PowerDesigner安装及使用

一、PowerDesigner安装

1、下载安装包及安装

1.1 安装包

  • 安装文件 .exe
  • 破解文件
  • 汉化文件
    在这里插入图片描述
    下载PowerDesigner16.5、破解、汉化文件地址::百度网盘 提取码:qwas

1.2 安装

  • 解压下载的PowerDesigner16.5.exe文件,双击.exe文件,来到安装界面,点击Next
    在这里插入图片描述
  • 选择Trial,点击Next
    在这里插入图片描述
  • 地区选择,选择我同意,点击Next
    在这里插入图片描述
  • 选择安装路径,默认是C盘
    在这里插入图片描述
  • 这一步直接点击Next
    在这里插入图片描述
  • 选择General和Notation
    在这里插入图片描述
  • 点击Next
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 安装完成,点击Finish。
    在这里插入图片描述

2、破解

2.1 解压破解zip文件。
2.2 复制pdflm16.dll文件。
2.3 把文件覆盖到你的软件安装目录下。
在这里插入图片描述

3、汉化

3.1 解压汉化zip文件。
3.2 将汉化文件”文件夹下的所有文件全选复制。
3.3 粘贴并覆盖到你软件安装的目录中。

二、PowerDesigner使用

1、逆向工程

1.1 PowerDesigner连接数据库(oracle为例)

因为PowerDesigner是32位的,oraclce是64位的,所以导致通过jdbc连接不上数据库。解决办法,安装32位jdk。

  • 这里我用的是免安装32位jdk。
    下载地址:百度网盘 提取码:qwas

  • 下载解压后,添加环境变量。
    JAVA_HOME:
    在这里插入图片描述

    path:
    在这里插入图片描述

  • 安装后将PowerDesigner的JAR,JAVA,JAVAC,JAVADOC的文件路径指定到安装的jdk的安装文件夹下,Tool ->General Options… ->Variables :
    在这里插入图片描述

  • 测试连接,选择Database -> Connect…
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    最后确定保存连接就OK了。

1.2 使用逆向工程生成PDM

  • 创建pdm模型,先创建一个工作空间,然后在创建模型。
    在这里插入图片描述

    在这里插入图片描述

  • 选择Database -> Update Model from Database… ,选择要连接的数据库,从数据库获取模型信息。
    在这里插入图片描述

  • 导入表,并设置显示内容。tools->display preferendes->table->advanced.->columns->…
    在这里插入图片描述
    在这里插入图片描述
    选择需要展示的列
    在这里插入图片描述
    显示结果
    在这里插入图片描述
    name替换成表注释,tools->,附转换vbs脚本

    在这里插入图片描述
    结果展示
    在这里插入图片描述

    ValidationMode   =   True    
    InteractiveMode   =   im_Batch    
    
    Dim   mdl   '   the   current   model    
    
    '   get   the   current   active   model    
    Set   mdl   =   ActiveModel    
    If   (mdl   Is   Nothing)   Then    
        MsgBox   "There   is   no   current   Model "    
    ElseIf   Not   mdl.IsKindOf(PdPDM.cls_Model)   Then    
        MsgBox   "The   current   model   is   not   an   Physical   Data   model. "    
    Else    
        ProcessFolder   mdl    
    End   If    
    
    Private   sub   ProcessFolder(folder)    
    On Error Resume Next   
        Dim   Tab   'running     table    
        for   each   Tab   in   folder.tables    
              if   not   tab.isShortcut   then    
                    tab.name   =   tab.comment   
                    Dim   col   '   running   column    
                    for   each   col   in   tab.columns    
                    if col.comment="" then   
                    else  
                          col.name=   col.comment    
                    end if  
                    next    
              end   if    
        next    
    
        Dim   view   'running   view    
        for   each   view   in   folder.Views    
              if   not   view.isShortcut   then    
                    view.name   =   view.comment    
              end   if    
        next    
    
        '   go   into   the   sub-packages    
        Dim   f   '   running   folder    
        For   Each   f   In   folder.Packages    
              if   not   f.IsShortcut   then    
                    ProcessFolder   f    
              end   if    
        Next    
    end   sub
    

表名显示设置,Tool->Model Options->Name Convention->右侧display中选择显示name还是code。

三、总结

本文章是在做表设计的时候用到PowerDesigner中遇到的问题和解决办法的记录,还在学习中,文章中存在不足之处,还请多多包涵。发出来是希望可以帮助遇到同样问题的同学可以参考解决。

### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
评论 1
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