[Qt] Qt文件操作 [2013-08-13更新]

Qt QFile文件操作详解 Qt QFile文件操作详解 很多应用程序都需要具备操作文件的能力,包括对文件内容进行读/写、创建和删除文件等,甚至某些应用程序的诞生纯粹是为了操作文件,比如 WPS Office、PDFedit 等。为此,Qt 框架提供了 QFile 类专门用来操作文件。 QFile文件操作 QFile 类支持对文件进行读取、写入、删除、重命名、拷贝等操作,它既可以操作文件文件,也可以操作二进制文件。 使用 QFile 类操作文件之前,程序中需引入头文件。创建 QFile 类的对象,常用的构造函数有: QFile::QF 阅读详情
- 经验总结

1. 直接访问模式在输入/输出的块操作使用4千字节或更大的情况下使用最好。

2. 当每次读小量数据时,缓存访问工作的更好。

3. 重要:当使用缓存的文件工作时,数据没有被立刻写到文件中。调用flush()可以确保数据被真正地写完。 

4. 警告:如果你有一个缓存文件以同时读写方式打开,你不要在一次输入操作之后立即输出,反之亦然。你必须在输入和输出操作之间调用flush()或者一次文件定位操作,比如seek(),否则缓存中可能会包含无用信息。 

5. 如果文件不存在并且指定IO_WriteOnly或IO_ReadWrite时,文件将被创建。



- 基本操作

#include <QFile>
#include <QTextStream>

QFile file("/../filename");

- 读文件

功能:把文件的内容读取到fileContent

if ( file.open(QIODevice::ReadOnly ) )
{
    QTextStream stream( &file );
    QString fileContent;
    QString line;
    while ( !stream.atEnd() )
    {
        line = stream.readLine();           // 不包括“n”的一行文本
        fileContent.append(line).append("\n");
    }
    file.close();
}

QStringList lines;
if ( file.open(QIODevice::ReadOnly ) )
{
    QTextStream stream( &file );
    QString line;
    int n = 1;
    while ( !stream.atEnd() )
    {
        line = stream.readLine();      // 不包括“n”的一行文本
        //printf( "%3d: %sn", n++, line.toLatin1() );
        lines += line;
    }
    file.close();
}

-------------------------------------------------------------------------

- 写文件

功能:将strtmp的内容写入文件

if ( file.open( IO_WriteOnly ) )  // QIODevice::WriteOnly
{
    QTextStream stream( &file );
    stream << strtmp << "\n";
    file.close();
}

QStringList lines;
if ( file.open( IO_WriteOnly ) )
{
    QTextStream stream( &file );
    for ( QStringList::Iterator it = lines.begin(); it != lines.end(); ++it )
    {
        stream << *it << "\n";
    }
    file.close();
}

-------------------------------------------------------------------------

- 删除文件

QFile::remove("/.../fileName");



- 文件打开方式

#define IO_ReadOnly      QIODevice::ReadOnly
#define IO_WriteOnly     QIODevice::WriteOnly
#define IO_ReadWrite     QIODevice::ReadWrite
#define IO_Append        QIODevice::Append
#define IO_Truncate      QIODevice::Truncate
#define IO_Translate     QIODevice::Text
#define IO_ModeMask      0x00FF

IO_Raw                   指定直接的(非缓存的)文件访问
IO_ReadOnly              以只读模式打开文件
IO_WriteOnly             以只写模式(并且截短)打开文件
IO_ReadWrite             以读/写模式打开文件,等于(IO_ReadOnly | IO_WriteOnly)
IO_Append                以附加的模式打开文件(当你想向日志文件写些东西时这个模式非常有用)
                         文件索引被设置到文件末尾,使用while循环遍历文件时需重置文件索引
                         注意如果你在附加模式中使用at()定位文件索引,结果将为定义的
IO_Truncate              截短文件
IO_Translate             在MS-DOS、Windows和OS/2下对文本文件翻译回车和换行



- 判断文件或目录是否存在

#include <QFileInfo>

QFile file("...");
QFileInfo fileInfo(file);
or
QFileInfo fileInfo;
fileInfo.setFile(filePath);

bool QFileInfo::exists () const
Returns true if the file exists; otherwise returns false.

bool QFileInfo::isDir () const
Returns true if this object points to a directory or to a symbolic link to a directory; otherwise returns false.



