entity

EntityFramework之Log

我们两清 提交于 2021-01-09 01:52:41
关于日志 属性日志 DbContext.Database.Log 属性被设置为一个委托,该委托能接受带有一个字符串参数的任何方法,最主要的是,通过设置它到 TextWriter 的 Write 方法将能应用于任何的TextWriter,通过上下文自动生成的所有SQL语句将被记录到Writer中。 例如,如下代码将记录SQL在控制台上: using ( var ctx = new EntityDbContext()) { ctx.Database.Log = Console.WriteLine; } 【注意】上下文中的日志被设置到 Console.WriteLine ;则其所有SQL代码都将会输出在控制台上。 下面我们进行一些简单的查询、修改利用日志属性来演示在控制台上进行输出(依然利用前一篇文章所给出个三给类,如若不知其关系,请参考前一篇文章): using ( var ctx = new EntityDbContext()) { ctx.Database.Log = Console.WriteLine; 或者 ctx.Database.log = s => Console.WriteLine(s); var stu = ctx.Set<Student>().First(p => p.Name == " xpy0928 " ); stu.Grades.First()

RestTemplate中文乱码问题

落爺英雄遲暮 提交于 2021-01-08 20:33:27
在做springboot项目本地test测试时发现出现请求参数和返回值乱码问题,过滤器和yml文件中设置的utf-8编码都不起左右,可是使用postman请求时发现请求参数和返回值编码正常,一顿debug找原因最后发现是restemplate出现乱码,原代码如下: 1 @Test 2 public void getGoodsContent() { 3 RestTemplate restTemplate = new RestTemplate(); 4 MediaType type = MediaType.parseMediaType("application/json;charset=UTF-8" ); 5 6 HttpHeaders headers = new HttpHeaders(); 7 headers.setContentType(type); 8 headers.add("Accept" , MediaType.APPLICATION_JSON.toString()); 9 10 String paramter = "{'cityName': '北京'}" ; 11 HttpEntity<String> entity = new HttpEntity<String> (paramter); 12 13 String json = restTemplate

【数据库系统原理与应用/数据库系统概论】 期末复习手册

强颜欢笑 提交于 2021-01-07 12:38:07
课程教材:《数据库系统概论》 王珊 萨师煊 本文是自己根据学校的课程内容整理的数据库期末复习资料,可能不同学校的教学内容不同,所以难免会有内容的遗漏,同时由于时间紧迫,难免会有笔误或知识性错误之处,欢迎斧正,希望能帮到有需要的同学。 文章目录 第一章 :绪论 1.1四个基本概念: 1.1.1数据 1.1.2数据库 1.1.3数据库管理系统 1.1.4数据库系统 1.2数据库系统的特点 1.2.1数据**结构化** 1.2.2数据的**共享性高,冗余度低,易于扩充** 1.2.4数据由**DBMS**统一管理 1.3数据模型 1.3.1两大类数据模型 1.3.1.1 概念模型 1.3.1.2 逻辑模型和物理模型 1.3.2数据模型的组成要素 1.3.3 概念模型相关概念 1.3.3.1 实体(Entity) 1.3.3.2 属性(Attribute) 1.3.3.3 码(Key) 1.3.3.4 域(Domain) 1.3.3.5 实体型(Entity Type) 1.3.3.6 实体集(Entity Set) 1.3.3.7 联系(Relationship) 1.3.4 两个实体型之间的联系 1.3.4.1 一对一联系(1:1) 1.3.4.2 一对多联系(1:n) 1.3.4.3 多对多联系(m:n) 1.3.5 ER模型 1.3.5.1 关系模型的数据结构 1.3.5.2

