RED

手把手教你基于SqlSugar4编写一个可视化代码生成器(生成实体,以SqlServer为例,文末附源码)

拥有回忆 提交于 2020-08-12 08:10:03
   在开发过程中免不了创建实体类,字段少的表可以手动编写,但是字段多还用手动创建的话不免有些浪费时间,假如一张表有100多个字段,手写有些不现实。 这时我们会借助一些工具,如:动软代码生成器、各种ORM框架自带的代码生成器等等,都可以使用。 我们现在就基于SqlSugar(ORM框架)自己动手制造一个轮子,以SqlServer为例。我们先看一下成品效果, 使用流程:   配置好数据库链接,点击【链接数据库】获取指定服务器上的数据库名,点击数据库名,动态获取数据库下面的所有表, 点击数据表,如果生成过了的会自动获取生成的实体,如果没有生成过,点击【生成实体】自动生成显示,直接复制即可使用。 注:server=192.168.0.154这里如果是本地没有配置的话直接server=.即可。 开发环境: 编译器:Visual Studio 2017 运行环境:windows7 x64 数据库:SqlServer2012 代码实现步骤: 一、创建一个ASP.NET Web应用,命名为GenerateEntity 二、应用SqlSugar动态链接库 三、编写代码 这里分为前端和后端,前端页面展示,后端后台逻辑( 注:由于我们是代码展示,所以就不搞三层架构、工厂模式这些,直接在控制器中完成,有需要的同学可以根据项目需求进行更改 ) 内部实现逻辑: 在页面上配置数据库链接,点击【链接数据库

云原生语境下,如何重新解读微服务?

佐手、 提交于 2020-08-12 07:06:27
最近,O’Reilly 公布了一份关于企业微服务市场现状的数据调研。报告显示,在访问了全球 1,502 名软件工程师、系统和技术架构师、工程师以及决策者后,有 77% 的组织反馈采用了微服务,其中 92% 的组织成功使用了微服务。 如果以这份报告为依据,微服务在企业的普及率已接近八成。看起来,企业对微服务的兴趣可能已经接近顶峰。 云原生的基础设施从设计上保证了它是微服务部署的最佳平台,但是也对现有的微服务框架带来了新的挑战 ,在云原生大行其道的今天: 我们对微服务还应该继续投入精力关注吗? 云原生和微服务之间的关系是什么? 随着 Serviece Mesh 等技术的不断成熟,微服务的体系和思想会产生怎样的演化? Spring Cloud、Dubbo 还会继续作为微服务开发框架的继续流行下去吗? 容器、Kubernetes、ServiceMesh、Serverless 这些云原生时代的主角,会如何助力下一代微服务架构为业务发展赋能? 这些问题值得每一位技术从业人员去思考,并发现由此带来的企业数字化转型升级新挑战、新机遇。也许有同学会说:“上个阶段微服务架构的问题都还没解决,又来了个‘云原生时代的微服务’,我这从哪儿开始学起啊?” 来,从这儿开始! 2020 云原生微服务大会 为推动云原生下的微服务技术发展和实践交流,由阿里云主办的首届“云原生微服务大会”将于 2020 年 8 月

发明者量化新书上线《商品期货量化交易实战》

怎甘沉沦 提交于 2020-08-12 06:42:48
一、摘要 中国的量化交易市场规模已经超过300亿元,金融与科技的结合势在必行。发明者( FMZ.COM )携手多名量化领域专家,精心打造这门课程。跟随学习掌握量化交易知识,运用成熟的交易软件,挑战实战策略,成为金融量化交易领域的优秀人才。 二、课程目的 《商品期货量化交易实战》是集期货基础知识、Python编程语法、量化交易软件使用、策略开发及回测等等,为一体的系统性课程。课程旨在使量化交易初学者明确期货知识重点,增强Python编程语言功底,掌握并应用于实际的量化交易策略。 通过Python + 发明者量化软件建模,手把手教你搭建属于自己的量化交易系统,快速迈过第一道门槛。你将亲手挑战实战策略,并且获得导师全方位指导。你还将加入学习小组,和志同道合的伙伴一起学习成长。 三、学习对象 包括:主观交易员、风控员、金融分析师、程序员、大学生、非专业量化交易爱好者、零基础亦可。 四、课程前期准备 1、需要各位学员了解发明者量化软件,熟练各项功能的基本操作。 2、需要有模拟或实盘交易经验和计算机基础知识。 3、最好有数理统计,计量经济学等知识储备。 五、学员要求 1、需要对量化分析或量化交易有浓厚的兴趣,并能够接受高强度学习内容。 2、教程对学员没有专业限制,但要求学员具备自主深入学习的能力取长补短。 3、完成每节课程,并临摹学习。 六、内容大纲 本课程有7个章节,共59个小节。第1

