Spring Boot 基于枚举前端字典返回

Springboot字典回显 在前后端分离开发的场景下,后端经常会需要将状态或者类型这样的数据以阿拉伯数字返回,比如1:生效,2:失效;3:发布中等等;以往我们的做法都是前后端沟通好前端通过数字和中文自己对应并显示。后端如果修改字典前端也需要一起跟着改 阅读详情

01 原因

在数据库表结构设计过程中,常常使用status来表示当前记录的状态。返回给前端时,有时候需要后端手动调用查询数据库,返回字典翻译后的值,此操作过于麻烦。所以想使用的一个便捷的方式。

02 原理

JSON序列化时,将翻译后的值从字典中取出,动态添加到返回的的数据内

03 实现

项目采用Spring boot + Mybatis plus 进行开发 故采用了mybiatis plus的枚举接口

3.1 定义一个通用字典枚举,集成mybatis plus的IEnum

import com.baomidou.mybatisplus.core.enums.IEnum;
import com.fasterxml.jackson.annotation.JsonValue;
import java.io.Serializable;



/**
 * @description: 通用字典枚举
 * @author: wsat
 * @create: 2019-07-04 11:56
 **/
public interface IDictEnum<T extends Serializable> extends IEnum<T> {

    /**
     * 数据库中存储的值
     * @return
     */
    @JsonValue
    @Override
    T getValue();


    /**
     * 从数据库保存的字典ID
     * @return
     */
    String getDictCode();
    
}

3.2  实现该枚举

public enum  RoleEnum implements IDictEnum<String> {
    /**
     * 管理员
     */
    ADMIN("admin"),
    /**
     * 医生
     */
    DOCTOR("doctor");


    public final static String DICT_CODE="ROLE";

    RoleEnum(final String roleId){
        this.value=roleId;
    }

    public String value;

    @Override
    public String getValue() {
        return value;
    }

    @Override
    public String getDictCode() {
        return DICT_CODE;
    }
}

3. 3 生成一个Model

@Data
@EqualsAndHashCode(callSuper = false)
@Accessors(chain = true)
@TableName("user")
@ApiModel(value="User对象", description="")
public class User extends Model<User>  {

    private static final long serialVersionUID = 1L;

    @TableId(value = "user_id", type = IdType.ID_WORKER)
    private Integer userId;

    @ApiModelProperty(value = "手机号")
    @TableField("phone")
    private String phone;


    @ApiModelProperty(value = "密码")
    @TableField("password")
    @JsonIgnore
    private String password;


    @ApiModelProperty(value = "角色")
    @TableField("role")
    private RoleEnum role;
}

3.4 Mybiatis Plus 枚举转化配置 mybatis plus版本号 3.1.1

mybatis-plus:
  configuration:
    default-enum-type-handler: com.baomidou.mybatisplus.extension.handlers.MybatisEnumTypeHandler
  type-enums-package: com.fidt.oims.module.system.model.enums

3.5 Jackson 添加IDictEnum序列化

public class DictEnumWebSerializer extends JsonSerializer<IDictEnum> {
    @Override
    public void serialize(IDictEnum value, JsonGenerator jgen, SerializerProvider provider)
            throws IOException {
        if(value==null){
            jgen.writeNull();

        }
        jgen.writeObject(value.getValue());
        jgen.writeFieldName(jgen.getOutputContext().getCurrentName()+"Name");
        jgen.writeString(getEnumDesc(value));
    }

    @Override
    public Class handledType() {
        return IDictEnum.class;
    }

    private  String getEnumDesc(IDictEnum dictEnum){
        //此处从缓存中读取字典的信息
        return DictManger.getDictName(dictEnum.getDictCode(),dictEnum.getValue());
    }
}

3.6  添加到DictEnumWebSerializer到ObjectMapper内

@Configuration
public class WebConfig implements WebMvcConfigurer {

    
    @Override
    public void extendMessageConverters(List<HttpMessageConverter<?>> converters){
       converters.stream().filter(converter->converter instanceof MappingJackson2HttpMessageConverter).forEach(converter->{
           MappingJackson2HttpMessageConverter jsonConverter = (MappingJackson2HttpMessageConverter)converter;
           DictEnumWebSerializer dictEnumSerializer = new DictEnumWebSerializer();
           SimpleModule simpleModule = new SimpleModule();
           simpleModule.addSerializer(dictEnumSerializer);
           jsonConverter.getObjectMapper().registerModule(simpleModule);
       });
    }

}

04 展示

 

 

 

 

 

