告别登录逻辑混乱!基于 SpringBoot 工厂+策略模式统一多端登录

PLC集群管理:C#上位机实现10台以上分布式PLC的集中监控与指令下发 本文介绍了一套基于C# WPF开发的PLC集群管理系统,用于解决现代工业自动化产线中分布式PLC监控难题。系统采用三层解耦架构,支持100台以内不同品牌PLC的集中管理,具备批量数据采集、指令下发、实时报警等功能。核心创新点包括:1)基于异步IO的连接池管理;2)统一通信接口设计;3)寄存器合并优化算法;4)三级优先级指令队列。实际应用表明,系统数据采集延迟低于100ms,指令下发成功率99.9%,有效解决了传统单PLC监控模式存在的效率低下问题。 阅读详情

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

👉这是一个或许对你有用的开源项目

国产Star破10w的开源项目,前端包括管理后台、微信小程序,后端支持单体、微服务架构

RBAC权限、数据权限、SaaS多租户、商城、支付、工作流、大屏报表、ERP、CRM、AI大模型、IoT物联网等功能:

  • 多模块:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • 微服务:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn

【国内首批】支持 JDK17/21+SpringBoot3、JDK8/11+Spring Boot2双版本 

来源:juejin.cn/post/7509408640438059008


珍贵的日常照片、重要的工作文档、团队协作中需要频繁共享的资料,无论是保存还是分享,在隐私泄露严重的当下,有一款方便、靠谱的软件非常重要。公有云方便但不安全,关键还限流,自建NAS安全性高但门槛相对也高,今天给大家推荐一款在开源社区备受推崇的私人云盘系统——蓝眼云盘(Tank)。

简介

蓝眼云盘(Tank)是一个设计精良、功能全面的开源私人云盘系统。它的目标是帮助个人、家庭或小团队轻松搭建一个专属的、功能堪比主流商业云盘的文件管理中心。项目采用前后端分离的现代化架构,后端核心使用高性能的Golang语言开发,而前端则基于流行的Vue框架构建。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

核心特性

轻量化与灵活的部署选项

它极大地降低了部署门槛。对于想快速尝鲜的用户,它支持内置的 SQLite 数据库,真正做到解压即用,无需额外配置。对于需要更高性能和稳定性的生产环境,它也完美支持 MySQL 数据库。

此外,项目提供了完善的 Docker 镜像和部署指南,让容器化部署变得异常轻松,方便在各类服务器环境中快速搭建和迁移。

全面流畅的文件管理体验

系统提供了类似操作系统资源管理器的直观界面,支持文件与文件夹的列表/网格展示、拖拽上传、在线重命名、移动和复制等操作。

其在线预览功能尤其强大,支持图片、视频、文档、代码文件等多种格式的直接预览,并允许用户自定义预览引擎,以满足个性化需求。

安全灵活的共享与协作机制

蓝眼云盘打破了私有部署“与世隔绝”的印象。它支持多用户体系,可以为不同成员分配权限,实现团队共同管理。文件分享功能是其亮点之一,用户可以生成带提取码和过期时间的分享链接,在保证数据安全的前提下,便捷地向外界分享文件。

更值得一提的是,它支持 WebDAV 协议,这意味着你可以在Windows资源管理器、macOS Finder或各种移动App中直接将云盘挂载为本地网络驱动器,实现无缝的文件读写。

可靠的数据安全与运维保障

系统内置了回收站功能,误删的文件可以轻松找回,提供了基础的数据安全保障。同时,后台还提供了详尽的文件操作日志、系统监控和统计报表,管理员可以清晰掌握存储空间的使用情况和所有用户的操作动态,便于审计和管理。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

