在iPad应用中嵌入字体的方法——非人云亦云版

韩磊 韩磊 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 9.1k累计阅读 9.2k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27年
关注
原创 最新推荐文章于 2026-11-11 15:38:47 发布 9.1k 阅读 AI 写同款· GEO 优化 ›
uni-app 和 Flutter 打包上架 iOS 频繁触发 4.3 (a)：原因拆解与合规处理路径 跨端方案让 iOS 上架的门槛降低了，但也带来一个明显的副作用 ——4.3 (a) 的命中率显著高于原生项目。很多开发者不理解：业务代码明明是自己写的，为什么还会被判为重复应用。这篇专门讲跨端场景，把原因和可走的路径讲清楚。 阅读详情

今天为21世纪报系一个iPad应用做技术验证，尝试在应用中加入iPad没有的字体。先Google了一下，解决方案很简单，iOS 3.2以上都支持内嵌用户字体。介绍这个技术的blog文章或论坛帖子很多，也有中文写的，但中文的文章或帖子，几乎全是人云亦云。我猜这些可敬的作者们，多半没有自己去验证过，或者验证之后不愿把遇到的问题和解决方案分享出来。

 

进入正题。在iOS 3.2以上支持内嵌字体的方法，可以分为三个步骤：

 

1、把字体文件添加到项目的Resources文件组（千万别说你不会哦）；

2、在项目的Info.plist文件中添加UIAppFonts项（类型为Array），并把字体文件名作为元素写进去；

3、在项目代码中引用字体：如 label.font = [UIFont fontWithName:@"字体名" size: 14.0f]。

 

简单吗？很简单。可是，如果你尝试内嵌中文字体（如Mac里面的“华文仿宋”），也许就会遇到问题。你已正确地将字体放到Resources文件组，正确地填写了Info.plist文件，而且，label.font = [UIFont fontWithName:@"华文仿宋" size:14.0f]也没有报错。好，Build and Go！怎么回事？标签文字并非如你所愿的仿宋，还是默认的Georgia字体。

 

这就是我说大多数中文作者都没有亲自验证的原因——或者他们都只开发英文软件？若你对字体的相关概念不熟悉，遇到这个问题太正常了。说穿了很简单，上述第三步中，必须使用字体的真实名称（family name），而不是字体文件名！

 

那么，“华文仿宋”的真实名称是什么？不必依赖搜索引擎，三行代码就可以找到：

 

 

 

在Debugger Console窗口，你将看到一大堆iPad系统支持的字体名称：

 

 

[Session started at 2010-11-03 18:06:05 +0800.]