liunx——软件管理—RPM包

北城余情 提交于 2020-08-12 05:34:41
1.(1)RPM(原Red Hat Package Manager,现在是一个递归缩写); (2)由 Red Hat 公司提出,被众多 Linux 发行版所采用 (3)无法设定个人设置,开关功能 (4)软件包示例(注意后缀):mysql-community-common-5.7.12- 1.el7.x86_64.rpm 2.认识RPM包:zip-3.0-11.el7.x86_64.rpm wget-1.14-15.el7.x86_64.rpm tcpdump-4.9.0-5.el7.x86_64.rpm (1)zip - 3.0-11. el7. x86_64. rpm 软件包名:zip 版本号(Version) :3.0-11 发布版本(Release5/6/7) :el7 系统平台(32/64):x86 -64 文件后缀:rmp 3.rpm管理:(YUM工具): (1)Yum(全称为 Yellow dog Updater, Modified) (2) 是一个在Fedora和RedHat以及CentOS中的Shell前端软件包管理器。 (3)基于RPM包管理,能够从指定的服务器自动下载RPM包并且安装, (4)可以自动处理依赖性关系,并且一次安装所有依赖的软件包,无须繁琐地一次次下载、安装。 4.使用YUM管理RPM包:安装:全新安装: yum -y install httpd

朴素贝叶斯文本分类-在《红楼梦》作者鉴别的应用上(python实现)

北城以北 提交于 2020-08-12 05:07:03
朴素贝叶斯算法简单、高效。接下来我们来介绍其如何应用在《红楼梦》作者的鉴别上。 第一步,当然是先得有文本数据,我在网上随便下载了一个txt(当时急着交初稿。。。)。分类肯定是要一个回合一个回合的分,所以我们拿到文本数据后,先进行回合划分。然后就是去标点符号、分词,做词频统计。 1 # -*- coding: utf- 8 -*- 2 import re 3 import jieba 4 import string 5 import collections as coll 6 jieba.load_userdict( ' E:\\forpython\\红楼梦词汇大全.txt ' ) # 导入搜狗的红楼梦词库 7 8 9 class textprocesser: 10 def __init__(self): 11 pass 12 13 # 将小说分成120个章节并单独保存到txt文件中 14 def divide_into_chapter(self): 15 red=open( ' E:\\forpython\\红楼梦.txt ' ,encoding= ' utf-8 ' ) 16 each_line = red.readline() 17 chapter_count = 0 18 chapter_text = '' 19 complied_rule = re.compile( ' 第

css:盒子模型边框(边框、内外边距)

99封情书 提交于 2020-08-12 04:51:36
1、概念 所谓盒子模型,就是把HTML页面中的布局元素看作是一个矩形的盒子,也就是一个盛装内容的容器。css盒子模型本质上就是一个盒子,封装周围的HTML元素,它包括:边框、外边距、内边距和实际内容 2、边框 属性:宽度、样式、颜色 (1)普通方式 < html > < head > < meta charset ="utf-8" > < title ></ title > < style > div{ width: 300px; height: 200px; border-width: 5px; border-style: dashed; border-color: red; } </ style > </ head > < body > < div ></ div > </ body > </ html > (2)复合方式 < html > < head > < meta charset ="utf-8" > < title ></ title > < style > div{ width: 300px; height: 200px; border: 5px dashed red; } </ style > </ head > < body > < div ></ div > </ body > </ html > (3)边框的局部设置 < html > < head > <

玩转Microsoft Teams Room系列 5

吃可爱长大的小学妹 提交于 2020-08-12 04:44:14
运筹帷幄之中,决胜千里之外 - 西汉·司马迁《史记·高祖本纪》 使用场景 之前一篇文章介绍了通过XML文件来自定义MTR的背景图片,其实我们通过XML文件其实还可以做更多在MTR会议室的日常运维任务。 想像一下这样一个场景:当你需要为分布在不同地方的多间MTR会议室进行配置或管理的时候,例如: 变更MTR会议室的帐号? 在改密码之后需要更新MTR设备的密码? 为了安全原因需要隐藏会议主题? 会议室新购多一块会议交互大屏,变成了双屏会议室?我们需要打开MTR的双屏显示开关 自定义MTR的主题图片?参考这篇: 自定义主题让你的MTR会议与众不同 具体配置步骤 这些操作我们都可以通过XML配置文件的方式远程推送给MTR设备来实现(用共享目录的方式来推,用组策略来推,用SCCM来推,都行,只要你能够把SkypeSettings.XML这份XML文件放在MTR的指定目录即可) 什么是MTR? Microsoft Teams Room 首先需要先创建一份名字为SkypeSettings.XML的文件。 接着就可以去修改SkypeSettings.XML里面的内容,例如以下代码配置了三个设置(自动屏幕共享,隐藏会议主题,MTR帐号)。 PS. 当你要运维多个MTR会议室时,你不需要把所有参数都放在XML里面,只需要把要改的放进来即可,这样就可以有针对性地去维护这些会议室。

