如何设计一个视图引擎

什么是视图引擎?一个好的视图引擎应该具备什么? 管理系统中少不了视图引擎,优秀的视图引擎应该具备什么功能?本文介绍了视图引擎的概念和作用,并进一步指出了视图引擎在低代码平台中的应用。 阅读详情

编者按:一个低代码平台,少不了视图引擎,视图引擎的功能集影响后期的使用。什么视图引擎?它的作用是什么?应用场景有哪些?

什么是视图

视图用于解决数据查询以及查询后结果的呈现问题。

视图数据查询是如何实现的?查询结果是如何呈现的?

  • 数据查询

设计一个视图,通常包含定义常用查询(设计)、自定义查询(DQL)、数据库查询(SQL)和存储过程四种途径,可实现多数据源关联查询和集中展示,其中定义常用查询可基于多维度,比如作者维度、部门维度、关键词维度。自定义查询支持多维查询匹配模式,可以根据文本、数值、日期、查询值和系统变量,提供模糊相似、精确一致、包含、不包含、数值比对等一系列多维联动式匹配方式。

  • 结果呈现

视图查询结果通常有多种呈现方式,即视图类型,例如列表视图、树型视图、甘特视图、地图视图、折叠视图、日历视图等。

怎样设计视图引擎

  • 概念

视图引擎是为浏览器实际生成HTML输出的组件,视图引擎负责为每个请求返回HTML,并且它通过将视图模板和由控制器传递进来的数据进行融合来准备其输出。

  • 工作原理

说明:

Column——视图子元素,表示表格中的每一列,每个文档(Document)为一行,每个文档项(Item)为一列的内容。

AbstractEditMode 抽象查询模式,抽取其他各种查询模式的公共属性和方法

SQLEditMode SQL语句查询模式,使用常规数据库查询语言SQL的查询方式。

DesignEditMode 简单配置查询模式,无需查询语句的查询方式

DQLEditMode DQL语句查询模式,使用基于平台的对象查询语言DQL的查询方式。

从客户端(Client)输入数据,数据存储在数据库中(DB),视图(View)结合数据库中的文档集合(Document)生成列表,如下图:

(视图结合文档集合生成列表过程)

视图引擎的应用及效果

  • 定义一个视图

天翎视图引擎提供批量导出、载入视图、网页打印和跳转等共计13种操作按钮,配置即可调用,辅以动作执行前、执行时和执行后的配置脚本,可实现绝大多数视图应用场景和操作需求。

(视图后台界面1-基本)

(视图后台界面2-视图数据)

(视图后台界面3-视图列)

(视图后台界面4-视图操作)

  • 结果呈现(效果)

查询结果的呈现是视图的重要作用之一。天翎视图引擎支持多种视图结果呈现(视图类型),例如列表视图、树型视图、甘特视图、地图视图、折叠视图、日历视图等。

(列表视图)

(树型视图)

(甘特视图)

(地图视图)

(折叠视图)

(日历视图)

构建ASP.NET在线教育平台:从基础到实践 为了提高代码复用和可维护性,Razor允许开发者创建自定义标签和帮助器方法。这些自定义组件可以被用于不同的视图文件中,以实现特定的显示逻辑。});在视图文件中,可以这样使用:通过定义自定义帮助器方法,开发者可以将常用的显示逻辑封装起来,使视图代码更加简洁和易于管理。 阅读详情

相关推荐

TFW - Tiny Framework for Web 项目实战指南

中间件是构成Web框架的重要部分,它提供了一种能够在请求到达控制器之前或响应从控制器发出之后执行自定义代码的机制。这种机制让开发者能够集中管理请求的预处理和后处理,如身份验证、日志记录、请求验证、错误处理等。中间件机制为Web开发提供了一种强大且灵活的请求处理方式。通过中间件,开发者可以将请求处理的逻辑抽象化,实现代码的模块化和重用。理解和掌握中间件的原理和实现,对于构建高效、安全、可维护的Web应用至关重要。在实际开发中,合理地运用中间件,可以显著提高代码的可读性和系统的整体性能。

weixin_42576467的博客 609

视图(View)引擎

视图(View)引擎是一个用于生成用户界面(UI)内容的组件。它通常用于将数据模型渲染为 HTML 页面。在 Web 应用程序中,视图引擎负责将服务器端的数据转换为客户端可以显示的 HTML 内容。的值插入到 HTML 中,生成最终的页面。Thymeleaf 引擎将。