- 打开指定的文件夹

QDesktopServices::openUrl(QUrl("file:///C:/Documents and Settings/All Users/"));



- 遍历某个目录下的文件

#include <QDir>

QDir dir;
dir.cd("/directory");                 // 指定目录
dir.setFilter(QDir::Files);           // 过滤器
dir.setSorting(QDir::Name);           // 排序依据(此处为按名称排序)

QFileInfoList list = dir.entryInfoList();

for (int i = 0; i < list.size(); ++i)
{
    QFileInfo fileInfo = list.at(i);
    fileInfo.fileName()               // 获取文件名
    fileInfo.size()                   // 获取文件大小
}


VS2013+Qt的安装以及拷贝项目之后的错误解决办法 第一次接触关于Qt的项目,是很蒙的。特别是项目拷贝过来之后各种报错。 首先总结一下: 1. 安装VS2013 2. 安装Qt以及Qt插件 3. 配置Qt环境变量 4. 配置VS2013的QT属性信息 5.如果你是拷贝的项目,记得把.user文件删除(项目编译之后会自动生成关于Qt的一些路径配置信息,所以,要删除原项目的配置信息) 6.如果你是拷贝的项目,记得把QtMsBuild文件夹... 阅读详情

相关推荐

win7下,vs2013+qt5.3+qwt6.1.2安装配置

现在sdk做的尽量傻瓜化,基本一直下一步就可以了,不像以前还要自己编译,配置各种环境变量。 一、安装vs2013 社区版 连续确定。 出现问题: 我的系统有点小问题,提示setup blocked,needs to restart。重启之后还是不能继续,后来发现是windows update的问题,更新下就好了。 二.、安装和配置qt5.3 1.下载qt

备忘录 4313

Qt之QFileInfo的常用操作

Qt文件信息获取之QFileInfo 在Qt中为文件的操作和信息获取提供了许多方便的类,常用的有QDir,QFile,QFileInfo以及QFileDialog,在本文中主要介绍用于获取关于文件信息的QFileInfo类。 QFileInfo可以获取文件的名称和位置信息,此外,还有文件的大小,文件的访问权限以及此文件是不是一个符号链接等信息。不仅如此,我们还可以通过这个类来查看文件的创建时间,修...

没闲的小孩多酱 3267

中标麒麟V7安装Qt5.13.0

一、安装环境 中标麒麟V7 二、准备的安装包 1、Qt安装包5.13.0,下载地址https://download.qt.io/archive/qt/选择run结尾的 2、装好的Qt运行不起来,需要以下2个包 dbus-1.13.10.tar.xz 和freetype-2.10.0.tar.bz2 三、安装 QT5.13.0 1、在/home中新建Qt文件夹,把下载的Qt镜像放进去; 2、把dbus-1.13.10.tar.xz 和freetype-2.10.0.tar.bz2...

3833

Qt文件操作

Qt文件操作

m0_60259116的博客 2401

QT基础教程(QT中的文件操作)

本篇文章我们来讲解QT中的文件操作,文件操作对于QT来说是非常重要的一个点,那么下面的话将给大家详细的讲解QT中的文件操作。本篇文章就讲解到这里。

m0_49476241的博客 7740

QT应用编程: ubuntu18.04下QT5.13搭建Android开发环境(配件齐全)

一、环境介绍 操作系统: ubuntu18.04(64位)--VM虚拟机运行 QT版本: 5.13.2 二、从零开始安装软件,搭建开发环境 QT所有版本下载地址首页:https://download.qt.io/ QT5.13.2下载地址:https://download.qt.io/archive/qt/5.13/5.13.2/ 下载下来之后,直接在命令行运行这个软件包,然后根据提示下一步下一步安装即可。 注意: 如果没有QT账号,就需要先断网再重新安装,不然就需要输入QT账...

