使用jeecg-boot心得

Jeecg-boot 使用心得建议 在3月的时候就接触了jeecg-boot了,以前我是一个python开发者,python是一个动态型语言,可以很简单的配置生成后台管理器,动态注册页面,只需要按组件的方式register页面就可以了,最典型的就是xadmin的方案,但是其有个弊端就是可扩展性差,性能也差.作者也慢慢弃坑了,但是作者现在正在做一个新的方案前后端分离xadmin… 说回正题,在java里面,我怎么都想不到动态生成后台的... 阅读详情

使用jeecg-boot心得

    随着信息技术的飞速发展,系统架构设计面对更专业、软件开发职责更明确的发展。如今流行的微服务、前后端分离、Docker容器虚拟化待新技术,Jeecg-boot抓住软件潮流发展趋势,从jeecg成功平台升级到jeecg-boot平台,实现前后端分离模式。同时利用开源技术,吸引业界优秀人才的共同努力下,系统功能越来越完善。使jeecg-boot成为很完善、很强大的一个平台。

    从我多年工作经历来看,作为一名合格的软件开发人员,最怕重复一样的操作,浪费太多学习时间,都花在复制粘贴上面去。很荣幸无意间在码云网站了解到jeecg-boot平台,让我们节省了很多时间,尤其对于我从事公司来讲,时间就是公司生存的根本,人员配置少,让你一个人负责项目,短时间拿出原型,还需要独立进行深层次的开发。如果每项目都要搭建一次框架,对于创业公司来将无疑是致命的。Jeecg-boot产品的出现,是中小型公司的福音,同时也是初级程序员的学习参考标杆项目。

    在学习jeecg-boot所遇到的问题,由于我的经验有限,说得不好,勿喷,只是希望能指出其中的问题,大家共同学习。

  1. 实体的Get和Set方法冗余、建议采用Lombak注释,例如SysUserCacheInfo实体类。
  2. util工具里混杂着vo的实体类,个人建议util包只放工具类相关,vo相关的类单独放着,方便源代码阅读。
  3. Docker技术比较火,vue和jeecgboot提供Dockerfile以及docker-compose文件,方便开源项目快速部署docker容器。

4、jeecg执行启动时,报“o.s.boot.actuate.mail.MailHealthIndicator:89 - Mail health check failed”错误。

解析的方案: 重写HealthIndicator类中的health方法。

5、数据库连接由druid改为Hikari,因为springboot 2.0 默认连接池就是Hikari。

JeecgBoot、RuoYi 和 Renren-fast三个流行的 Java 开源框架对比 JeecgBoot、RuoYi 和 Renren-fast 是三个流行的 Java 开源框架,广泛应用于企业级应用开发。它们各有优缺点,适用于不同的开发场景。 阅读详情

相关推荐

我对jeecg-boot项目的理解、使用心得和改进建议

jeecg-boot是什么? 官方介绍 JeecgBoot 是一款基于代码生成器的低代码开发平台,零代码开发!采用前后端分离架构:SpringBoot2.x,Ant Design&Vue,Mybatis-plus,Shiro,JWT。强大的代码生成器让前后端代码一键生成,无需写任何代码! JeecgBoot引领新的开发模式(Online Coding模式-> 代码生成器模式-> 手工MERGE智能开发), 帮助解决Java项目70%的重复工作,让开发更多关注业务逻辑。既能快速提高

zhengun的专栏 7157

解决Mail health check failed

这是个自动注入配置类,那就想了,关掉这个自动注入不就完事了吗,那怎么关掉这个自动注入呢,观察一下,发现了。看这个注解上面的注释,是不是很清楚了,关键是。先看下报错信息,不粘那么多,关键部分如下。很自然就想到看下这个类在哪里用到了,按住。重新启动项目,发现报错信息没了。键的同时点击这类的名称,如下。通过日志可以看出,报错的是。那就点开这个类看一眼,如下。,于是点进去看下,如下。于是,试着配置一下咯。

