利用存储过程分页,与ibaits集合实例

2009-07-30
ibatis调用oracle存储过程分页
关键字: oracle存储过程分页
1、users.xml片段
Xml代码
<resultMap class="user" id="get-all-user">
<result property="id" column="id" />
<result property="userName" column="username" />
<result property="password" column="password" />
</resultMap>
……
<parameterMap id="swapParameters" class="java.util.Map">
<parameter property="sqlscript" jdbcType="VARCHAR2" javaType="java.lang.String" mode="IN"/>
<parameter property="pageSize" jdbcType="INTEGER" javaType="java.lang.Integer" mode="IN"/>
<parameter property="pageIndex" jdbcType="INTEGER" javaType="java.lang.Integer" mode="IN"/>
<parameter property="totalCount" jdbcType="INTEGER" javaType="java.lang.Integer" mode="OUT"/>
<parameter property="totalPage" jdbcType="INTEGER" javaType="java.lang.Integer" mode="OUT"/>
<parameter property="v_cur" javaType="java.sql.ResultSet" jdbcType="ORACLECURSOR" mode="OUT" resultMap="get-all-user" />
</parameterMap>
<procedure id="retrieveByLikeCmpRoleC" parameterMap="swapParameters">
{call P_QuerySplit(?,?,?,?,?,?)}
</procedure>
2、oracle存储过程
Java代码
create or replace procedure P_QuerySplit(sqlscript varchar2, --表名/SQL语句
pageSize integer, --每页记录数
pageIndex integer, --当前页
totalCount out number, --总记录数
totalPage out number, --总页数
v_cur out sys_refcursor --返回游标
) is
v_PageSize number;
v_PageIndex number;
v_SQL_Count varchar2(4000);
v_SQL varchar2(4000);
v_StartIndex number;
v_EndIndex number;
begin
v_PageSize := pageSize;
if v_PageSize = 0 then
v_PageSize := 1;
end if;

--统计记录数量
v_SQL_Count := 'select count(*) from (' || sqlscript || ') a ';
execute immediate v_SQL_Count
into totalCount;
--计算总页数
totalPage := CEIL(totalCount / v_PageSize);
--验证页号 如果页号大余了最大页数,返回最后一页
v_PageIndex := pageIndex;
if v_PageIndex > totalPage then
v_PageIndex := totalPage;
end if;

--计算开始的Index和结束的Index
v_StartIndex := (v_PageIndex - 1) * v_PageSize + 1;
v_EndIndex := v_PageIndex * v_PageSize;

v_SQL := 'SELECT /*+ FIRST_ROWS */* FROM (';
v_SQL := v_SQL || ' SELECT A.*, ROWNUM RN ';
v_SQL := v_SQL || ' FROM (' || sqlscript || ') A ';
v_SQL := v_SQL || ' WHERE ROWNUM <= ' || v_EndIndex;
v_SQL := v_SQL || ')WHERE RN >= ' || v_StartIndex;

open v_cur for v_SQL;
end P_QuerySplit;
3、dao中调用
Java代码
Map b = new HashMap();
b.put("sqlscript", " users ");
b.put("pageSize", Integer.parseInt("2"));
b.put("pageIndex", Integer.parseInt("3"));
getSqlMapClientTemplate().queryForList("retrieveByLikeCmpRoleC", b);
System.out.println("总记录数:"+b.get("totalCount"));
System.out.println("总页数:"+b.get("totalPage"));
List<Users> listusers =(List<Users>) b.get("v_cur");
for(Users p:listusers){
System.out.println(p.getId()+"---"+p.getUserName()+"---"+p.getPassword());
}
备注:由于oracle的存储过程有2种写法,一种是FUNCTION函数,一种是procedure。他们的返回值的写法不一样,如:
Java代码
CREATE OR REPLACE PACKAGE REFS_PCK AS
TYPE REF_CURSOR_T IS REF CURSOR;
FUNCTION GET_REFS RETURN REF_CURSOR_T;
procedure getFlowTrack(cur_Scan out REF_CURSOR_T,
cur_Send out REF_CURSOR_T);
END REFS_PCK;
/
CREATE OR REPLACE PACKAGE BODY REFS_PCK IS
FUNCTION GET_REFS RETURN REF_CURSOR_T IS
L_CURSOR REF_CURSOR_T;
BEGIN
OPEN L_CURSOR FOR
SELECT * FROM USERS;
RETURN L_CURSOR;
END GET_REFS;
procedure getFlowTrack(cur_Scan out REF_CURSOR_T,
cur_Send out REF_CURSOR_T) as
begin
--1
open cur_Scan for
select * from USERS;
--2
open cur_Send for
select * from USERS;

end getFlowTrack;

END REFS_PCK;
那么在xml中的调用,针对函数的是:
Xml代码
<procedure id="getRefs" parameterMap="output">{ ? = call refs_pck.get_refs }</procedure>
针对procedure的是
Xml代码
<procedure id="getRefsaa" parameterMap="outputaa">{ call refs_pck.getFlowTrack(?,?) }</procedure>
即一个有“?”,一个没有。第二个注意的地方是:oracle存储过程中的参数类型number对应的java中的类型还是java.lang.Integer

v
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,能够捕捉数据中的时间依赖性。 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,它们在神经网络中用于添加非线性,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