2045

Qt之文件操作 基础详解

Qt 文件操作,零基础,QFile

weixin_62370184的博客 6080

Linux -- 图形界面配置Samba;system-config-samba工具

图形界面配置Samba6.6.1 system-config-sambasystem-config-samba是Red Hat公司专门为Samba服务器管理编写的图形界面的管理工具,通过system-config-samba几乎可以完成对Samba服务器的所有配置,所以在只希望通过Samba服务器实现一些简单的资源共享时,system-config-samba是一个不错的选...

weixin_33695450的博客 2200

[Qt] QSettings(ini文件、注册表)[2013-08-13更新]

- ini文件读写 #include ... QSettings *iniFile = new QSettings("conf.ini", QSettings::IniFormat, this); // 解决中文读写问题(for Windows) // 程序编码设置为“SYSTEM” iniFile->setIniCodec("UTF-8"); or iniFile-

it_mac的专栏 2212

从零开始:用Python搭建你的第一个加密货币量化交易机器人(附完整代码)

本文详细介绍了如何使用Python从零开始搭建一个加密货币量化交易机器人,涵盖环境准备、交易所API连接、基础交易策略实现、回测系统构建以及实盘部署等关键步骤。通过完整的代码示例,帮助读者快速掌握数字货币量化交易的核心技术,适合有一定编程基础的投资者入门。

weixin_30415113的博客 465

FPGA控制AD5754实现模数转换Verilog代码与测试激励

本文提供了使用FPGA控制AD5754芯片实现数字信号转模拟信号的Verilog代码和测试激励。AD5754芯片简介:AD5754是一款16位数字信号转模拟信号的芯片。通信方式:FPGA与AD5754之间通过SPI接口进行通信,SPI时钟clk的最大频率为30MHz。模拟输出:AD5754提供了四路模拟输出。工作方式:当前AD5754采用单极性工作方式。指令刷新:根据现有理解,同轴的速度和电流指令应同时刷新。利用LDAC引脚控制模拟信号的刷新,但需实际验证。CLR信号验证。

whm128的博客 246

Qt 5.13版本正式发布(带下载链接)

摘自Qt官网内容。快来看看新版本更新了些什么东西吧。

Qt君 1万+

AI 智能体(Agent)应用开发工程师 · 进阶面试 (五)

在有多位 Agent 共同参与决策时(如评审委员会、代码审查小组),它们可能提出截然相反的建议。共识机制就是用来在这种冲突中得出唯一行动方案的规则。常用机制:多数投票:每个 Agent 一票,根据投票结果决定。实现简单,但忽略了专业度差异。加权投票:根据 Agent 的角色重要性或历史表现赋予不同权重,例如首席架构师 Agent 的票权重是普通开发者 Agent 的 2 倍。管理者仲裁:由一个权限更高的 Manager Agent 听取各方理由后做出最终裁决。这类似于层级制组织决策。辩论收敛。

篮球界最会写bug的人;程序猿中打球最菜的人。 393

【Qt android】Qt 5.13.0 配置android环境 Ubuntu18.0

参考链接: http://blog.chinaunix.net/uid-15732309-id-5758682.html https://blog.youkuaiyun.com/sunny_hu92/article/details/80164784

David Xiao 1885

[QMT量化交易小白入门]-四十九、中小盘策略是否还有未来,市值再平衡策略,年化收益率124%

该策略旨在通过定期再平衡持仓,保持投资组合中股票数量恒定(),并优先持有市值较小的股票。具体来说,策略每两天(period = 2)进行一次再平衡,根据当前市值对持仓进行调整,以实现微盘股的投资目标。中小市值策略对资金量要求有限制,资金量太大由于流动性不足,滑点可能较大,资金量太小,可能不能达到10-20只持仓,来分散风险,10-100w可能是比较理想的,后续可以根据波动率动态调仓,或波动率大于一定值时触发再平衡加入ROE或其他财务指标,或者研发投入强度大的专精特新企业,进行组合优化。

木头大左的博客 1184

Python爬虫实战:58同城租房信息分析与可视化,寻找高性价比房源

随着城市化进程加快,租房需求日益增长。58同城作为国内领先的本地生活服务平台,汇聚了大量房源信息。本教程将使用最新的Python爬虫技术获取58同城租房数据,通过数据分析与可视化揭示各区域租金水平,并运用机器学习算法找出性价比高的房源。本项目将使用异步爬虫、反爬对抗技术、数据清洗、可视化分析和机器学习建模等技术栈。

