在Yii框架中使用PHPExcel扩展从数据库导出excel文件功能的实现

1.下载最新的PHPExcel组件https://github.com/PHPOffice/PHPExcel


2.将以下两个文件解压至PHPExcel文件夹下并放入extension文件夹下

如图所示

3.在main.php主配置文件下,添加如下代码:

4.在控制器下写如下代码:

  1. /** 
  2. * 导出EXCEL 
  3. */  
  4. public function actionExport(){  
  5. $objPHPExcel = new PHPExcel();  
  6. $sql = "select * from aff";  
  7. $result = Yii::app()->db->createCommand($sql);  
  8. $query = $result -> queryAll();  
  9. //print_r($query);  
  10.   
  11. $objPHPExcel->setActiveSheetIndex(0)  
  12. ->setCellValue('A1','会员名称')  
  13. ->setCellValue('B1','会员ID')  
  14. ->setCellValue('C1','收款银行')  
  15. ->setCellValue('D1','收款账号')  
  16. ->setCellValue('E1','收款人')  
  17. ->setCellValue('F1','实发费用')  
  18. ->setCellValue('G1','状态')  
  19. ->setCellValue('H1','结算日期');  
  20. $i=2;  
  21. foreach($query as $v){  
  22. //print_r($v);  
  23. $objPHPExcel->setActiveSheetIndex(0)  
  24. ->setCellValue('A'.$i,$v[username])  
  25. ->setCellValue('B'.$i,$v[userid])  
  26. ->setCellValue('C'.$i,$v[bank])  
  27. ->setCellValue('D'.$i,$v[accountnum])  
  28. ->setCellValue('E'.$i,$v[realname])  
  29. ->setCellValue('F'.$i,$v[amount])  
  30. ->setCellValue('G'.$i,$v[confirm])  
  31. ->setCellValue('H'.$i,$v[remittancetime]);  
  32. //设置填充颜色  
  33. $objPHPExcel->getActiveSheet()->getStyle('F'.$i)->getFill()->setFillType(PHPExcel_Style_Fill::FILL_SOLID);  
  34. $objPHPExcel->getActiveSheet()->getStyle('F'.$i)->getFill()->getStartColor()->setARGB('FFFFFF');  
  35. //设置字体靠左  
  36. $objPHPExcel->getActiveSheet()->getStyle('A'.$i.':H'.$i)->getAlignment()->setHorizontal(PHPExcel_Style_Alignment::HORIZONTAL_LEFT);  
  37. $i++;  
  38. }  
  39. //加粗字体  
  40. $objPHPExcel->getActiveSheet()->getStyle('A1:H1')->getFont()->setBold(true);  
  41. //字体靠左  
  42. $objPHPExcel->getActiveSheet()->getStyle('A1:H1')->getAlignment()->setHorizontal(PHPExcel_Style_Alignment::HORIZONTAL_LEFT);  
  43. //设置每列宽度  
  44. $objPHPExcel->getActiveSheet()->getColumnDimension('A')->setWidth(10);  
  45. $objPHPExcel->getActiveSheet()->getColumnDimension('B')->setWidth(10);  
  46. $objPHPExcel->getActiveSheet()->getColumnDimension('C')->setWidth(20);  
  47. $objPHPExcel->getActiveSheet()->getColumnDimension('D')->setWidth(15);  
  48. $objPHPExcel->getActiveSheet()->getColumnDimension('E')->setWidth(10);  
  49. $objPHPExcel->getActiveSheet()->getColumnDimension('F')->setWidth(15);  
  50. $objPHPExcel->getActiveSheet()->getColumnDimension('G')->setWidth(10);  
  51. $objPHPExcel->getActiveSheet()->getColumnDimension('H')->setWidth(12);  
  52. //输出  
  53. $objWriter = PHPExcel_IOFactory::createWriter($objPHPExcel'Excel5');  
  54. $filename="outexcel.xls";  
  55. header('Content-Type: application/vnd.ms-excel');  
  56. header('Content-Disposition: attachment;filename="'.$filename.'"');  
  57. header('Cache-Control: max-age=0');  
  58. $objWriter->save('php://output');  

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
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