Java枚举驱动下拉框:元数据接口与前端契约设计实战 在前后端联调中,下拉框数据格式的混乱是常见的痛点:后端返回枚举值,前端却无法直接渲染;多端共建时,字段字典的同步更是效率黑洞。解决这类问题,需要从数据字典的底层抽象入手,通过统一的元数据模型将枚举值、展示文案与样式信息结构化,形成一套一致的前端契约。以Java枚举作为数据源,借助注解与反射机制,配合轻量级接口设计,即可实现字典数据的集中管理与热插拔扩展。这种方案既保留了类型安全的优势,又降低了联调成本,广泛应用于CRUD系统、低代码平台、规则配置中心等场景。本文围绕这一思路,介绍枚举驱动下拉框的核心设计原理 阅读详情

相关推荐

【SpringBoot】24、SpringBoot中实现数据字典

数据字典是指对数据的数据项、数据结构、数据流、数据存储、处理逻辑等进行定义和描述,其目的是对数据流程图中的各个元素做出详细的说明,使用数据字典为简单的建模项目

JACKAL 23万+

springboot项目mybatis plus使用枚举字典

mybatis plus 枚举类型 添加mybatis-plus依赖 <dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-boot-starter</artifactId> <version>${mybatis.plus.versi

liouwb的博客 2097

基于Spring Boot的社团管理系统:从设计到部署的实战指南

在软件开发领域,Java因其稳定性、跨平台性和成熟的生态系统,成为构建企业级应用的首选语言。Spring Boot作为Java生态中的核心框架,通过“约定大于配置”的理念,极大地简化了应用的初始搭建和开发过程。其内嵌Web服务器、自动配置和生产就绪特性,让开发者能快速构建出稳定、可独立部署的微服务或单体应用,显著提升了开发效率和系统可维护性。这种技术组合在需要严谨数据管理和业务流程的系统中,如各类管理系统,展现出巨大价值。本文聚焦于一个具体的应用场景——社团管理,详细拆解如何利用Spring Boot、Sp

cuankuangzhong6373的博客 867

springboot之数据翻译组件:支持枚举、字典表、外键翻译、对象翻译、属性脱敏

本文介绍了SpringBoot项目中常见的数据翻译实现方案,主要包括枚举翻译、字典表翻译、SQL查询翻译等多种方式。核心内容包括:1)使用@DictType、@TransEnum、@TransDict等注解定义和实现翻译逻辑;2)通过@TransSQL支持动态SQL查询翻译;3)自定义TransDictHandler处理翻译优先级;4)提供两种翻译调用方式(手动调用和全局自动处理)。同时介绍了数据脱敏注解@JsonSensitive的使用。该方案可有效简化开发中的多数据源翻译需求,支持枚举、数据库表、远程调

mxskymx的专栏 2912

Spring Boot高校汉服租赁网站:数据库设计与状态流转实战

在高校社团业务线上化过程中,租赁管理常常面临数据混乱、状态难追踪等痛点。Spring Boot凭借自动装配机制显著降低项目搭建成本,搭配MySQL行式存储的优秀事务支持,成为中小型管理系统的理想选择。本文从通用管理系统开发视角切入,讲解数据库表结构设计要点,包括字典表解耦枚举、逻辑删除保护历史数据、唯一索引保障幂等,并深入分析租赁状态机的流转规则与并发控制策略。结合实际场景,展示分页检索、下单防重、评价约束等工程实践,为Java开发者提供一套可落地的CRUD应用设计参考。无论您是准备Spring Boot毕

weixin_34133829的博客 232

渗透字典实战:从Burp配置到框架信息泄露检测

在Web安全测试中,信息泄露是评估目标系统风险的关键环节,而渗透字典的覆盖程度往往决定了探测深度的上限。不同于单纯依赖扫描器,高质量字典能精准命中框架路径、备份文件名与配置文件,帮助测试者快速定位暴露面。本文从字典分类原理出发,解析目录、子域名、文件名、弱口令等词表的设计意图,并深入Burp Intruder的配置技巧,包括攻击模式选择、Payload处理与资源池调优。结合Spring Boot Actuator、若依框架等常见目标的路径探测实践,以及备份文件组合扫描与配置文件泄露排查方法,最后给出字典维护

weixin_34414650的博客 441

springboot枚举值作为字典向前端提供数据

枚举类型没有空的构造函数,没法在启动时用扫描器扫描注册成bean,没找到只扫描不注册的方法. 继承了ImportBeanDefinitionRegistrar,ClassPathBeanDefinitionScanner的自定义扫描器完成对自定义注解的扫描后就会注册bean,就报错了"Consider defining a bean of type 'java.lang.String' in your configuration",应该是因为枚举类型没有空的构造函数所致. 改为在启动后扫描class文件,读