2201_76125261的博客 1279

Qt Creator13配置Android开发环境

QT Creator13是目前(2024年)最新版本,配置Android开发环境有一些不一样,走了一些弯路,记录如下。

willhu2008的专栏 3119

药物对接仿真软件:HADDOCK_(9).结果分析方法

HADDOCK是一种强大的药物对接仿真工具,通过对生成的输出文件进行详细的分析,我们可以验证仿真结果的可靠性,并为进一步优化药物设计提供依据。常见的分析方法包括解读输出文件、使用可视化工具进行结构分析、评估对接模型的稳定性和准确性等。通过这些步骤,我们可以更全面地了解受体和配体的结合模式,从而提高药物设计的成功率。

kkchenjj的博客 1007

[Qt] Qt鼠标 [2013-08-13更新]

- 鼠标光标 #include QCursor cursor; QPoint p = cursor.pos();     // 此时p表示当前鼠标光标的坐标 - 鼠标事件 用法:直接覆盖原来的处理方法 #include protected:     void mouseMoveEvent(QMouseEvent *e);     v

it_mac的专栏 1312

ICC2: place阶段的clock network delay

设置了set_clock_latency之后,即便没长tree,也会有反标值,显示为clock network delay(ideal)和设置的clock latency值,需要注意的是同时设置set_clock_latency和set_clock_latency -source,clock network delay(ideal)值是二者叠加的。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 317

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Qt Creator 13-CMake更新

​2024年4月5日:Cristian Adam |评论​以下是Qt Creator 13中一组突出显示的CMake功能和修复程序。查看所有CMake更改的ChangeLog。

aggs1990的专栏 480

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")

QT常用函数和总结(持续更新)

前情回顾: 我又有一个多月没写博客了,上个月太忙了,忙着毕业设计跟论文,请了一个多月的假,实习也快结束了,我把我遇到的写下来,大家一起学习。 内容: 一、trimmed //删除字符头尾空格 二、setEchoMode //设置密码保护(输入字符为小黑点) //输入什么就显示什么 1、echoLineEdit->setEchoMode(QLineEdit:...

罗斯的小老弟的博客 1万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

ubuntu(任何更新版本)安装QT5.12QT

文章最开始是准备使用QT5.15演示的,但是发现5.15也成在线安装的了,QT5.13又没有过就用QT5.12了,文中有个报错使用的就是在线的版本,但是依赖已经安装了,没有更新的截图,所以版本问题不要纠结,跟着文章走就是了。有一点需要说明到2023年11月以来整个QT5版本里面,QT5.15版本是唯一需要在线更新的版本,也就是官方找不到离线安装包,QT15是中文界面其UI也做出了改变,而QT6也是新出的版本存在一定的兼容性,广大学子如果学习的其他博主的文档或者视频时最好跟着配套的版本安装不一定跟着博主。

qq_46005899的博客 8702

Qt5 对xml文件常用的操作(读写,增删改查)

项目配置pro文件里面添加QT+=xmlinclude &lt;QtXml&gt;,也可以include &lt;QDomDocument&gt;项目文件:.pro 文件QT += core xml QT -= gui TARGET = xmltest CONFIG += console CONFIG -= app_bundle TEMPLATE = app ...

linux 4万+

关于QT5.13.1或者其他版本串口readyRead信号不产生的解决方法

在网上找了各种各样的资料,各种改程序,到最后还是发现,信号不产生,最后只能使用阻塞的方式去读串口接收的数据。不过不甘心,一直在寻求到底程序哪里写错了。 最后发现找到原因,不是程序的问题,是这个版本的QT的BUG,可以现在更新到5.13.2,就可以解决,不只是5.13.1有这个问题,还个别版本存在这个问题,所以只有更新软件版本了。 ...

MCJ的博客 3537

吐槽下目前最新的Qt5.13.0(618发布)

5.13.0的吐槽。选在618前后发布Qt,不知是仓促还是草率?总体来看,新的更新对初中级玩家没有多少令人感动的地方,反而新的帮助文档让人失望。

MrTsai_cpp的博客 2225
上一篇: Fedora 19 安装 NixNote(NeverNote)[2013-08-12更新]
下一篇: [Qt] Qt鼠标 [2013-08-13更新]
xb_ma
博客等级 码龄18年 23粉丝 65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