IBATIS 动态查询 学习

本文介绍了iBATIS中实现动态查询的方法,包括通过安全拼接语句进行动态查询的优势及多种动态查询标签的使用方式。重点讲解了IsPropertyAvailableTagHandler的三种常见用法。

 

BATIS动态查询的实现主要是在iBATIS中使用安全的拼接语句,动态查询

  iBATIS比JDBC的优势之一,安全高效

 

动态查询的标签,可以在 DTD文档 http://ibatis.apache.org/dtd/sql-map-2.dtd 中找到如下:

<!ELEMENT sql (#PCDATA | include | dynamic | iterate | isParameterPresent | isNotParameterPresent | isEmpty | isNotEmpty | isNotNull | isNull | isNotEqual | isEqual | isGreaterThan | isGreaterEqual | isLessThan | isLessEqual | isPropertyAvailable | isNotPropertyAvailable)*>

 

 

 对应到 iBATIS动态查询几个常用属性

  ﹤ isPropertyAvailable ﹥  属性是存在

  ﹤ isNotPropertyAvailable ﹥  属性不存在

  ﹤ isNull ﹥  属性值是null

  ﹤ isEmpty ﹥  判断Collection.size ﹤ 1 或String.length()﹤1

  ﹤isEqual ﹥  等于

  ﹤ isNotEqual ﹥  不等于

  ﹤ isGreaterThan ﹥  大于

  ﹤ isGreaterEqual ﹥  大于等于

  ﹤ isLessThan ﹥  小于

  ﹤ isLessEqual ﹥  小于等于

 

那么这么多标签如何使用可以参考源代码,每一个标签都有一个类相对应,类图如下:

 


 

 

稍微讲解下:

首先看最上面的接口:

SqlTagHandler 包含了三个方法:

 // 一段标签开始的时候做的事情
 public int doStartFragment(SqlTagContext ctx, SqlTag tag, Object parameterObject);

// 一段标签结束的时候做的事情
  public int doEndFragment(SqlTagContext ctx, SqlTag tag, Object parameterObject, StringBuffer bodyContent);

// 追加到SQL语句 
  public void doPrepend(SqlTagContext ctx, SqlTag tag, Object parameterObject, StringBuffer bodyContent);

 

那么在这里我们主要关注实现类:

 

ConditionalTagHandler 在doStartFragment的时候调用了方法

public abstract boolean isCondition(SqlTagContext ctx, SqlTag tag, Object parameterObject);

 这个方法在各个动态查询的子类实现。方法如果返回true那么此标签内的内容将被追加。

 

到这里其实如果你想了解所有的动态查询到底怎么用,看下各个子类就都知道了。

 


===============================================

 

我将补充讲下:IsPropertyAvailableTagHandler 这个用法

 

我也将源代码贴出来如下:

package com.ibatis.sqlmap.engine.mapping.sql.dynamic.elements;

import com.ibatis.common.beans.Probe;

import com.ibatis.common.beans.ProbeFactory;

import java.util.Map;

public class IsPropertyAvailableTagHandler extends ConditionalTagHandler {

 private static final Probe PROBE = ProbeFactory.getProbe();

public boolean isCondition(SqlTagContext ctx, SqlTag tag, Object parameterObject) {

    if (parameterObject == null) {

      return false;

    } else if (parameterObject instanceof Map) {

      return ((Map)parameterObject).containsKey(tag.getPropertyAttr());      

    } else {

      String property = getResolvedProperty(ctx, tag);

      // if this is a compound property, then we need to get the next to the last

      // value from the parameter object, and then see if there is a readable property

      // for the last value.  This logic was added for IBATIS-281 and IBATIS-293

      int lastIndex = property.lastIndexOf('.');

      if (lastIndex != -1) {

        String firstPart = property.substring(0, lastIndex);

        String lastPart = property.substring(lastIndex + 1);

        parameterObject = PROBE.getObject(parameterObject, firstPart);

        property = lastPart;

      }

      

      if (parameterObject instanceof Map) {

        // we do this because the PROBE always returns true for 

        // properties in Maps and that's not the behavior we want here

        return ((Map) parameterObject).containsKey(property);

      } else {

        return PROBE.hasReadableProperty(parameterObject, property);

      }
    }
  }
}

 

 

如代码所示他有三种用法:

1,当参数是null的时候,将返回false,SQL不被追加

2,当参数是Map的时候,将比对property是否是map中的一个key。如果是,那么追加SQL(是我们比较常用的)

3,当参数是复杂类型的时候,将比对property在这个复杂类型的类中是否存在,并且是可读的,如果是,那么追加SQL

 

 

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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