杂货铺的小掌柜 9643

spring boot+mail邮件服务学习demo项目源码

spring boot+spring封装的mail邮件服务技术学习过程中简单练习的几个邮件类型demo项目源码

spring boot 邮件服务启动报错javax.mail.NoSuchProviderException: No provider for SMTP

灵感来自于:https://blog.youkuaiyun.com/tangfan1992/article/details/83010786 因为是自己做的项目,使用了微服务,但是加上了邮件配置之后,启动直接报错: 2018-11-20 16:31:31.634 WARN 9609 --- [on(2)-127.0.0.1] o.s.b.actuate.mail.MailHealthIndicator...

liuwujie0219的博客 1万+

数字设计实验:自动售货机

本文旨在介绍数字设计实验:自动售货机的设计思路和实现代码

2401_83740084的博客 2228

从零到一:手把手教你用DJI E-Port套件为M350 RTK开发第三方负载(PSDK V3实战)

本文详细介绍了如何使用DJI E-Port套件为M350 RTK开发第三方负载,涵盖硬件配置、开发环境搭建及实战应用。通过PSDK V3开发套件,开发者可以高效实现负载与无人机的通信,适用于电力巡检等工业场景,提升开发效率与系统稳定性。

weixin_26841743的博客 705

health check问题javax.mail.AuthenticationFailedException: 535 Error: authentication failed

健康检查如果有使用到邮箱,也会检查,标题的报错原因是邮箱的用户名和密码存在问题,需要检查下自己的邮箱用户名和密码是否配置正确。

枕着猫咪睡觉的王子 907

Visual Tracker Benchamark傻瓜式教程(二)

问题  1 1  在调用main.m跑TRE和SRE时,因为会生成相应的.mat数据文件,如果跑完以后发现自己算法生成的.mat文件有问题,那么要把该文件删除,待找到错误原因后,重新生成相应的.mat文件。因为程序中写的是如果已经存在了.mat文件,例如已经存在car4_STC.mat文件,即使该文件中的数据有错误,但是重新跑时会默认该文件中的数据写完,不会重新写入数据 问题  2  b

mingbujingren的专栏 9928

jeecgboot 多表查询_JEECG-BOOT 使用心得

最近为了方便自己的工作,想写一个简单的DNS资源记录的管理系统,这类管理系统其实之前也用各种编程语言、各类框架实现过,功能上虽然说不是很完善,但也能满足自己的一些系统管理工作。其实最简单的无非是把已有的拿过来改改,但这样有点繁琐,而且容易出错,不符合程序员的思维——能用代码自动完成的,就不手工去做。虽然编写代码需要时间,但是后期使用就很方便,就像我常说的磨刀不误砍柴工。所以就想着去找一个直接通过代...

weixin_39735509的博客 1738

VS2022 LNK1168无法打开进行写入 解决办法

C语言编程---VS---错误和警告---链接器工具错误---LNK1168--无法打开进行写入

weixin_67166415的博客 7162

【技术分享】语音多模态LLM越狱

语音多模态LLM越狱攻击作为一种新兴安全威胁,揭示了多模态模型在语音输入场景下的脆弱性。尽管已有多种攻击方法被提出,但其具体实现步骤、防御措施的有效性及行业影响等问题仍需进一步探索[9]。未来研究应聚焦于改进模型架构、开发针对性防御策略,并评估语音输入越狱攻击的实际危害。只有通过全面理解这些挑战,才能为多模态智能系统的安全性提供更可靠的保障。说到语音多模态LLM越狱的具体实现步骤,这其实是一个复杂且多层次的过程🧐。首先,攻击者需要深入分析目标模型的响应模式和安全机制,找出可能的漏洞点。

qq_29883477的博客 1261

jeecg-boot-2.0.0 心得

jeecg-boot-2.0.0 心得   在公司参与基础平台微服务建设,不断的进行平台产品化方向。上级讨论定下来需要用到微服务框架,平台至少要用到注册中心+配置中心+网关+认证+后台管理+前端vue至少5+1。针对大项目,强大的运维团队支持应该是可以承受,但是哪里天天会有大项目呢?公司几乎都是中小项目,所以在寻找一个轻量级的boot版本,针对小项目,敏捷开发,快速上线部署。在网上寻找到了JEEC...