随记 1449

【代码审计】RuoYi定时任务漏洞:从SQL注入到RCE的攻防演变

本文深入剖析了RuoYi框架定时任务模块从早期版本无校验到引入黑白名单机制,再到被组合利用实现RCE的完整漏洞演变过程。文章详细分析了SQL注入与定时任务功能结合导致的远程代码执行漏洞,并总结了代码审计与安全开发的核心要点,为开发者提供了重要的安全参考。

yellow的专栏 702

Web作业(八)

层级 技术 说明 框架 Spring Boot 3.5.15 内嵌 Tomcat,提供 Web 服务 持久层 MyBatis 3.0.5 注解式 SQL 映射, 防注入 数据库 SQL Server 通过 驱动连接 前端 Vue 3 + Element Plus CDN 引入,无需构建工具 工具 Lombok 自动生成 getter/setter/toString 2. 统一响应格式 所有接口返回 JSON,结构统一为 对象: 字段 类型 说明 成功,

2503_90555797的博客 227

直流有刷电机控制 - 认识电机(一)

电机控制学习

u011030644的博客 917

图像配准方法之灰度信息法

这系列文章是5年前的,也是从自己的QQ(632846506)日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。      图像配准的方法主要有三种:基于灰度信息方法;基于空间变换域方法;基于图像特征的方法。 一、灰度信息法。     灰度信息法直接利用两幅图像之间灰度度量的相似性,以图像内部的信息为依据,采用搜索方法寻找相似度最大或

月秀明竹的专栏 1万+

Jackson 2.x 系列【31】Spring Boot 集成之字典回写

需要将数值类型翻译为对应的描述,例如性别1应该翻译为男。和上篇的数据脱敏一样,后端可以在数据库查询或者反序列化返回Http响应时进行处理。

记录知识、锤炼自我 1449

S7-1200模拟量

将两种不同的金属或合金金属焊接起来,构成一个闭合回路,利用温差电动势来测量温度,当两端存在温度梯度时,回路中就会有电流通过,此时两端之间就存在电动势--热电动势,这就是所谓的塞贝克效应(seebeck effect)。温差越大,热电动势越高。热电偶是有正负极性的,所以需要确保导线连接到正确的极性,否则会造成明显的测量误差。为了使温度补偿达到最佳效果,必须将热电偶模块安装在温度稳定的环境中简述:两种金属,每一种金属随温度变化是不同的,出现温差--由俩金属构成的回路就会有电流经过,因此两端形成热电动势。

王阿妹小天才的博客 2594

spring boot - 接口返回枚举值描述

在接口返回对象时,有时候需要返回枚举的描述,如果是list,还要每次遍历处理,现通过自定义注解实现。作用在 DTO 属性内,指枚举值。

面朝大海,春暖花开 348

开关电源环路稳定性分析(01)-Buck变换器

这篇文章主要是根据Buck变换器的拓扑结构,利用欧姆定律,基尔霍夫定律,积分微分,这些我们所熟悉的理论推导出了开关电源输入和输出关系的表达式,我相信看完这篇文章,应该是可以自己推导一次。在后面的文章中,我们同样会按照这样的风格,尽量使用大家都已经掌握的知识,来一步一步的拆解晦涩难懂的环路稳定性的问题,在前面先把积木搭起来,后面综合分析的时候就不会显得那么困难!

D_Katter的博客 3840

SOC、SOH、OCV

1)放电实验法的测量SOH结果最为准确,但是深度放电会对影响电池的寿命;2)电阻折算法仅将电阻作为评价SOH的依据,但电池老化时电阻的变化范围较小,因此该方法的误差较大;3)电阻折算法需要对电池进行大量的实验,绘制成Map图,但是该方法有一定的局限性,针对不同的电池需要绘制不同的Map图;4)阻抗分析法是目前最为前沿的方法,可以根据阻抗谱较为直观的分析SOH的变化,但是该方法需要的成本较高,每台设备约为5万美元。

m0_61973119的博客 2万+

【JEECG Boot】 JEECG Boot 数据字典管理——六大核心功能(内含:《JEECG Boot 数据字典开发速查清单》)

JEECG Boot 数据字典管理的核心功能,围绕**可视化配置、自动翻译、前端组件化渲染、缓存管控、安全校验、高级扩展**六大核心模块,实现静态业务数据全生命周期统一管控,下面从**核心功能定义、完整能力拆解、关键实现机制、功能边界与适用场景**四个维度做详细介绍。

