【MyBatis-01】MyBatis宏观介绍

本文介绍MyBatis框架的基础知识,包括它的历史发展、核心功能及如何通过配置文件和映射器实现数据库交互。从全局配置到具体业务场景的SQL执行,详细解析MyBatis的工作流程。

今天开始写系列技术,先从mybatis开始吧。

现在几乎所有的java开发者都用过mybatis,但是它究竟是什么,和ibatis的区别在哪里,发展的历程是什么,有哪些核心组件,这些核心组件之间的依赖和调用关系是怎样的。我们这个系列就讲这些东东。


介绍:

MyBatis 是一款优秀的持久层框架,它支持定制化 SQL、存储过程以及高级映射。MyBatis 避免了几乎所有的 JDBC 代码和手动设置参数以及获取结果集。MyBatis 可以使用简单的 XML 或注解来配置和映射原生信息,将接口和 Java 的 POJOs(Plain Old Java Objects,普通的 Java对象)映射成数据库中的记录。


心路历程:

MyBatis 本是apache的一个开源项目iBatis, 2010年这个项目由apache software foundation 迁移到了google code,并且改名为MyBatis,实质上Mybatis对ibatis进行一些改进。 2013年11月迁移到Github


下载地址:

https://github.com/mybatis/mybatis-3


mybatis的处理过程:




对于执行过程的解释:

1.mybatis有两类配置文件,一类是全局配置文件,约定的名称为:SqlMapConfig.xml,可以修改,包含全局配置(数据库链接,连接池,事务),该文件和业务场景无关。

另一类是mapper配置文件,主要包含具体业务场景需要执行的SQL脚本。

2.通过全局配置文件,可以构造出sqlSessionFactory,即会话工厂,其意义是创建会话。

3.sqlSessionFactory可以创建会话:sqlSession,mybatis是通过sqlsession来创建会话的。

4.sqlSession是面向程序员的接口,但他也不是最终操作数据库的,他是依赖于executor进行操作的。

5.executor要执行的信息被封装的到mappedstatement中,也就是我们写的mapper文件,mapper文件中每一条执行单元,都被封装成一个mappedstatement对象,所以命名空间和id构成了mappedstatement的唯一标识。



从网上下载下来的Mybatis包含以下内容,lib是mybatis自身的依赖包,mybatis-3.*.*.jar是mybatis的核心jar文件。

mybatis-3.2.7.pdf建议想学习的人详读,这个读懂了,mybatis的使用易如反掌。


下一节我们写一个mybatis的demo来进一步说明






源码来自:https://pan.quark.cn/s/a3a3fbe70177 AppBrowser(Application属性查看器,不需要越狱! ! ! ) 不需要越狱,调用私有方法 --- 获取完整的已安装应用列表、打开和删除应用操作、应用运行时相关信息的查看。 支持iOS10.X 注意 目前AppBrowser不支持iOS11应用查看, 由于iOS11目前还处在Beta版, 系统API还没有稳定下来。 等到Private Header更新了iOS11版本,我也会进行更新。 功能 [x] 已安装的应用列表 [x] 应用的详情界面 (打开应用,删除应用,应用的相关信息展示) [x] 应用运行时信息展示(LSApplicationProxy) [ ] 定制喜欢的字段,展示在应用详情界面 介绍 所有已安装应用列表(应用icon+应用名) 为了提供思路,这里只用伪代码,具体的私有代码调用请查看: 获取应用实例: 获取应用名和应用的icon: 应用列表界面展示: 应用列表 应用运行时详情 打开应用: 卸载应用: 获取info.plist文件: 应用运行时详情界面展示: 应用运行时详情 右上角,从左往右第一个按钮用来打开应用;第二个按钮用来卸载这个应用 INFO按钮用来解析并显示出对应的LSApplicationProxy类 树形展示LSApplicationProxy类 通过算法,将LSApplicationProxy类,转换成了字典。 转换规则是:属性名为key,属性值为value,如果value是一个可解析的类(除了NSString,NSNumber...等等)或者是个数组或字典,则继续递归解析。 并且会找到superClass的属性并解析,superClass如...
基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO)的LSTM分类预测研究(Matlab代码实现)内容概要:本文研究了一种基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO),并将其应用于LSTM神经网络的分类预测中,通过Matlab代码实现。该方法结合遗传算法的全局搜索能力与改进的多群粒子群算法的局部优化特性,提升LSTM模型在分类任务中的性能表现,尤其适用于复杂非线性系统的预测问题。文中详细阐述了算法的设计思路、优化机制及在LSTM参数优化中的具体应用,并提供了可复现的Matlab代码,属于SCI级别研究成果的复现与拓展。; 适合人群:具备一定机器学习和优化算法基础,熟悉Matlab编程,从事智能算法、时间序列预测或分类模型研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①提升LSTM在分类任务中的准确性与收敛速度;②研究混合智能优化算法(如GA与PSO结合)在神经网络超参数优化中的应用;③实现高精度分类预测模型,适用于电力系统故障诊断、电池健康状态识别等领域; 阅读建议:建议读者结合Matlab代码逐步调试运行,理解GA-HIDMSPSO算法的实现细节,重点关注种群划分、异构策略设计及与LSTM的集成方式,同时可扩展至其他深度学习模型的参数优化任务中进行对比实验。
评论
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