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
300+累计阅读
329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
XDOC是纯Java的文档自动化平台，用于在服务器端自动生成word、pdf、flash、html、epub等格式的文档。XDOC的特点是格式丰富、易用性强、支持的文档类型多。
在线地址：http://www.hgsql.com/xdocBuilder.asp
8.2.8版本有如下改进:
1、回车形成的新段落不断页
2、设计器中数据库连接属性支持参数
3、docx输出支持行间距
4、invert函数增加参数是否以首列做字段名称
5、数据源适配器基于连接，不基于数据库实例
6、改进HtmlReader，隐藏display为none的内容，字体最小为14，忽略vml标志
7、文字支持多种下划线：underline1~8，与docx兼容
8、图片元素的图片进行缓存
9、图片选择支持URL
修改了以下BUG：
1、表格中非单元格框编辑时不能及时重新排版
2、设计器中查询数据可能出现游标被关闭
3、表格中的非单元格分页时内容不能显示
4、全局重命名，文本未刷新
XDoc2AsciiDoc:小型实用程序，可帮助将xDoc文档转换为AsciiDoc文档
XDoc2AsciiDoc 描述 XDoc2Ascii doc是一个小型应用程序，旨在帮助从文档迁移到文档。 命令行参数 XDoc2AsciiDoc是一个命令行实用程序，并且要求路径中包含Java（5.0+）。 从xdoc文件夹中读取.xdoc文件，在asciidoc文件夹中创建.asc文件 java -cp ./x2a.jar com.consoli.x2a.XDoc2AsciiDoc xdoc asciidoc 从xdoc文件夹中读取.xdoc文件，在C：/ temp文件夹中创建.asc文件 java -cp ./x2a.jar com.consoli.x2a.XDoc2AsciiDoc xdoc C:/temp 如果指定的文件夹有问题，或者输入文件中的任何一个无效或应用程序由于任何原因无法处理它，则将引发异常并将其显示在stdout上。 支持的映射 xDoc文件 AsciiDo
免费报表XDOC从入门到精通（一）简介
XDOC是一个功能强大的报表工具，用纯Java编写，并且是免费的。它与传统报表有很大不同，有许多创新: ◇ 安装部署非常简单 XDOC部署包大小不到12M，可以部署到任何J2EE服务器中。 ◇ 设计器服务器一体化设计 报表设计器可以通过浏览器访问服务器直接使用，无需单独安装（需要Java虚拟机）。 ◇ 创新的文档式结构 传统的报表结构是条带式或表格式，XDOC为...
XDoc-开源
XDoc 是模式感知的 XML 编辑器
XDOC 在线word文档表格预览
http://www.xdocin.com/web.html XDOC XDOC表单将文档、表单、报表融为一体，以Flash的形式嵌入在网页中，提供仿纸质的文档式表单。通过表单API可以与表单进行交互，数据还可以与表单结合生成PDF等格式的文档。表单可以用XDOC设计器轻松制作。 JS文件 <script type="text/javascript" src="http:...
修改POI ,xdocreport源码，满足word按照段落解析成html,并支持公式
POI ,xdocreport框架是一个半成品，往往使用默认的解析结果无法满足业务需求，花了很长时间和心血研究了其源码，修复了以下问题 问题1： xdocreport能解析word转html,但解析出来的是基于word的整套html,往往我们的需求是 按照段落顺序分块解析成一小块的html，并保存数据库，方便我们解决业务上的各种需求。 解决方案： 修改xdocreport源码，按照段落解析并返回每个段落的html 问题2： 不知道段落是具体哪一个标题，没有层级概念，无法识别字体，加粗，字体颜色 解决方案： 解析每一个段落的层级标题，字体的属性并返回 问题3： 不支持解析公式(office公式，wps公式) 解决方案： 修改xdocreport解析段落源码，支持解析office公式并转mathml格式返回给前端页面显示，wps公式其实就是wmf图片，但是手动插入的公式解析不了，复制的wmf图片却可以解析，xdocreport底层不支持，修改源码让其支持。 备注：当前版本解决了docx转html,doc和docx是两套API，后续更新doc转html. 有任何不懂或者疑问，欢迎评论区留言沟通。
Linux - xarray 工具类
第三层节点直接与绿色的值绑定，若需要像数组一样通过下标访问绿色的值对象那么需要给每一个节点进行编码，这样通过根节点即可访问到具体的对象。对于未使用到的小数组不申请空间，这样只需设计一种方法将这些非连续的小数组在一个数据结构中组织在一起即可，对于这个数组结构需要具有结构紧凑并且能够快速定位到对应的小数组段上，这时候树形结构上场了。一个很大的数组必然可以由一个个小数组拼接而成，若定义一个最小粒度的数组长度，比如长度4，那么从宏观上看一个大数组就由一个个长度为4的小数组排队而成。
【亲测免费】 探索xDoc：一款高效、可扩展的文档生成工具
探索xDoc：一款高效、可扩展的文档生成工具 项目简介 是一个开源的文档生成工具，由Java开发者TreeLeafJ创建。它的目标是帮助开发者轻松地将注释转化为结构化的、美观的API文档，适用于各种类型的项目，无论是Web服务还是桌面应用。 技术分析 核心特性 Markdown支持 - xDoc基于Markdown语法，使得编写文档变得简单且直观。开发人员可以利用Markdown的强大功能，如代...