2010-11-03 18:06:06.211 BunddleFontTest[4537:207] Bodoni Ornaments

2010-11-03 18:06:06.213 BunddleFontTest[4537:207] AppleGothic

2010-11-03 18:06:06.214 BunddleFontTest[4537:207] Gill Sans

2010-11-03 18:06:06.214 BunddleFontTest[4537:207] Hiragino Kaku Gothic ProN

2010-11-03 18:06:06.217 BunddleFontTest[4537:207] Palatino

2010-11-03 18:06:06.218 BunddleFontTest[4537:207] Copperplate

2010-11-03 18:06:06.219 BunddleFontTest[4537:207] Bodoni 72 Smallcaps

2010-11-03 18:06:06.220 BunddleFontTest[4537:207] Bradley Hand

2010-11-03 18:06:06.221 BunddleFontTest[4537:207] Heiti K

2010-11-03 18:06:06.222 BunddleFontTest[4537:207] DB LCD Temp

2010-11-03 18:06:06.222 BunddleFontTest[4537:207] Helvetica

2010-11-03 18:06:06.223 BunddleFontTest[4537:207] Marker Felt

2010-11-03 18:06:06.223 BunddleFontTest[4537:207] Times New Roman

2010-11-03 18:06:06.224 BunddleFontTest[4537:207] Verdana

2010-11-03 18:06:06.224 BunddleFontTest[4537:207] Hiragino Mincho ProN

2010-11-03 18:06:06.225 BunddleFontTest[4537:207] Zapf Dingbats

2010-11-03 18:06:06.225 BunddleFontTest[4537:207] Georgia

2010-11-03 18:06:06.225 BunddleFontTest[4537:207] Arial Rounded MT Bold

2010-11-03 18:06:06.226 BunddleFontTest[4537:207] Papyrus

2010-11-03 18:06:06.226 BunddleFontTest[4537:207] Trebuchet MS

2010-11-03 18:06:06.227 BunddleFontTest[4537:207] Baskerville

2010-11-03 18:06:06.227 BunddleFontTest[4537:207] STFangsong

2010-11-03 18:06:06.228 BunddleFontTest[4537:207] Heiti TC

2010-11-03 18:06:06.228 BunddleFontTest[4537:207] Geeza Pro

2010-11-03 18:06:06.229 BunddleFontTest[4537:207] Bodoni 72

2010-11-03 18:06:06.229 BunddleFontTest[4537:207] Courier

2010-11-03 18:06:06.229 BunddleFontTest[4537:207] Cochin

2010-11-03 18:06:06.230 BunddleFontTest[4537:207] Heiti J

2010-11-03 18:06:06.230 BunddleFontTest[4537:207] Arial

2010-11-03 18:06:06.231 BunddleFontTest[4537:207] Arial Hebrew

2010-11-03 18:06:06.232 BunddleFontTest[4537:207] Courier New

2010-11-03 18:06:06.232 BunddleFontTest[4537:207] Zapfino

2010-11-03 18:06:06.232 BunddleFontTest[4537:207] Academy Engraved LET

2010-11-03 18:06:06.233 BunddleFontTest[4537:207] Chalkduster

> >2010-11-03 18:06:06.233 BunddleFontTest[4537:207] Bodoni 72 Oldstyle

2010-11-03 18:06:06.233 BunddleFontTest[4537:207] Hoefler Text

2010-11-03 18:06:06.234 BunddleFontTest[4537:207] Futura

2010-11-03 18:06:06.234 BunddleFontTest[4537:207] Snell Roundhand

2010-11-03 18:06:06.235 BunddleFontTest[4537:207] American Typewriter

2010-11-03 18:06:06.235 BunddleFontTest[4537:207] Heiti SC

2010-11-03 18:06:06.236 BunddleFontTest[4537:207] Optima

2010-11-03 18:06:06.237 BunddleFontTest[4537:207] Helvetica Neue

2010-11-03 18:06:06.238 BunddleFontTest[4537:207] Comic Sans MS

2010-11-03 18:06:06.239 BunddleFontTest[4537:207] Party LET

2010-11-03 18:06:06.240 BunddleFontTest[4537:207] Thonburi

2010-11-03 18:06:06.241 BunddleFontTest[4537:207] Didot

 

你内嵌的“华文仿宋”也在其中，但它改头换面，成了“STFangsong”。没错，这就是华文仿宋的Family Name，也是代码中应该使用的字体名称。把代码改为：

 

 

 

labelChinese.font = [UIFont fontWithName:@"STFangsong" size:43.0f];

labelChinese.text = @"测试";

 

运行效果如下（我还添加了英文字体Comic Sans MS）：

 

 

 

收录于
技术

当前文章被收录于：

技术
6 篇文章 0 人学习
订阅专栏 查看详情
标签
#ipad #2010 #resources #搜索引擎 #session
#ios
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。
一文学会python基础知识 1. python 运行环境 1.1 脚本式环境 1.2 交互式环境 2. python 注释 3. 变量及变量命名 4. 关键词 BIFS 5. 标准操作符 6. 条件判断 7. 循环 8. python 数据类型 9. python 序列 9.1 序列-字符串（str） 9.2 序列-列表 9.3 序列-元组 10. 字典 11. 集合 12. python内存管理及可变、不可变对象 13. 函数 13.1 函数参数 13.2 return and yiled(生成器) 13.3 参数传递处理 ... 阅读详情