功能一览

  • 文件列表

  • 文件/文件夹上传 + 拖拽上传 + 分片/断点续传

  • 共享空间

  • 文件分享

  • 文件监控统计

  • 回收站

  • 多用户

  • WebDav

  • 扫描磁盘任务

  • 在线预览及自定义配置预览引擎

快速部署

准备工作:确保服务器已安装Docker,并准备好一个MySQL数据库(若选择MySQL方案)。

1.拉取官方镜像: 从Docker Hub拉取指定版本的蓝眼云盘镜像。

docker pull eyeblue/tank:4.0.2  # 版本号请替换为最新版[citation:6]

2.创建并运行容器: 一条命令即可启动服务。以下示例将容器内的6010端口映射到宿主机的6010端口,并将存储数据的matter目录和日志目录挂载到宿主机,便于持久化。

docker run -d --name tank -p 6010:6010 \
  -v /your_data_path/tank/matter:/data/matter \
  -v /your_data_path/tank/log:/data/log \
  eyeblue/tank:4.0.2[citation:5]

若数据库(如tank_mysql)也运行在Docker中,建议创建一个专属的Docker网络(如tank-work),将云盘和数据库容器接入同一网络,云盘容器便可通过容器名(如tank_mysql)直接访问数据库,简化连接配置。

3.  完成网页安装向导: 容器启动后,在浏览器访问 http://你的服务器IP:6010。首次访问将进入图形化的安装引导界面,按照提示配置数据库连接(地址、库名、用户名、密码)、初始化数据表、设置首个管理员账号即可。整个过程清晰明了,无需触碰复杂的配置文件。

界面截图

PC端截图

手机端截图

开源地址

https://github.com/eyebluecn/tank


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
flowable工作流看这一篇就够了(基础篇) 接下来我们构建一个非常简单的请假流程,Flowable引擎需要流程定义为BPMN 2.0格式,这是一个业界广泛接受的XML标准。在Flowable术语中,我们将其称为一个流程定义(process definition)。一个流程定义可以启动多个流程实例(process instance)。流程定义可以看做是重复执行流程的蓝图。在这个例子中,流程定义定义了请假的各个步骤,而一个流程实例对应某个雇员提出的一个请假申请。 阅读详情

相关推荐

EV1527、PT2262傻傻分不清?一文讲透常见315/433MHz遥控编码协议区别与选型

本文深度对比了EV1527、PT2262和SC5262三种常见的315/433MHz遥控编码协议,详细解析了它们的技术特点、成本效益和适用场景。EV1527作为低成本方案的首选,特别适合智能家居和简易安防设备;PT2262在稳定性和兼容性上表现优异;而SC5262则在安全性方面具有显著优势。文章还提供了实用的选型框架和工程建议,帮助开发者在不同应用场景中做出最优决策。

weixin_33640562的博客 354

推荐几款网盘源码程序

喜欢收集资源,喜欢分享资源,网盘无疑是必不可少的工具。百度、阿里网盘虽然很好用,但自己有硬盘和主机资源的,都想自建网盘存储数据,实现存储自由和数据安心。

正安一片瓦的软件技术园地 6万+

记录:MCGS和正弦变频器通讯

触摸屏实现对变频器:启动、停止、频率设定、频率读取、电压读取、电流读取。通讯方式Modbus RTU。

m0_61837027的博客 1026

3 个开源免费、功能强大的云盘项目,百度网盘完美替代方案!!

Seafile 以资料库形式组织文件,可同步到 Windows、Mac 和 Linux 等桌面电脑,用户也可选择性同步目录,未同步文件可通过 “云文件浏览器” 访问,且同步性能极佳,数万小文件可在 1 分钟内完成同步。Cloudreve 是一款可快速搭建公私兼备网盘系统的工具,其核心特点是底层支持多种云存储平台,能让用户在使用时无需关注物理存储方式,适用于搭建个人网盘、文件分享系统或面向大小团体的公有云系统。支持视频、图像、音频、ePub 在线预览,以及文本、Office 文档在线编辑。

weixin_48635316的博客 4564

processing与arduino互动编程

Arduino开发板对AVR单片机二次编译封装,无需考虑单片机编程寄存器、地址指针等复杂细节processing借助arduino读取各种传感器的数值,控制各种机电装置。