通讯软件019——分分钟学会Prosys OPC UA Server配置
本文介绍如何配置Prosys OPC UA Simulation Server，通过本文可以对OPC UA的基本概念有所了解，掌握OPC UA的本质。
XDOC的使用和一些问题总结
打开XDOC编辑器一键打开本地xdoc模板编辑器在web开发中使用XDOC1. 准备1.1打开XDOC编辑器新建模板，并取名helloxdocMode 另存为fpd格式 1.2下载web要用到的文件：xdoc.js和fpd.swf。将helloxdocMode.fpd,xdoc.js,fpd.swf放入到web项目中。（我是都放在了WebRoot下了） 1.3新建helloxdoc.html并引
STM32F407+LAN8720A+LwIP实战：FreeModbus TCP从机功能开发指南
本文详细介绍了基于STM32F407和LAN8720A硬件平台，结合LwIP协议栈实现FreeModbus TCP从机功能的开发指南。内容涵盖硬件连接、LwIP移植、FreeModbus TCP从机实现、任务调度及调试技巧，为工业控制领域的以太网通信开发提供实用参考。
Matcap与菲涅尔
菲尼尔效果（简化版公式）：fresnel = base + scale*((1-v*n)^power)透明队列为后前渲染，不关闭深度写入则会覆盖之前的像素，导致混合不了。y的值为0~1，根据x3返回对应y值。两色混合做个demo看看！混合为什么要关闭深度写入？
推荐项目：XDoc - 强大的文档管理系统
推荐项目：XDoc - 强大的文档管理系统 项目简介 是一个高效、易用且功能丰富的文档管理系统，由 NewLifeX 团队开发并维护。该项目旨在提供一个现代化的平台，用于组织、管理和分享各类文档，特别适合企业和团队进行知识库建设、文档协作和版本控制。 技术分析 核心特性 Markdown 支持：XDoc 基于 Markdown 编辑，让编写文档变得简单直观，同时也支持 LaTeX 数学公式、M...
小程序选项卡以及swiper套用（跨页面）
选项卡tab和swpier之间的套用 其实我之前写过一篇选项卡的切换demo，大家阔以参考一下 小程序多个选项卡切换 那今天写这个demo呢，是因为项目需求，所以仅供参考。 我是拿到了home.wxml的数组下标， 通过url传参的方式去将这个id传到下一个页面， 下一个页面接收以后再将id赋值给对应的tabI或者currentId（swiper 的下标） 实现上一个页面进来以后直接进入对应的页...
文档自动化平台XDOC发布了8.2.6版本
XDOC是纯Java的文档自动化平台，用于在服务器端自动生成word、pdf、flash、html、epub等格式的文档。XDOC的特点是格式丰富、易用性强、支持的文档类型多。XDOC发布了8.2.6版本，新版本有众多改进： l 文字其它样式使用菜单方式，支持上下标设置，段落垂直对齐忽略行间距 l 参数、属性、元数据支持赋值，具备变量功能 l 方框底部增高拖拽区域，方便有内容...