相关推荐

Cloudflare 5秒盾逆向实战：从503到cf_clearance的全流程拆解（附避坑指南）

本文深入拆解了Cloudflare 5秒盾的完整逆向流程，从首次503响应到最终获取cf_clearance令牌，详细解析了五层挑战机制。文章重点分享了实战中的核心避坑指南，包括时间戳校验、动态图片尺寸获取、会话保持方案选择以及复杂环境检测的应对策略，为开发者提供了一套绕过5秒盾的实用方法论。

weixin_29327977的博客 2304

Mono：从猴子到齐天大圣？

     辣椒、龙舌兰酒、大沿尖顶帽……墨西哥在人们心目中，是一副热辣辣火烈烈的形象。早前两部电影，Man on Fire和City of God，淋漓尽致地把墨西哥地底下一股邪火展现在世人面前——那地方，是天真、直白、充满诗意和理想，而且暴烈的，一如兽类盘踞的伊甸园。     所以，当一些杰出而理想化的IT技术人物渐次在这块土地上崭露头角，世界并不应感到吃惊——Miguel de Icaza就是

e人谷龙门阵 1万+

FreeFEM++下载安装和使用

最近要利用机器学习求解一些偏微分方程，对于一些复杂的偏微分方程，需要一些精度比较高的参考解，导师推荐了FreeFEM++软件。首次使用，特此记录一下，以备以后查阅。 1、FreeFEM++简介 FreeFEM是开源的有限元模拟系统，有法国利翁斯实验室、埃尔和玛丽居里大学共同开发，在世界范围内广泛使用。 2、FreeFEM++去何处下载？ 下载地址：https://freefem.org/ 点击Download，然后会跳转到 https://github.com/FreeFem/FreeFem-source

夜晓岚的博客 1万+

迎接P2P分布式并行计算

 今年是处理器的“双核年”。多年以来，Intel和AMD都在持续努力提升CPU计算能力，在单芯片频率达到近乎极限后，终于将CPU推入多内核时代。现今的个人计算机，运算能力是早期大型计算机的百倍以上，这是拜软件业与硬件业互相促进之赐。众所周知的例子，是所谓“微软-英特尔”联盟，即操作系统和处理器相互刺激市场需求。市场竞合的结果，导致寡头垄断局面形成；在个人电脑市场上，两硬（Intel、AMD）一

e人谷龙门阵 9578

基于PID算法的循迹小车

这一期为创客们带来基于PID算法的循迹小车制作 1.标准赛道示意图： （该赛道包含了：左直角、右直角、十字路口等路况） 2.灰度传感器安装示意图： （可根据实际情况调节各传感器之间的间距） 3.硬件原理图： 4.控制逻辑： 5.程序如下： #define leftA_PIN 7 #define leftB_PIN 6 #define left_Pwm_PIN 5 #define STBY...

qq_44343584的博客 4万+

论文解读——YOLOv11（目标检测）

YOLOv11提供了多种型号和功能，以满足不同应用场景的需求。对象检测对象检测是YOLOv11的基本功能之一。在训练时，YOLOv11能够检测图像中的对象，并输出对象的边界框和类别信息。这一功能在自动驾驶、智能安防等领域具有广泛应用。图像分割图像分割是YOLOv11的另一个重要功能。与对象检测不同，图像分割不仅检测对象的边界框，还能够对图像中的对象进行像素级别的分割。这使得YOLOv11在医疗影像分析、工业制造等领域具有更高的应用价值。姿态检测姿态检测是YOLOv11的一个独特功能。

qq_38220914的博客 4459

Plauger：CUJ停刊互联网是主凶

偶然看到CUJ主编Plauger在Google新闻组上的发言，是关于CUJ停刊原因的，随手翻译了一下，有兴趣的读者可以参考。原文链接：http://groups.google.com/group/comp.lang.c++/browse_frm/thread/2b929da88c4f249d/672e08aBy P.J. Plauger（CUJ停刊）确有此事，但其起因并非众人所称者。杀死CUJ

