autocoder自动代码生成器_Spring Boot 集成MyBatis Plus代码生成器

200c74b4f13c92d5359756fb38b39bf2.png

今天在做一个项目,使用到了MyBatis Plus的代码生成器,代码生成器主要就是 自动生成 实体类,业务层,数据访问层等。以下就使用代码生成器来生成。

MyBatis-plus 官网:https://mp.baomidou.com/ 为简化而生

https://mp.baomidou.com/guide/generator.html#%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B​mp.baomidou.com

1.添加MyBatis-Plus 依赖 这里只针对代码生成器,其他依赖不写了

我使用的是Maven来构建项目

feb9a7e82cc586c4befadd32f4d8b198.png

2.添加代码生成器依赖

ad929f90889cd7b6aef649d3d137666d.png

3.添加模板引擎 依赖 (此处有坑)

官网介绍说 默认支持Velocity引擎。 可在使用的时候却出错了。 后来添加了Freemarker:引擎就好了, 当然个人是如此,你们会不会有这个问题就不知道了。

b8d26b010b6b7e64611c7e2ed1259767.png

添加了 自定义模板引擎 就得添加这段话 官网有。

39e4b29b354a3d21b680dbe64ed16021.png

4.创建一个类, 添加 main方法用来 执行代码生成器

58443fb38f115669dc5545e30000d333.png

下面代码 都是从MyBatis- Plus 上copy的

d02069812d68325359ce7c4c67a3d661.png

/** * <p> * 读取控制台内容。 内容有 :模块名, 表名 从控制台接收 * </p> */public static String scanner(String tip) {
Scanner scanner = new Scanner(System.in);
StringBuilder help = new StringBuilder();
help.append("请输入" + tip + ":");
System.out.println(help.toString());if (scanner.hasNext()) {
System.out.println("000");
String ipt = scanner.next();if (StringUtils.isNotEmpty(ipt)) {
System.out.println("111");return ipt;
}
}throw new MybatisPlusException("请输入正确的" + tip + "!");
}public static void main(String[] args) {// 代码生成器
AutoGenerator mpg = new AutoGenerator();// set freemarker engine 自定义模块引擎
mpg.setTemplateEngine(new FreemarkerTemplateEngine());// 全局配置
GlobalConfig gc = new GlobalConfig();//获取当前项目根目录 无需更改
String projectPath = System.getProperty("user.dir");//所有的生成的包和类到此路径下
gc.setOutputDir(projectPath+"/src/main/java" );//开发人员名字 可忽略
gc.setAuthor("auth");// 是否打开输出目录,就是代码生成后是否打开文件夹的意思
gc.setOpen(true);// gc.setSwagger2(true); 实体属性 Swagger2 注解
mpg.setGlobalConfig(gc);// 数据源配置
DataSourceConfig dsc = new DataSourceConfig();//连接数据库 URL
dsc.setUrl("jdbc:mysql://localhost:3306/1123erp?useUnicode=true&useSSL=false&characterEncoding=utf8");// dsc.setSchemaName("public"); //数据库驱动
dsc.setDriverName("com.mysql.jdbc.Driver");//数据库用户名
dsc.setUsername("root");//数据库密码
dsc.setPassword("123456");
mpg.setDataSource(dsc);// 包配置
PackageConfig pc = new PackageConfig();//这里 就是调用了main方法外面的 scanner方法。 来从控制台获取 模块名
pc.setModuleName(scanner("模块名"));//这里可以看做 自己的包名
pc.setParent("com.example.springbooterpdemo");//创建实体类包名
pc.setEntity("entity");//创建业务层接口
pc.setService("service");//创建实现类
pc.setServiceImpl("serviceImpl");//Mapper Dao层的意思
pc.setMapper("mapper");//Controller 控制层
pc.setController("controller");
mpg.setPackageInfo(pc);// 自定义配置
InjectionConfig cfg = new InjectionConfig() {
@Overridepublic void initMap() {// to do nothing
}
};// 如果模板引擎是 freemarker
String templatePath = "/templates/mapper.xml.ftl";// 如果模板引擎是 velocity // String templatePath = "/templates/mapper.xml.vm"; // 自定义输出配置
List<FileOutConfig> focList = new ArrayList<>();// 自定义配置会被优先输出
focList.add(new FileOutConfig(templatePath) {
@Overridepublic String outputFile(TableInfo tableInfo) {// 自定义输出文件名 , 如果你 Entity 设置了前后缀、此处注意 xml 的名称会跟着发生变化!!return projectPath + "/src/main/resources/mapper/" + pc.getModuleName()
+ "/" + tableInfo.getEntityName() + "Mapper" + StringPool.DOT_XML;
}
});/* //项目不需要的都注释掉 cfg.setFileCreate(new IFileCreate() { @Override public boolean isCreate(ConfigBuilder configBuilder, FileType fileType, String filePath) { // 判断自定义文件夹是否需要创建 checkDir("调用默认方法创建的目录"); return false; } }); *//* cfg.setFileOutConfigList(focList); mpg.setCfg(cfg); // 配置模板 TemplateConfig templateConfig = new TemplateConfig(); // 配置自定义输出模板 //指定自定义模板路径,注意不要带上.ftl/.vm, 会根据使用的模板引擎自动识别 // templateConfig.setEntity("templates/entity2.java"); // templateConfig.setService(); // templateConfig.setController(); templateConfig.setXml(null); mpg.setTemplate(templateConfig);*/ // 策略配置
StrategyConfig strategy = new StrategyConfig();
strategy.setNaming(NamingStrategy.underline_to_camel);
strategy.setColumnNaming(NamingStrategy.underline_to_camel);//strategy.setSuperEntityClass("你自己的父类实体,没有就不用设置!"); //因为 实体不需要继承所以注释掉
strategy.setEntityLombokModel(true);
strategy.setRestControllerStyle(true);// 公共父类 // strategy.setSuperControllerClass("你自己的父类控制器,没有就不用设置!"); //因为 控制层不需要继承所以注释掉 //写于父类中的公共字段
strategy.setSuperEntityColumns("id");
strategy.setInclude(scanner("表名,多个英文逗号分割").split(","));
strategy.setControllerMappingHyphenStyle(true);
strategy.setTablePrefix(pc.getModuleName() + "_");
mpg.setStrategy(strategy);
mpg.setTemplateEngine(new FreemarkerTemplateEngine());
mpg.execute();
}