AI量化学习入门指南：从零开始掌握人工智能投资策略
量化投资：利用数学模型和计算机算法进行投资决策的方法算法交易：自动执行预定义交易规则的系统机器学习：让计算机从数据中学习并改进的技术回测：用历史数据检验交易策略表现的过程特征工程：将原始数据转化为模型可理解的输入过拟合：模型过度适应历史数据，导致未来表现不佳夏普比率：衡量单位风险所获得的超额收益AI量化投资不仅仅是技术的应用，更是一种理性、系统化的投资哲学。它不追求预测市场的每一个拐点，而是通过概率思维和风险管理，在不确定性的市场中寻找统计优势。
KEPServerEX 6 之 EX 6.11.718.0 发布说明
KEPServerEX 6.11.718.0 发布说明
用XDOC预览文档的理由：简单、实用、免费
简单 只需要传入URL地址http://www.xdocin.com/xdoc?_func=to&_format=html&_cache=1&_xdoc=你的文档地址例如：http://www.xdocin.com/xdoc?_func=to&_format=html&_cache=1&_xdoc=http://www.xdocin.com/de...
vue3：最新实现腾讯人脸核身+增强版人脸核身使用方法及示例源码，Vue3如何使用腾讯云慧眼人脸核身，提供人脸核身案例、身份信息核验、活体检测与核身比对等示例代码（后端spring与thinkphp）
vue3接入腾讯人脸核身，腾讯云人脸核身Vue3+后端代码，H5人脸核身，vue3 H5如何使用腾讯人脸核身sdk，vue3+thinkphp腾讯人脸核身，Spring Boot接入腾讯云人脸核身教程，hinkphp腾讯人脸核身，vue3人脸核身插件接入流程，vue+spring boot实现腾讯人脸核身，vue3接入腾讯云【增强版人脸核身接入】，vue3 h5微信公众号网页腾讯云慧眼人脸核身，tvue3接入人脸核身SDK，vue3+typescrip+vite接入慧眼实名认证，vue3腾讯云活体人脸核身（
xDoc 项目使用教程
xDoc 项目使用教程 1. 项目目录结构及介绍 xDoc/ ├── src/ │ ├── main/ │ │ ├── java/ │ │ │ └── com/ │ │ │ └── treeleafj/ │ │ │ └── xdoc/ │ │ │ ├── controller/ │ │ ...
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
XDocService工具包发布了（开源）
XDocService工具包发布了，下载地址：http://xdoc.aliapp.com/XDocService.jar 源码地址：http://xdoc.aliapp.com/XDocService.java XDocService用于在java应用中和操作系统命令行中调用xdoc服务 java中调用示例： import java.io.File; import java.io....
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');```[](https://bitdeli.com/free "Bitdeli Badge")
免费报表XDOC从入门到精通（三）第一个XDOC
创建 打开XDOC设计器，输入“第一个XDOC”，如下图： 部署 点击【服务器】，切换到服务器视图 切换到服务器视图后，显示连接到服务器对话框，如下图： 点击【确定】按钮。 点击【设计】，切换到设计视图 点击主工具条【保存】按钮，部署XDOC 切换到服务器视图...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
XDocReport使用入门
XDocReport是GitHub上根据麻省理工学院许可证开源的Wrod导出框架。XDocReport可以根据ODT、Doc、Docx文档模板通过模板引擎语法（Freemarker、Velocity）转换为另外一种格式文档（Doc、Docx、XHTML、PDF）。
XDOC文档预览服务-使用笔记
支持PDF.OFD,DOCIX.XLS/X.PPTIXWPS,JPG,MP4等多种文档格式，而且自动识别！3、自编一个预览方法，用于获取预览地址；动态创建iframe元素，添加到容器盒子进行展示。不用下载任何插件或是包，利用该服务获取一个src地址，往iframe标签一扔即可；2、准备一个配置对象；使用是预览时加水印、是否能下载源文档等，自行取舍。1、准备一个空的容器，用来装iframe标签，要设置一个id。4、调用预览方法（小编在vue组件挂载的时候调用）
java docx4j 工具和xdocreport工具创建PDF或者word报表
首先创建一个maven工程 在pom文件中配置依赖 fr.opensagres.xdocreport fr.opensagres.xdocreport.converter.docx.xwpf 1.0.6 fr.opensagres.xdocreport org.apache.poi.xwpf.converter.pdf 1.0.6
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
873
扫一扫