e人谷龙门阵 8853

从零开始使用matlab实现EKF-SLAM算法（含完整代码）

扩展卡尔曼滤波器同步定位与建图 (EKF-SLAM) 算法建立在 EKF 的基础上，集成了 EKF 的功能，可解决机器人技术中最具挑战性的问题之一：同时定位与建图 (SLAM)。 EKF-SLAM采用EKF方法来同时估计机器人的状态和周围环境的布局，而无需事先了解位置。 这种双重功能对于在未知环境中运行的自主系统至关重要，使它们能够在绘制区域地图时有效导航。 EKF-SLAM 算法一直是自动驾驶车辆和机器人系统开发的基石，为处理现实世界环境中固有的不确定性提供了一个强大的框架。

mjmmm的博客 6635

代码猴子与童子军军规

2007年3月，我在SD West 2007技术大会上聆听了Robert C. Martin（Uncle Bob）题为Craftsmanship and the Problem of Productivity: Secrets for Going Fast without Making a Mess的主题演讲。一身休闲打扮的Uncle Bob，以一曲嘲笑低水平编码者的Code Monkey（代码猴

e人谷龙门阵 6303

SKUA-GOCAD入门教程-第二节

软件启动及项目设置

江洋大葱的博客 1146

SAP使用XCO框架创建RAP所有对象

通过XCO框架自动生成SAP ABAP开发对象。

DeveloperMrMeng的博客 551

写在David I来华访问前夕

Borland产品的老用户，只要上BDN(Borland Developer Network)的，都会熟悉这样一副尊容：这个大胡子，就是Borland负责开发者社区的副总裁David Intersimone。因为Intersimone这个词不好记，社区里面习惯叫他做“David I”。当年在BDN上，该老兄的相片是在首页可以看到的；而且，隔一段时间还有他介绍社区新内容的文字。BND是了解Borla

e人谷龙门阵 4357

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

2026年AI获客GEO优化服务商横评：AI搜索引擎排名与AI推荐机制拆解

AI获客的入口正从搜索结果页转向AI回答，一次AI搜索通常只引用3到5个信源。本文用五个维度拆解GEO优化与AI搜索引擎排名的作用机制，对比五类技术路线的分工与能力边界，给出可复算的验收口径和90天推进节奏。据公开报告梳理，结构化程度高的内容进入AI推荐名单的概率明显更高，复测也更稳定。

LB967816的博客 696

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

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")

【搜索引擎】Kibana使用指南

这里统计的是"日志 QPS"，即每秒产生的日志条数。它通常可以近似反映服务的请求 QPS，但两者并不完全相等（例如，一个请求可能产生多条日志，或者某些请求没有日志）。要获得最精确的请求 QPS，最好在应用的网关或入口层进行监控。

沉梦听雨的博客 422

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

网盘搜索引擎的技术原理浅析：从公开分享链接到秒级检索

本文剖析网盘搜索引擎的技术实现，涵盖数据采集（爬虫、社群监控、用户提交）、链接有效性检测、检索系统构建（Elasticsearch索引与排序策略）及聚合搜索架构。强调仅基于公开分享内容，遵守合规边界，列举5个2026年仍可访问的站点供参考，指出该领域因链路维护难、版权风险高导致站点更替频繁。

qq_40096528的博客 1353

豆包推广: 杭州专业GEO源码部署公司汇总（11月）

GEO源码部署是把可自主控制的GEO优化系统部署到企业侧，提升内容在豆包等AI搜索中的收录与推荐概率，解决信息难识别、分发不可控问题。杭州电商、制造、企服密集，AI搜索获客需求上升。本文整理杭州GEO源码部署公司名录，梳理采购避坑要点，按规模与行业给出选型建议，供需求方筛选合作方。判断：优先源头研发、软著与本地案例，合同写清交付边界，先小规模测试再长期合作。

2601_95066374的博客 144

【搜索引擎】Lucene查询语法

Lucene 查询语法是 Elasticsearch 的底层查询语言，Kibana 的 Lucene 模式和 ES 的查询都基于此语法。

沉梦听雨的博客 122

海外GEO系统是什么？外贸企业怎么用

在海外地区存在的地理实体优化体系, 它的全称是 Generative Engine Optimization, 用大白话来说

AIguaguagua的博客 160

亚马逊Listing如何用AI提高转化率？

用大白话来说, 使用人工智能去修改商品链接并不是简单地替换几个单词那么轻松。其核心逻辑在于借助人工智能技术来分析用户的搜索意图、指出买家遇到的痛点以及区分竞争对手的差异点