小江的记录本 697

【WRF理论第十四期】 VEGPARM.TBL 文件详解

WRF 读取 VEGPARM.TBL 文件

WW、forever的博客 577

Java字典翻译与实体互转:从枚举到注解再到缓存优化

在Java后端开发中,字典翻译是一个高频需求——实体中常以code存储,界面却要显示可读的label。如何高效完成实体字典互转,成为影响开发效率与接口性能的关键。通常采用枚举映射保证稳定字典的类型安全,使用注解加反射将翻译逻辑从业务代码中剥离,再结合字典表与本地缓存解决动态字典和性能问题。合理的方案能避免循环查询数据库,减少重复代码,并保持前后端数据结构清晰。该技术广泛适用于Spring Boot、MyBatis-Plus或JPA等项目,覆盖列表展示、Excel导出、下拉选项等场景。围绕Java字典翻译,从

weixin_33552698的博客 187

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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")

字典码值映射实战:注解式实现与多方案全对比

本文探讨了后端开发中"数据库存码值、前端显名称"的常见场景,重点解析了@DictCodeToDictName注解式映射方案。文章首先分析了使用码值的三大优势:数据一致性、存储性能优化和易维护性。随后详细介绍了注解式映射的四步实现流程,包括注解标记、切面拦截、字典查询和自动赋值,并提供了完整的SpringBoot实现代码。同时对比了枚举类、工具类、MyBatis、前端映射和数据库联表等五种替代方案的优缺点。

weixin_66243333的博客 934

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

对象字段字典映射开源组件

实现的背景 ​ 应用系统中通常会维护一套字典数据,如下拉菜单可选项;列表一些状态字段。 往往这些字段在入库时通常为code编码,显示时为对应展示文案。 对这类需求从前后端数据交互来说也可以分为两种方案: a、后端维护一套枚举值,查询接口返回code编码,前端也同步维护一套,前端根据code编码进行映射 b、后端维护枚举值,前端不维护,查询时后端接口根据编码进行映射返回对应字段。 按照前后端分离项目实施过程中“重后端轻前端”的思想来看 b 方案显的更为合理。 前端代码更轻,后端也不用关注前端维护的枚举

chen7740161的博客 582

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

前端基于 Vue 3 + Element Plus 的后台基于Spring Boot 3.2.5 + Java 17管理系统框架,提供用户管理、角色管理、菜单管理、字典管理等基础功能。

前端基于 Vue 3 + Element Plus 的后台基于Spring Boot 3.2.5 + Java 17管理系统框架,提供用户管理、角色管理、菜单管理、字典管理等基础功能。

JAVA领域优质创作者,基于分片网络查询方法专利发明者。 550

Spring Boot 注解式字典码值映射:从 if-else 到优雅序列化器

在业务系统开发中,字典码值映射是绕不开的基础需求:数据库存储 0/1 或短码,页面与接口却需要展示中文标签。从概念上讲,它解决的是存储值与展示值之间的语义转换问题。技术上,从 SQL CASE WHEN、前端硬编码到 Service 层手写 if-else 等传统手段,普遍存在复用性差、侵入性高、容易漏转等痛点。而注解驱动的序列化机制,借助 Jackson 的 ContextualSerializer 在字段上声明转换规则,让实体类自带输出语义,兼顾精准控制与工程简洁性。该模式在订单状态、支付方式、用户性别

weixin_30983353的博客 41

用AI快速开发数据字典应用

通过这次实践发现:- AI生成的代码能覆盖80%的模板内容- 需要人工介入处理业务特异性逻辑- 调试环节比传统开发节省至少50%时间推荐在InsCode(快马)平台尝试类似项目,从生成到部署的流畅体验确实让人印象深刻。特别是部署环节,以往需要半天配置的Nginx+域名,现在点个按钮就能搞定,对独立开发者特别友好。

SilvermistFalcon19的博客 594

Java通用枚举还能这样做?前后端终于不扯皮了!

“又双叒叕改枚举了?!”前端同学看着后端刚提交的,稍稍增加了一个新状态值的接口文档,默默叹了口气,熟练的打开了自己维护的 constants.ts 文件。后端同学在心里嘀咕“不就加个状态吗?前端改个下拉框不就行啦?至于每次都要我同步吗?”这熟悉的一幕,几乎每天都会上演。为了减少前后端同学的扯皮,有没有一种方式,能让一份定义,两端通用?答案是:有!而且比你想象的更优雅、更强大。 今天就来揭秘我在项目中使用的这种让前后端都拍案叫绝的“通用枚举”,彻底让前后端同学不在扯皮?共提供两种枚举的返回类型,比如有枚举类U

java_beautiful的博客 412
上一篇: Springboot +Mybatis实现多数据源配置,你会吗?
下一篇: Java面试:动态规划与组合数,你能答对吗?
加班不秃顶
博客等级 码龄7年 1822粉丝 599原创
评论 1
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