weixin_45679408的博客 825

海康威视 2DC 系列球机手机直连实用教程

海康威视2DC系列球机手机直连教程:首先确认设备支持直连功能并下载官方"海康互联"App;通过网线连接球机与路由器,使用SADP软件调整IP至同一网段;在App中添加设备并激活,完成调试即可远程查看监控画面。常见问题包括部分型号需远程解锁、网络连接异常等,可通过检查网络环境、联系客服等方式解决。本教程提供从准备到连接的完整指引,助您轻松实现手机监控管理。

海康威视技术支持 5421

毕业设计|基于SpringBoot+VUE的开源云盘系统

语言环境:Java: jdk1.8前端:Element UI、Vue CLI@3、Node.js、Webpack后台:Spring Boot、MyBatis、JPA、JWT数据库 : H2/MySQL应用服务器:Tomcat: tomcat8.5.31开发工具:IDEA或eclipse基于Spring Boot + Vue的开源云盘系统是一种基于云计算技术的文件存储和共享平台,它允许用户将文件上传到云端进行存储,并可以通过网络随时随地访问和管理自己的文件。

BS009的博客 9057

移远EC800M CAT1模块HTTP POST实战:从AT指令到数据上报的完整避坑指南

本文详细介绍了移远EC800M CAT1模块通过AT指令实现HTTP POST数据上报的完整开发流程,包括模块初始化、PDP上下文配置、HTTP POST实现及优化策略。针对实际开发中的常见问题如网络异常、低功耗需求等提供了经过验证的解决方案,帮助开发者快速实现稳定可靠的物联网数据传输功能。

weixin_42556197的博客 482

几款开源网盘的比较

1. Nextcloud 2. Seafile 3. ownCloud 4. Syncthing 5. FileBrowser 6. Z-File 7. kiftd

王富贵的博客 6119

OpenCV 基于上升距离计算边缘清晰度

OpenCV 基于上升距离计算边缘清晰度

dayuhaitang1的博客 256

第十七章:载板成本结构分析

本文分析了ABF和BT载板的成本结构,其中ABF载板材料成本占比50%(主要来自ABF薄膜),制造成本35%,利润15%;BT载板材料成本45%,制造成本40%。ABF薄膜价格预计将从2023年的80-90美元/panel上涨至2026年的120-150美元。良率每提升1%可降低成本约5%,产能利用率每提高10%可降本3-5%。通过设计优化(如减少层数)、工艺改进(提升良率)和供应链优化(材料国产化)可有效降低成本。预计2024-2028年AI用ABF载板成本将上涨10-15%,而手机用BT载板涨幅约5%。

Open 317

GitHub开源的网盘系统-Cloudreve

支持本机、从机、七牛、阿里云 OSS、腾讯云 COS、又拍云、OneDrive (包括世纪互联版) 、S3兼容协议 作为存储端 上传/下载 支持客户端直传,支持下载限速 可对接 Aria2 离线下载,可使用多个从机节点分担下载任务

m0_56363537的博客 4554

深入YOLOv8内部核心:用RepNCSPELAN4深度重构主干网络,即插即用的高效涨点方案

本文提出了一种改进YOLOv8目标检测模型的方法,通过在YOLOv8中引入RepNCSPELAN模块来提高检测性能。该模块融合了RepVGG重参数化思想与CSP-ELAN结构,在保持推理速度的同时增强特征表达能力。实验结果表明,改进后的RepNCSPELAN-YOLOv8相比原模型在多项指标上均有提升:准确率从0.84提高到0.86,召回率从0.72提升至0.81,mAP50和mAP50-95也分别提高了0.06和0.04。文章详细介绍了模块设计原理和移植步骤,包括配置文件创建、代码修改等关键环节,为YOL