weixin_63490470的博客 433

PAM4信号测试实战:从眼图分析到误码率测量的技术演进

在高速数字系统设计中,信号完整性测试是确保数据传输可靠性的核心环节。其基本原理在于通过时域和频域分析,精确评估信号在传输过程中的质量衰减与失真。随着数据速率向56Gbps及以上演进,传统的NRZ编码面临带宽瓶颈,而PAM4调制技术通过在每个符号周期内承载更多比特信息,成为提升信道效率的关键路径。这项技术的工程价值在于,它允许在相同带宽下实现翻倍的数据吞吐量,这对于数据中心互联、PCIe 6.0及800G以太网等高速接口至关重要。然而,PAM4信号电平间距更小,对噪声和抖动极为敏感,导致其原始误码率显著升高,

weixin_42522817的博客 662

常见的视图引擎及其区别

不同视图引擎在功能、语法和使用场景上有所不同。

weixin_63490470的博客 690

基于Simulink的IEEE33节点配电网仿真实战:从建模到分布式能源集成

本文详细介绍了基于Simulink的IEEE33节点配电网仿真实战,从基础建模到分布式能源集成。通过MATLAB脚本管理参数、搭建Simulink模块,并集成风机和光伏系统,实现高效配电网仿真。文章还涵盖潮流计算、故障分析及性能优化技巧,为电力系统仿真提供实用指导。

git9versioner的博客 994

UNITY2022 Cardboard环境搭建

必须安装 Git,并且 git 可执行文件必须位于 PATH 环境变量中。考文档:https://developers.google.cn/cardboard/develop/unity/quickstart?转到 Assets/Samples/Google Cardboard//Hello Cardboard/Scenes/HelloCardboard 场景中。粘贴https://github.com/googlevr/cardboard-xr-plugin.git到文本输入字段中。

weixin_39510925的博客 1214

在java领域,表现层技术主要有三种:jsp、freemarker、velocity

jsp是大家最熟悉的技术 优点: 1、功能强大,可以写java代码 2、支持jsp标签(jsp tag) 3、支持表达式语言(el) 4、官方标准,用户群广,丰富的第三方jsp标签库 5、性能良好。jsp编译成class文件执行,有很好的性能表现 缺点: jsp没有明显缺点,非要挑点骨头那就是,由于可以编写java代码,如使用不当容易破坏mvc结构。 velocity是较早出现的用于代替jsp的模...

ation_work的专栏 433

基于Verilog的8位CPU设计及UART扩展实现方案,包含完整的架构设计、核心代码实现和仿真验证方法

基于Verilog的8位CPU设计及UART扩展实现方案,包含完整的架构设计、核心代码实现和仿真验证方法

a_zxswer的博客 194

视图引擎Smarty的简单使用

参考: http://www.jb51.net/article/5091.htm 参考:http://baike.baidu.com/link?url=FFySw2r-dsE-lTdQgGy2DpLhciXM-JqUagEIydE_aFY3rGMnlYrf4eOOWw-fK-MFNFMp8v7ddMOrmlnIHTlP4K 其中还包含来自对慕课网的学习。                什么

梦空间 1920

用Excel或WPS做两独立样本的T检验

一般情况下收集数据时常用的是Excel或者WPS,但统计时却用SPSS等软件进行统计学分析,经常很多人找不到SPSS的安装包,或者苦于正版激活或忘记教程,其实Excel或WPS自带函数就足够了,均数、标准差以及统计检验都是一个函数而已。解释:先做F检验,如果F>0.05就做T检验,Ttset里的数据为两组的数据的比较,结果如下。A组的均数计算 =AVERAGE(B2:B6)A组的标准差计算 =STDEV(B2:B6)B组的标准差计算=STDEV(B7:B19)分组 数值 A组均数 A组标准差 p值。

Mrrunsen的博客 6756

计算机应用数学--第一次作业

中科大 计算机应用数学 第一次作业

一杯水果茶!足矣~ 1330

express-handlebars

https://www.npmjs.com/package/express-handlebars 转载于:https://www.cnblogs.com/little-ab/p/6913513.html

weixin_30826761的博客 190

C#与大数据分析:如何通过上位机进行设备故障诊断与预测

设备故障诊断是通过对设备的运行状态数据进行分析,识别和确认故障的类型和位置。而设备故障预测则是通过对设备的历史数据和运行状态进行分析,预测设备何时可能出现故障,从而进行预防性维护。数据采集:通过各种传感器、PLC、嵌入式设备等采集设备运行数据,如温度、压力、振动、转速、功率等。数据预处理:对采集到的数据进行清洗、去噪、缺失值处理、标准化等操作,以确保数据质量。特征工程:从原始数据中提取出有助于故障诊断和预测的特征,例如统计特征、时域特征、频域特征等。数据分析与建模。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1062

