427

demo项目开发笔录（问题记录）

这里不做详细的开发过程记录，主要记录一些开发过程遇到的问题和一些小技巧：问题一：    spring配置 no matching editors or conversion strategy found 异常！  这是一个比较蛋疼的问题，笔者在自定义的shiro的Realm中调用了UserService，因为项目逻辑并不复杂，所以service层并没有抽象接口层，UserService是一个类。 ...

gcc_java的博客 299

Android客户端开发规范笔录

概述此文档是参照《Google Java编程风格指南》编写的。特别说明 在代码中除注释外尽量不要出现中文； 字符串都从res/values/string.xml中引用； 色彩值都从res/values/colors.xml中引用； Android studio默认的格式化是遵循《Google Java编程风格指南》，因此，在编写好代码之后，都需要去进行格式（快捷键Ctrl+Alt+L），以确保代码格

移动开发学习笔记 1370

Fun-ASR-MLT-Nano-2512效果展示：法庭庭审录音→专业术语增强→结构化笔录生成

本文介绍了如何在星图GPU平台上自动化部署Fun-ASR-MLT-Nano-2512语音识别模型 二次开发构建by113小贝镜像，实现法庭庭审录音到结构化笔录的端到端生成。该方案支持角色标注、法律术语增强与时间戳对齐，显著提升司法文书制作效率，适用于法院、律所等真实业务场景。

weixin_35755640的博客 427

Whisper-large-v3实战效果：法庭庭审录音→结构化笔录→关键词高亮导出

本文介绍了如何在星图GPU平台上自动化部署Whisper语音识别-多语言-large-v3语音识别模型 二次开发构建by113小贝镜像，高效实现法庭庭审录音到结构化笔录的全流程处理，支持自动角色分离、时间戳标注及法律关键词高亮导出，显著提升司法文书生成效率。

weixin_42599558的博客 258

美团面试笔录

技术一面： 一面基本上面的还算基础 没有过多的刁难 不过问题量特别大 1、自我介绍 巴拉巴拉，大致说了下实习和自己平时自己喜欢做的事情 2、我们先聊聊java基础知识吧，说出Object类的常用方法？(没有定义属性，一共13个方法) 各方法讲解：https://blog.youkuaiyun.com/alinshen/article/details/73548923 总结： Object() (类构造器...

yu487的专栏 348
上一篇： demo项目开发笔录（开发技巧）
下一篇： demo项目开发笔录（头像上传）
点赞 0
评论 0
书签 书签 0
gcc_front
gcc_front
博客等级 码龄9年 16粉丝 98原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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