FJN110的博客 191

优雅解耦!SpringBoot 工厂+策略模式统一多端登录

工厂模式和策略模式的组合,就像给登录模块装了一个 "热插拔" 接口,新增功能时不用改核心逻辑,只需要添加新的 "插件"。最后送大家一句口诀:登录逻辑别硬刚,策略模式来帮忙,工厂负责创实例,开闭原则记心上,Spring Boot 搭舞台,依赖注入真叫爽,需求万变不用慌,代码优雅没商量!策略模式:将每种登录方式封装成独立策略类,实现统一接口,调用者无需关心具体实现 工厂模式:通过工厂类根据登录类型创建对应的策略实例,避免调用者直接 new 对象。元,一顿饭钱,但是星球回馈的价值却是巨大,目前更新了。

码猿技术专栏 666

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Spring Boot实战:用工厂+策略模式优雅实现多端登录

typescript体验AI代码助手代码解读复制代码public interface LoginStrategy { // 登录类型标识,如"password"、"wechat" String getLoginType();// 登录方法,参数用Map传递不同登录方式的参数 String execute(Map<String, Object> params);好的设计模式能让代码在需求变化面前保持优雅。

2401_89221445的博客 1126

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&#39;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 = &quot;R. B. Palm&quot;, title = &quot;Prediction as a candidate for learning deep hierarchical models of data&quot;, year = &quot;2012&quot;,}```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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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 &lt; 0.10, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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 &lt; 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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&lt;0.12, &#39;Too big error&#39;);```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(&#39;state&#39;,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 &lt; 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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 &lt; 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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 &lt; 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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 &lt; 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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 &lt; 0.1, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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 &lt; 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free &quot;Bitdeli Badge&quot;)

SpringBoot 工厂+策略模式,实现统一多端登录!

最后送大家一句口诀:登录逻辑别硬刚,策略模式来帮忙,工厂负责创实例,开闭原则记心上,Spring Boot 搭舞台,依赖注入真叫爽,需求万变不用慌,代码优雅没商量!策略模式:将每种登录方式封装成独立策略类,实现统一接口,调用者无需关心具体实现 工厂模式:通过工厂类根据登录类型创建对应的策略实例,避免调用者直接 new 对象。后续还会上新更多项目,目标是将 Java 领域典型的项目都整一波,如秒杀系统, 在线商城, IM 即时通讯,Spring Cloud Alibaba 等等,

犬小哈 94

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【设计模式实战】登录功能别再if-else了!Spring Boot+策略模式让你的代码起飞!

本文分享了一种优雅的登录功能设计方案,通过策略模式+工厂模式解决传统if-else登录代码的三大痛点。将每种登录方式封装为独立策略类,由工厂统一管理,实现登录模块的&quot;热插拔&quot;式扩展。该方案具有扩展性强、可读性高、测试简单等优势,新增登录方式只需添加策略类而无需修改现有代码。文章还提供了Spring Boot实战步骤和最佳实践建议,帮助开发者构建更易维护的登录系统。这种设计模式的应用让代码在面对需求变化时保持优雅,是提升开发效率的有效方法。

就是帅改不了 686

开源云盘工具,你值得拥有 - 自建云盘

来源:公众号【鱼鹰谈单片机】作者:鱼鹰OspreyID :emOsprey filebrowser一位道友给鱼鹰分享了一款开源云盘工具,使用体验非常好,比鱼鹰 nginx 搭建的网页资源分享方式好多了。arm 工具下载地址如下(其它平台可以在 github 主页找)https://github.com/filebrowser/filebrowser/releases/download/v2....