Nancy一个轻量级用于构建基于 HTTP 的 Web 服务

Nancy一个轻量级用于构建基于 HTTP 的 Web 服务

.NET 人工智能实践 979

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

TodoList开发笔记 – Part Ⅱ

上一节给出了应用的两个主要UML类图,应用采用的技术也给出了,这一节开始实际设计编码 一.应用公开的方法 其实就几个的方法而已 1.代办事项的CRUD 2.代办事项归类目录的CRUD 3.代表事项“已完成”的更改。 二.MVC如何应用到系统中 引入MVC框架是为了更好的抽象应用程序各个模块,强制将应用程序分为三个大部分(Model-View-Control...

132

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")

.NET Nancy 详解(一) 初识

Nancy 是一个轻量级的,简单粗暴的framework用来构建基于HTTP的各种服务,兼容.Net和Mono。Nancy的整套设计理念是基于"super-duper-happy-path",这是一个作者杜撰的单词,个人觉得翻译过来基本就是简单粗暴,行之有效的意思。 简单的例子: public class Module : NancyModule { public Module()

便当的专栏 702

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

推荐开源项目:Spark View Engine - 改变你的HTML视图渲染体验

推荐开源项目:Spark View Engine - 改变你的HTML视图渲染体验 项目介绍 Spark View Engine 是一个强大的视图引擎,专为 ASP.NET MVC、FubuMVC、NancyFx 和 Castle Project MonoRail 框架设计。它的核心理念是让 HTML 控制页面流,并将代码无缝融入其中,从而实现更清晰、更易读的视图模板。 项目技术分析 Spark ...

gitblog_00039的博客 418

后台升级管理系统之技术

前一篇写了后台升级管理系统之感悟. 现在写一下技术方面的东西. 这个后台升级管理系统是采用mvc3 模式.Razor视图引擎,linq to sql 数据访问技术. mvc3 设计模式:m即Model表示模型,主要处理数据.在这里linq to sql 充当数据模型.v代表View,表示视图即呈现给用户的界面. c就是Controller,即控制器.他们之间关系是模型处于中介,处理用户的请求

sunzhenhua2012的专栏 1230

第一章 初探ASP .NET MVC

ASP .NET MVC 框架是MVC 设计模式的实现方式之一。

qq_65426265的博客 382

ASP.NET MVC Music Store Tutorial

ASP.NET MVC Music Store Tutorial Version 3.0b Jon Galloway - Microsoft 4/28/2011 http://mvcmusicstore.codeplex.com - Licensed under Crea

Dr. SUN 的专栏 4743

php新闻实验总结,php-mvc新闻项目体会-1

标签:这几天一直都在钻研pengcheng大神的自定义mvc,以及他的新闻实例,从中体会mvc的power。再次对pengcheng大神表示崇高的敬意~框架虽然满大街了,但不妨碍我们通过构思自己的框架来加深对框架的理解,知其然更要知其所以然。先对pengcheng大神方向上香....鞠躬.好吧,不闹了~进入正题。上3节写了简单的MVC结构和Smarty的引入。MVC中V我们可以借助Smarty完成...

weixin_34145350的博客 239

ASP.NET的另一个视图引擎——Razor

一、什么是Razor?     要是你知道什么是ASPX,那我就告诉你:Razor是和ASPX 一样的另一种视图引擎。说到视图就明白了很多吧。既然都为视图引擎,都是MS的东西,两个视图引擎,一前一后,肯定有区别。那么接下来让我们来认识一下Razor吧。    首先,Razor是作为一种后起的视图模板被ASP.NET MVC3使用。    这就暴露了Razor的一个重要信息:界面设计灵活,比a

王勇霞 信息技术提高班九期 2172

把之前的项目改成了纯前端单页应用,彻底抛弃了iframe,附源码下载

在网上找了很久,得到的答案是"Entity Framework 中不能同时更新多条记录",历经这么多版本,居然还没有这种基本功能,我真的很无语了在网上

lee576的专栏 507
上一篇: 如何设计一个表单引擎
下一篇: 如何设计一个低代码平台
周志军Jarod
博客等级 码龄4年 11粉丝 9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