WebAssembly在软件生态系统中将继续发挥更大的作用

蓝咒 提交于 2020-08-12 04:38:22
字节码联盟是一个新成立的开源社区,致力于基于WebAssembly和WebAssembly系统接口(WASI)等标准来创建新的软件基础。 Mozilla,Fastly,Intel 和 Red Hat 是创始成员。字节码联盟将通过其贡献成员的共同努力,提供最先进的运行时环境和相关的语言工具链,在这些环境中,安全性,效率和模块化都可以在尽可能广泛的设备和体系结构中共存。 通过联盟做出的贡献和协同发展的技术利用了编译器,运行时和工具方面已建立的创新技术,并专注于细粒度的沙箱,基于功能的安全性,模块化以及WebAssembly和WASI等标准。 创始成员正在为Bytecode Alliance提供一些开源项目,包括: Wasmtime,WebAssembly和WASI的小型高效运行时 Lucet,WebAssembly和WASI的提前编译器和运行时,专注于低延迟,高并发应用程序 WebAssembly Micro Runtime(WAMR),用于嵌入式设备的基于解释器的WebAssembly运行时 Cranelift,一个跨平台的代码生成器,专注于安全性和性能,用Rust编写 现代软件应用程序和服务是从共享组件和框架的全球存储库中构建的,这极大地加速了新的更好的多设备体验的创建,但是可以理解的是,人们对信任,数据完整性和系统漏洞的担忧也越来越大。字节码联盟致力于建立一个功能强大的安全平台

vue的一些配置

≯℡__Kan透↙ 提交于 2020-08-12 01:35:01
1、提取公共的颜色值或者像素值得操作:在assets>styles文件下创建varibles.styl。然后在该文件中定义一个变量$bgColor = red 然后在用到该颜色值得时候在该样式中引入文件 @import 'varibles文件的地址'。然后直接可以写该变量的名字就可以了。(7-2) 2、在style样式中引入文件需要用@import。 3、路径简化,可以把经常用到的路径配置成一个别名,此操作在build文件下的webpack.base.conf.js中配置。具体位置在resolve下面的alias对象里面配置。注意:如果在样式中引入样式的路径用到了别名的时候需要加“~”这个波浪线。其他的地方引入不需要加~。 4、样式穿透:我们开发一般会用到其他的插件,这时候如果要修改其样式的话就需要穿透。比如:我们用到了swiper轮播插件,然后我们需要修改其样式,就可以用: 外面的.class >>>插件的.class 这样就可以实现修改。 5、使用axios的时候必须安装:npm install axios --save。 axios的使用如下图> 6、在vue项目中给静态资源添加版本号。方式是 在build文件夹下的webpack.prod.conf里的搜索HtmlWebpackPlugin处,添加hash值就可以了。如下图 来源: oschina 链接: https:/

厌倦了大众字体?你可以用这个项目自创一款手写体

与世无争的帅哥 提交于 2020-08-11 23:42:47
  机器之心报道    参与:Racoon X、Jamin    这个酷炫的手写体生成项目,网页版使用 TensorFlow.js 实现,模型仅 10M。   本文主要介绍用 Tensorflow 编写的 RNN 手写笔迹合成项目,该模型主要基于 2013 年一篇关于手写笔迹合成的论文。从项目作者的 Github 进程来看,该项目实现已于 2018 年就完成,近日新推出的 Demo 所演示的交互模式下的网页版本为最新版,基于 TensorFlow.js 实现。   项目作者也表示在基于 2013 的手写笔迹合成的论文下,新增了一个推理模型进行优化。(Demo 如下图所示)      不同字体的手写笔迹合成。      项目地址:https://github.com/sjvasquez/handwriting-synthesis   网页版 Demo:https://seanvasquez.com/handwriting-generation/      上图这个权游里瑟曦的经典台词就是使用该项目创建的。    效果展示   让我们先来看一看这个项目的实际效果如何。   示例一为使用固定风格与偏置生成的样本(Smash Mouth – All Star 歌词):      示例二为使用变化的风格与固定偏置生成的样本,每一句诗词使用不同的风格生成(Vanessa Carlton – A