5.运行之后就这样 跟官网一样。

192868b8ceb7ff1e9f9edfedd131585b.png

要是有问题 可以问我。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
迎使用autoCode =================== 项目介绍 ------------------- > **autoCode介绍** > - autoCode是一个代码生成工具。基于velocity模板引擎,采用SpringMVC + mybatis + FDUI + mysql > - 此工具只负责生成代码文件,不会生成完整功能的应用程序. > **其特点主要有** > - 用户登陆 - 每个用户有他自己独立的数据库连接配置和模板配置; > - 数据源配置 - 可以配置多个数据源,多种数据库类型(目前支持Mysql,MSServer数据库,可以扩展); > - 模板配置 - 定义自己的模板,采用velocity模板语法.这样可以根据模板来生成不同的代码,如POJO,Dao,mybatis配置文件等; > - 操作简单 - 生成代码只需三步:1. 选择数据源;2. 选择表;3. 选择模板。 > - 提供简单的客户端操作,能将代码直接生成到本地 > **部署程序步骤:** > 1. Maven构建eclipse工程,运行Maven命令:mvn eclipse:eclipse,完成后导入到eclipse中 > 2. 导入数据库(MYSQL),SQL文件在项目根目录下,名为autoCode.sql,运行里面的内容即可 > 3. 修改数据库连接参数,配置文件在src/main/resources/config.properties > 4. 启动项目,运行Maven命令:mvn jetty:run > 5. 浏览器输入http://localhost:8088/autoCode 登录用户名密码均为admin 端口默认用了8088,如需修改,前往pom.xml,找到maven-jetty-plugin插件的port参数. jetty安装配置 ------------------- 从 http://download.eclipse.org/jetty/ 中下载jetty 文件,命令 unzip 解压zip文件 在eclipse help->install new software 中通过地址http://run-jetty-run.googlecode.com/svn/trunk/updatesite/ 安装jetty插件 安装好插件后,可以通过 点击项目 -》右键-> run configuration-->jetty webapp 项
稀疏自编码器是一种能够学习有效表示数据的无监督学习算法。它可以用于数据降维、特征提取等任务。在 TensorFlow 中,可以使用 tf.contrib.layers.sparse_autocoder() 函数来实现稀疏自编码器。 下面是一个简单的例子,演示如何使用稀疏自编码器对 MNIST 数据集进行降维。 ``` import numpy as np import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 加载 MNIST 数据集 mnist = input_data.read_data_sets('MNIST_data', one_hot=True) # 定义稀疏自编码器的参数 n_input = 784 n_hidden = 100 sparsity_target = 0.1 sparsity_weight = 0.2 # 定义输入和输出占位符 x = tf.placeholder(tf.float32, [None, n_input]) y = tf.placeholder(tf.float32, [None, n_input]) # 定义编码器和解码器的权重和偏置 weights = { 'encoder': tf.Variable(tf.random_normal([n_input, n_hidden])), 'decoder': tf.Variable(tf.random_normal([n_hidden, n_input])) } biases = { 'encoder': tf.Variable(tf.random_normal([n_hidden])), 'decoder': tf.Variable(tf.random_normal([n_input])) } # 定义编码器和解码器 def encoder(x): # 计算编码器的输出 hidden = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder']), biases['encoder'])) # 计算隐藏层的平均激活值 avg_activation = tf.reduce_mean(hidden, axis=0) # 计算稀疏惩罚项 sparsity_penalty = tf.reduce_sum(sparsity_weight * tf.log(sparsity_weight / avg_activation) + (1 - sparsity_weight) * tf.log((1 - sparsity_weight) / (1 - avg_activation))) return hidden, sparsity_penalty def decoder(x): # 计算解码器的输出 output = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder']), biases['decoder'])) return output # 构建模型 encoder_output, sparsity_penalty = encoder(x) decoder_output = decoder(encoder_output) # 定义损失函数 reconstruction_loss = tf.reduce_mean(tf.square(y - decoder_output)) # 重构误差 loss = reconstruction_loss + sparsity_penalty # 总误差 # 定义优化器 optimizer = tf.train.AdamOptimizer(learning_rate=0.001) train_op = optimizer.minimize(loss) # 训练模型 batch_size = 128 num_steps = 10000 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(num_steps): batch_x, _ = mnist.train.next_batch(batch_size) feed_dict = {x: batch_x, y: batch_x} _, l, rl, sp = sess.run([train_op, loss, reconstruction_loss, sparsity_penalty], feed_dict=feed_dict) if i % 1000 == 0: print('Step %d: loss=%.3f, reconstruction_loss=%.3f, sparsity_penalty=%.3f' % (i, l, rl, sp)) # 使用训练好的模型对数据进行降维 encoded_data = sess.run(encoder_output, feed_dict={x: mnist.test.images}) ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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