EmbeddedOsprey 784

开源网盘系统汇总

二、Cloudreve:一款开源的网盘系统,它提供了丰富的功能,使用户能够在自己的服务器上搭建个人或团队的云存储和文件共享平台。一、AList:一款免费开源的网盘系统,它支持挂载多种网盘,包括百度网盘、阿里云盘、夸克网盘、蓝奏云等,甚至还可以挂载别人分享的资源。三、Nextcloud:一款开源的云存储和协作平台,旨在为个人用户、企业和团队提供安全、隐私保护的数据存储和共享解决方案。四、Seafile:一款安全、高效、开源的文件存储和协作平台,它提供了丰富的功能以满足个人、企业和教育等不同场景的需求。

sealong99的博客 6113

蓝眼开源云盘部署全过程(包含mysql安装)

这里有一个注意事项:他的数据目录是叫matter,我们如果是直接安装,那么,他的数据目录也在安装目录的路径下,那么网盘的空间也就安装目录的空间大小限制,后面我是新增了一个盘,单独作为他的数据目录盘。把新磁盘挂载到matter,挂载的时候先备份运行里面的数据,挂载完后拷贝一份进去就可以直接使用了。此时,控制台因为是前台运行,可以先退出,然后我们进入到他的服务配置目录,可以使用脚本控制服务的启动停止。输入之前创建的数据库名以及root账号和上面设置的密码,并测试一下。点击下一步后,下拉到底部,点击一键建表。

凡心所向,素履以往,生如逆旅,一苇以航 2762

基于HDFS实现的简易云盘系统(代码开源)

基于HDFS实现简单的云盘系统。代码开源。

qq_53574266的博客 7769

Linux搭建开源企业云盘Seafile,私有文件同步云盘及基本使用

在日常生活经常需要在不同的设备间同步文件,还有在企业作为公司云存储备份使用。类似的有谷歌云端硬盘,但是作为企业不能统一管理,即没有admin权限管理其他账号,而且免费空间有限。国内的百度网盘,并没有文件同步功能,只支持手动的上传和下载,而且也没有文件历史版本功能。Seafile是一款优秀的开源企业云盘软件,拥有文件版本管理、跨平台文件同步和共享等功能,可以方便自建一个私有的云存储服务。

7528

有哪些好用的开源网盘?

只推荐干货!UC网盘、新浪微盘、迅雷快盘、华为网盘、360云盘、网易云盘、乐视云盘都已经是过去式了!这些关闭的网盘项目中我们不难看出,免费的网盘项目注定会失败。网盘储存空间、带宽都需要收费,没有盈利点的网盘项目,网盘公司只能自掏腰包。各大网盘退场,和国家政策、无法盈利有关。免费的背后,难逃失败的命运!个人或公司除了购买别人已经搭建好的企业网盘,还可以自己动手搭建!企业私有网盘这块的市场还是蛮大的,很多个人\团队开源了许多优秀的网盘程序!下面就来推荐一些好用的开源网盘。ownCloudownCloudownC

凌风探梅的专栏 6922

3.2k star,一款设计精良、功能全面的开源私人云盘系统!

珍贵的日常照片、重要的工作文档、团队协作中需要频繁共享的资料,无论是保存还是分享,在隐私泄露严重的当下,有一款方便、靠谱的软件非常重要。基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能。文件分享功能是其亮点之一,用户可以生成带提取码和过期时间的分享链接,在保证数据安全的前提下,便捷地向外界分享文件。

芋艿V 84

docker-compose部署蓝眼云盘

创建lanyan目录#编辑Dockerfile文件#基于官方mysql:5.7镜像#作者#配置数据库root用户密码#创建一个名为tank的数据库#创建一个名为tank的用户#c配置用户密码#开放3306端口#查看构建好的镜像。

qq_46162321的博客 977

开源网盘程序,自建网盘指南

ShowTa云盘是一款专注于公司网盘和个人网盘的开源程序,其界面简洁舒适,支持预览图片、文本或Markdown文档,支持代码高亮,可以在线播放视频,还支持设置文件夹密码等功能。支持添加本地存储、阿里云盘等。

我的博客 1201
上一篇: 一款开源的资产管理神器,中年男士必备!
下一篇: 为什么 Spring 和 IDEA 都不推荐使用 @Autowired 注解??
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377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
 
 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