WinForm EF+MySql企业管理软件C/S项目实战演练

为君一笑 提交于 2021-01-07 07:58:34
一、课程介绍 我们都知道在软件架构方式分为:C/S和B/S两类。这里阿笨不谈论两种软件架构的优劣之分,因为它们各有千秋,用于不同场合。一位伟大的讲师曾经说过一句话:事物存在即合理!录制这堂课程的目的就是专门给想学习和了解WinForm应用程序实战开发的童鞋们。虽然当前主流的架构开发的确大多是WEB端和App移动端开发,可能大家都忽略了传统的WinForm桌面应用程序开发的魅力! 1.1、本次分享课程包含知识点如下: 1)、EF For Mysql使用过程中遇到的坑 2)、C/S 如何使用MDIParentForm窗体,看这一篇就够了。 3)、C/S架构聊一聊最常用CRUD操作的那点事。 4)、C/S分页控件和EF For Mysql分页查询拼接以及EF泛型分页。 5)、EF For Mysql如何处理并发脏数据(防止多人同时修改同一条单据数据)。—强烈推荐。 1.2、本次分享课学完后我们要达到学习的目标和成果? 1)、 快速上手掌握WinForm企业级实战型开发技巧技能。 2)、快速掌握EF For Mysql实战技巧技能。 3)、轻轻松松的应对工作中一般桌面应用客户端内部管理系统的开发工作。 1.3、一句话总结今天我们要解决的问题? 如何快速从零基础C/S架构到熟练掌握桌面客户端管理系统实战开发技能。 如果您对本次分享《WinForm EF+MySql企业管理软件C

idea 实现逆向工程(反向工程)

前提是你 提交于 2021-01-05 16:52:56
pom.xml 配置 在build里添加 1 <!-- 逆向工程 --> 2 < plugins > 3 < plugin > 4 < groupId > org.mybatis.generator </ groupId > 5 < artifactId > mybatis-generator-maven-plugin </ artifactId > 6 < version > 1.3.2 </ version > 7 < dependencies > 8 < dependency > 9 < groupId > mysql </ groupId > 10 < artifactId > mysql-connector-java </ artifactId > 11 < version > 5.1.22 </ version > 12 </ dependency > 13 </ dependencies > 14 < configuration > 15 <!-- 配置文件的路径 --> 16 < configurationFile > src/main/resources/generatorConfig.xml </ configurationFile > 17 < overwrite > true </ overwrite > 18 </ configuration > 19 <

推荐系统与知识图谱(2)

情到浓时终转凉″ 提交于 2021-01-05 08:00:40
推荐系统与知识图谱(2) Ref: 如何将知识图谱特征学习应用到推荐系统? 将知识图谱作为辅助信息引入到推荐系统中可以有效地解决传统推荐系统存在的稀疏性和冷启动问题,近几年有很多研究人员在做相关的工作。目前, 将知识图谱特征学习应用到推荐系统中主要通过三种方式——依次学习、联合学习、以及交替学习 。 依次学习 (one-by-one learning)。首先使用知识图谱特征学习得到实体向量和关系向量,然后将这些低维向量引入推荐系统,学习得到用户向量和物品向量; 联合学习 (joint learning)。将知识图谱特征学习和推荐算法的目标函数结合,使用端到端(end-to-end)的方法进行联合学习; 交替学习 (alternate learning)。将知识图谱特征学习和推荐算法视为两个分离但又相关的任务,使用多任务学习(multi-task learning)的框架进行交替学习。 依次学习 Deep Knowledge-Aware Network (DKN) 我们以新闻推荐[1]为例来介绍依次学习。如下图所示,新闻标题和正文中通常存在大量的实体,实体间的语义关系可以有效地扩展用户兴趣。然而这种语义关系难以被传统方法(话题模型、词向量)发掘。 为了将知识图谱引入特征学习,遵循依次学习的框架,我们 首先需要 提取知识图谱特征 。该步骤的方法如下: 实体连接 (entity

第一次作业:深入Linux源码分析其进程模型

微笑、不失礼 提交于 2021-01-05 03:00:07
一、进程 1.进程的概念 (1)进程:Process,是计算机中的程序关于某数据集合上的一次运行活动,是系统进行资源分配和调度的基本单位,是操作系统结构的基础。 (2)进程由程序、数据和进程控制块PCB组成。当系统创建一个进程时,实际上是建立一个PCB。当进程消失时,实际上是撤销PCB。在进程活动的整个生命周期内,系统通过PCB对进程进行管理和调度。 2.查看进程状态 (1)ps指令(常用组合:aux、ef、eFH、-eo、axo) (2)示例 # ps aux :显示所有与终端有无关联的进程信息 # ps -ef :以完整格式显示所有的进程信息 二、进程的组织 在Linux中,每个进程都有自己的task_struct结构。在2.4.0版中,系统拥有的进程取决于物理内存的大小。因此进程数可能达到成千上万个。为了对系统中的很多进程及处于不同状态的进程进行管理,Linux采用了以下几种组织方式来管理进程: 1.哈希表 哈希表是进行快速查找的一种有效的组织方式, 在include/linux/sched.h中定义如下: struct task_struct* pidhash[PIDHASH_SZ]; linux用一个宏pid_hashfn()将PID转换成表的索引,通过pid_hashfn()可以把进程的PID均匀的散列在哈希表中。 给定一个进程号PID寻找其对应的PCB的查找函数如下:

MyBatis-Plus条件构造器

流过昼夜 提交于 2021-01-01 12:33:13
条件构造器 wapper介绍 : Wrapper : 条件构造抽象类,最顶端父类,抽象类中提供4个方法 AbstractWrapper : 用于查询条件封装,生成 sql 的 where 条件 AbstractLambdaWrapper : Lambda 语法使用 Wrapper统一处理解析 lambda 获取 column。 LambdaQueryWrapper :用于Lambda语法使用的查询Wrapper LambdaUpdateWrapper : Lambda 更新封装Wrapper QueryWrapper : Entity 对象封装操作类,不是用lambda语法 UpdateWrapper : Update 条件封装,用于Entity对象更新操作 mybatis-plus条件构造器简介 mybatis-plus提供了AbstractWrapper抽象类,提供了很多sql语法支持的方法,比如模糊查询,比较,区间,分组查询,排序,判断空等等,方便我们用面向对象的方式去实现sql语句。 AbstractWrapper 说明: QueryWrapper(LambdaQueryWrapper) 和 UpdateWrapper(LambdaUpdateWrapper) 的父类用于生成 sql 的 where 条件, entity 属性也用于生成 sql 的 where 条件

HTTP Keep-Alive模式

ぃ、小莉子 提交于 2020-12-31 10:06:57
——献给那些向我这样对HTTP的“伪”熟悉者。 故事发生在10月份的一次面试经历中,本来我不想说出来丢人显眼,但是为了警醒自己和告诫后人,我决定写成博文发出来。因为在面试过程中,我讲在2009年写过QQ农场助手,在这期间深入学习了HTTP协议,而且在2010-05-18写了博文: HTTP协议及其POST与GET操作差异 & C#中如何使用POST、GET等 。面试官说既然我熟悉HTTP协议,就问“当HTTP采用keepalive模式,当客户端向服务器发生请求之后,客户端如何判断服务器的数据已经发生完成?” 说实话,当时我懵了,一直没有关注过keepalive模式。我只知道: HTTP协议中客户端发送一个小请求,服务器响应以所期望的信息(例如一个html文件或一副gif图像)。服务器通常在发送回所请求的数据之后就关闭连接。这样客户端读数据时会返回EOF(-1),就知道数据已经接收完全了。 我就这样被面试官判了死刑!!!说我完全停留在表面,没有深入(当时真的很受打击,一直自认为技术还不错!)。我当时真的很想找各种借口: 之前没有用到HTTP的keepalive模式,所以没有深入 好久没有用HTTP协议,细节忘了 实习的东西跟HTTP协议没有关系,用得少了就忘了 。。。。。。 觉得各种解释都是那么苍白无力!我再次感叹书到用时方恨少,也感叹一个人的时间是多么的有限

文档级(Document-level)关系抽取(RE)目前的一些最新进展(海量论文,干货满满)

为君一笑 提交于 2020-12-29 09:31:35
文章目录 0. 引言 1. SCIREX: A Challenge Dataset for Document-Level Information Extraction(ACL2020) 1.1 摘要 1.2 动机 1.3 贡献 1.4 数据集 1.4.1 问题定式 1.4.2 数据集描述 1.5 模型 1.6 实验 2. Reasoning with Latent Structure Refinement for Document-Level Relation Extraction(ACL 2020) 2.1 摘要 2.2 动机 2.3 贡献 2.4 方法论 2.4.1 Node Constructor 2.4.2 Dynamic Reasoner 2.4.3 Classifier 2.5 实验结果 3. Inter-sentence Relation Extraction with Document-level Graph Convolutional Neural Network(ACL2019) 3.1 摘要 3.2 动机 3.3 贡献 3.4 模型 3.4.1 Input Layer 3.4.2 Graph Construction 3.4.3 GCNN Layer 3.4.4 MIL-based Relation Classification 3.5 实验结果 4.