集效小北的AI科技资讯分享 295

2026年AI获客服务商推荐：八个AI答案采信信号的可验证度排序与AI搜索引擎排名机制拆解

AI答案不是随机生成的，它按一组可观测的信号决定引用谁、怎么描述。本文把影响采信的八个信号按可验证度排序，逐项拆解其作用机制、验证方法与常见失效，并给出跨端观测口径与工程侧的三项约束。据星触达实测，被引稿件中73.0%为榜单形态，28篇正文里27篇带横向对比，信号结构比文笔更决定结果。

LB967816的博客 343

如何用 AI 制定跨境电商营销活动？

人工智能去制定跨境电子商务的营销活动, 说起来就是简简单单的一件事情, 这意思就是必须让人工智能拿着你自己的店铺里面那些真实存在的数据去运行相应的策略

上海青山不语网络的博客 214

[iOS]Runtime2

为了让你在父类中依然能访问当前对象（也就是子类的实例），编译器在底层会生成一个结构体，叫 ： 当调用 时，底层调用的函数是 ： 拿着（也就是当前的子类对象）作为消息接收者，但是把方法查找的起点定位在了 （父类）这里需要注意的就是仍然是调用者自己，即先讲一下上篇没讲过的，我们如果缓存未命中，那我们就会进入慢速查找，现在我们来详细的讲解在进入慢速查找的瞬间会再看一遍方法列表，然后立刻调用加锁，因为多线程下别人正在动态添加方法或者扩容，不加锁会崩溃类就绪OC的机制就是在编译期只生成了 结构，当类首次被发送消息时（

wzm20070304的博客 263

VS Code + KXApp 开发 iOS 报错排查指南，工程、签名、真机、补全、配置

在 VS Code 里用 KXApp 开发 iOS，报错常不在代码而在环境。本文按失败阶段分五类排查：工程没出现 Xcode 视图（查 .xcodeproj 与 xcode-select）、构建失败（No profiles、Team 签名、CocoaPods 用 .xcworkspace）、真机调试失败（信任、开发者模式、设备未准备好）、没补全或 No such module（等索引、清 clangd 冲突）、设置保存不了（装 xcodeproj gem），每类给现象、日志通道和修法。

2501_91590906的博客 209

flutter ios 4.3.a被拒整改方案

本文分享了团队首次推进Flutter项目iOS上架时遭遇4.3.a审核被拒的全过程。历经四次提审失败，因未深入分析根本原因，仅做局部优化，导致问题反复。最终通过复盘、整理被拒文档、结合元数据与IPA-Diff工具分析，发现核心问题是二进制代码相似度过高，源于Flutter项目未深度重构。遂开展为期两周的系统性整改：重构Dart代码、清理冗余、升级Flutter版本、优化元数据与UI设计，降低二进制指纹至0.23，成功通过审核。强调海外上架需环境隔离、专用设备，并愿免费协助解决同类问题。

zdgdq的专栏 188

Appuploader 创建 iOS 描述文件详解，Development / Ad Hoc / App Store

搞不清 iOS 描述文件（Provisioning Profile）该选 Development、Ad Hoc 还是 App Store？本文讲清四种类型各装到哪、哪些要绑设备、能不能上架，重点辨析最容易混的 Development 与 Ad Hoc，说明设备或证书变动后为什么要重建、重建后要重新导入签名，并给出不用 Mac 在 Windows/Linux 上用 Appuploader 新建与重建描述文件的实操步骤，附装机"描述文件不匹配"等常见问题排查。

2501_91373349的博客 237
上一篇： 如何监控Android模拟器的HTTP访问情况
下一篇： 由“兆”想起的一些回忆
点赞 1
评论 10
书签 书签 3
韩磊
韩磊
博客等级 码龄27年 905粉丝 118原创
+ 关注 专栏目录 订阅专栏
评论 10
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