客户端动态条件

有两种方法:

一、首先要设置服务端的服务AllowWhereSQL为True;

客户端

with ClientDataModule.dtCustomers do begin 

    Close;
    // Prepares the custom WHERE clause
    Where.Clear;
    Where.AddConditions(['CustomerIdx','FirstName','LastName','City'],
 
                        [cEqual,cLike,cLike,cLike],
 
                        [eCode.Text,eFirstName.Text,eLastName.Text,
 
                         eCity.Text], opAnd);
     Close;
    Memo1.Text:=Where.Clause;
    if Where.Empty
      then stWhereClause.Caption := msg_NoCondition
      else stWhereClause.Caption := Where.Clause;
    MaxRecords := seMaxCustomers.Value;
    Open;
 end;

说明:
//一 复合条件
//    Where.AddConditions(['CustomerID'],
//                        [cEqual],
//                        ['ALFKI'], opAnd);
//二  增加一段条件
//    Where.AddText('CustomerID = ''ALFKI''');
//三  增加一个in条件
    Where.AddValueGroup('CustomerID',['ALFKI']);
// OpenBraket 增加一个左括号,CloseBraket增加一个右括号
//    Where.OpenBraket;
//    Where.CloseBraket;


二、首先要设置服务端的服务AllowDynamicWhere为True;

Operations between atomic expressions can be:

  

  • comparison (less, less or equal, equal, greater or equal, greater, not equal).
  • likewise (like) for string types.
  • arithmetic (addition, substraction, multiplication, division).
  • occurrences (in) for list expressions.

The value of the expression can be changed by unary operators (minus, not).

Examples

  WHERE LastName LIKE '%in%'

begin
  with ClientDataModule.tbl_Employees do
  begin
    Close;
    DynamicWhere.Clear;
    DynamicWhere.Expression := DynamicWhere.NewBinaryExpression
      (DynamicWhere.NewField('Employees', 'LastName'),
      DynamicWhere.NewConstant('%in%', datString), dboLike);
    Open();
  end;
end;

WHERE(LastName LIKE '%in%') OR (Not(EmployeeID = 5))

begin
  with ClientDataModule.tbl_Employees do
  begin
    Close;
    DynamicWhere.Clear;
    DynamicWhere.Expression := DynamicWhere.NewBinaryExpression
      (DynamicWhere.NewBinaryExpression(DynamicWhere.NewField('Employees',
      'LastName'), DynamicWhere.NewConstant('%in%', datString), dboLike),
      DynamicWhere.NewUnaryExpression(DynamicWhere.NewBinaryExpression
      (DynamicWhere.NewField('Employees', 'EmployeeID'),
      DynamicWhere.NewConstant(5, datInteger), dboEqual), duoNot), dboOr);
    Open();
  end;
end;

WHERE((LastName LIKE '%in%') OR (Not(EmployeeID = 5))) AND
  (FirstName IN ('Nancy', 'Robert'))

var
  lWhereExpression: TDAWhereExpression;

begin
  with ClientDataModule.tbl_Employees do
  begin
    Close;
    DynamicWhere.Clear;
    lWhereExpression := DynamicWhere.NewBinaryExpression
      (DynamicWhere.NewBinaryExpression(DynamicWhere.NewBinaryExpression
      (DynamicWhere.NewField('Employees', 'LastName'),
      DynamicWhere.NewConstant('%in%', datString), dboLike),
      DynamicWhere.NewUnaryExpression(DynamicWhere.NewBinaryExpression
      (DynamicWhere.NewField('Employees', 'EmployeeID'),
      DynamicWhere.NewConstant(5, datInteger), dboEqual), duoNot), dboOr),
      DynamicWhere.NewBinaryExpression(DynamicWhere.NewField('Employees',
      'FirstName'), DynamicWhere.NewList([DynamicWhere.NewConstant('Robert',
      datString), DynamicWhere.NewConstant('Nancy', datString)]),
      dboIn), dboAnd);
    DynamicWhere.Expression := lWhereExpression;
    Open();
  end;
end;

WHERE(Upper(LastName)LIKE '%IN%')

begin
  with ClientDataModule.tbl_Employees do
  begin
    Close;
    DynamicWhere.Clear;
    DynamicWhere.Expression := DynamicWhere.NewBinaryExpression
      (DynamicWhere.NewMacro('UpperCase(LastName)'),
      DynamicWhere.NewConstant('%IN%', datString), dboLike);
    Open();
  end;
end;
end;

 

转载于:https://www.cnblogs.com/leonkin/p/3208699.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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