掘金者说 1216

智能座舱架构与芯片- (9) 音频篇 上

从A2B收发器衍生出来的简化产品具备各种级别的功能,例如端点从节点(不支持TDM)、简化型主节点(支持较短的电缆和更少的从节点数量),以及简化型端点从节点(支持较短电缆和更少的PDM输入)。例如,AVB中的talker和listener是不同的设备,它们的参考时钟源可能并不相同。传统的车载收音机通过天线接收无线电信号,然后由调谐模块(Tuner)进行信号调谐,信道过滤,信道均衡,多路改善,信号解调等,转为数字信号后再交给DSP进行立体声解码,噪声抑制,弱信号处理,最后从车载音响系统进行播放。

joanna_xiao的博客 4912

jeecg boot使用心得

/建表规范/ ALTER TABLE edu_trial_class ADD COLUMN create_by varchar(32) NULL COMMENT ‘创建人’, ADD COLUMN create_time datetime NULL COMMENT ‘创建时间’ AFTER create_by, ADD COLUMN update_by varchar(32) NULL COMME...

djq8080的博客 1115

微信小程序推送微信服务号模板消息

微信小程序中发送微信服务号模板消息,无需用户手动确认订阅,无需绑定开放平台,无需使用UnionId。

qq_20751269的博客 1563

永磁同步电机MTPA控制详解:从理论到实践的全方位指南

永磁同步电机(PMSM)凭借其高功率密度卓越的效率以及精准的控制性能,已在工业驱动、电动汽车和家用电器等领域获得广泛应用。而在PMSM的诸多控制策略中,最大转矩电流比(MTPA)控制因其能显著提升电机效率而占据核心地位。在输出特定转矩时,通过优化直轴电流(Id)和交轴电流(Iq)的分配,使定子电流的幅值最小化。对于电机测试工程师而言,理解MTPA意味着掌握了一把提升系统性能的关键钥匙。为什么这一点如此重要?因为定子电流的减小直接带来了铜损的降低。

优快云-新能源汽车研发测试专业博主 521

JEECG-BOOT使用心得

最近为了方便自己的工作,想写一个简单的DNS资源记录的管理系统,这类管理系统其实之前也用各种编程语言、各类框架实现过,功能上虽然说不是很完善,但也能满足自己的一些系统管理工作。其实最简单的无非是把已有的拿过来改改,但这样有点繁琐,而且容易出错,不符合程序员的思维——能用代码自动完成的,就不手工去做。虽然编写代码需要时间,但是后期使用就很方便,就像我常说的磨刀不误砍柴工。 所以就想着去找一个直接通过...

liudonghua0108的博客 2393

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")

Jeecg-boot使用心得

增删改查代码引入后端后,jeecg-boot使用的是shiro进行授权和鉴权,需要对角色进行增删改的授权操作。

mkldxnh的博客 3371

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Jeecg_Boot使用心得

前言 由于最近公司考虑技术框架转型,所以一直在关注合适企业应用的开发平台。恰逢开源平台Jeecg_Boot2.2.0全新版本的发布,当时看到这个框架的时候,有一种眼前一亮的感觉,带给我了很多惊喜。一个开源产品能做到商业低代码平台的绝大多数功能,又保证了采用技术足够活跃,这是很难得的。下面就具体聊一下我对这个框架的一些使用感触。 优点 技术栈活跃 平台使用的技术基本都是Java领域当下最活跃的框架,各种文档资料很多,学习曲线低,二次开发几乎无技术壁垒。 Online开发模块功能强大 Online

4676

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

jeecg-boot学习总结及使用心得

jeecg-boot学习总结及使用心得 1.jeecg-boot是一个真正前后端分离的模版项目,便于二次开发,使用的都是较流行的新技术, 后端技术主要有spring-boot2.x、shiro、Mybatis-plus、redis等; 前端项目基于node.js、webpack构建,主要技术使用Vue、vuex、axios等 2.作为模版项目,便于快速...

luojian220的博客 7432
上一篇: vim的.vimrc配置文件中如果有文件路径存在空格的解决方法
下一篇: Spring Cloud Gateway:路由定义定位器 RouteDefinitionLocator
ythlibo
博客等级 码龄14年 0粉丝 4原创
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
 
 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