现在的silverlight客户端绑定支持索引器方式,比如VM有属性:
public Dictionary<string,string> KeyValues{get;set;}
在后台CS中我们要访问某个key的值的方式是:KeyValues["XXXX"],其中XXXX是key.而在xaml中可以如下访问:
Text="{Bindings Path=KeyValues[XXXX]}"
只要索引器本身支持get,set还可以实现双向绑定。但这个双向有一个缺陷,就是如果KeyValues["XXXX"]的值中途改变,没法通知到页面也随之改变。这其实很好理解,虽然KeyValues本身可以是一个INotifyPropertyChanged对象的可通知属性,但索引器值本身无法通知到属性改变.因此要做通用字典数据绑定,还需要进行一定的改变才行。
另外,由于Silverlight在于服务端交互的时候都是异步的,服务端的值不能直接返回给调用方,这也要求在数据绑定时采用一定的技巧。
1)一般来讲,系统的字典性数据都具有相当大的共性,字典值包括关键字,代码,描述等有限的信息,因为是讲解,这里是简单的字典值实体类:
public class DicItemVal
{
public string Key{get;set;}
public string Desc{get;set;}
public string Code{get;set;}
}
2) 字典实体:
public class DictItem
{
public string DictCode{get;set;}
public string DictName{get;set;}
public List<DicItemVal> Values{get;set;}
}
上面的字典可以从服务端获取,在客户端能够访问,并适应异步处理,需要稍加包装:
3)字典包装:
public class DictBindingItem : INotifyPropertyChanged
{
public string DictCode{get;set;}
public string DictName{get;set;}
private DictItem _Dict;
public DictItem Dict
{
get{return _Dict;}
set{
if(_Dict!=value)
{
_Dict = Value;
RaisePropertyChanged("Dict");
}
}
}
public event PropertyChangedEventHandler PropertyChanged;
protected void RaisePropertyChanged(string propertyName)
{
var handler = PropertyChanged;
if (handler != null)
{
handler(this, new PropertyChangedEventArgs(propertyName));
}
}
}
4) 字典管理,提供给VM使用,这里没有做成静态的类,并提供管理主要是为了预先加载等处理方便,而且不同VM间可互不影响:
public class DictMgmt
{
private Dictionary<string,DictBindingItem> _Dicts = new Dictionary<string,DictBindingItem>();
public DictBindingItem this[string DictCode]
{
get
{
DictBindingItem theDict = null;
if(_Dicts.ContainsKey(DictCode)==false)
{
theDict = New DictBindingItem();
theDict.DictCode = DictCode;
_Dicts.Add(theDict);
}
else
{
theDict = _Dicts[DictCode];
}
if(theDict.Dict==null || theDict.Dict.Values==null || theDict.Dict.Values.Length<=0)
{
LoadDict(theDict);//如果字典数据没有,则自动加载一次.
}
}
}
public void LoadDict(DictBindingItem ADict)
{
//DictServices 是服务端提供字典加载服务的客户端对应的代理类,大家可以自己实现。GetDict返回DictItem(包含Values),一个参数是DictCode.
DictServices theSrv = new DictServices();
theSrv.GetDict(ADict.DictCode,op=>{
if(op.HasError==false)
{
ADict.Dict= op.Value;
}
},null);
}
}
5、使用很简单,可以在VM里面定义一个DictMgmt类型的属性:
private DictMgmt _dictSource = new DictMgmt ();
public DictMgmt DictSource{get;}
在页面绑定语法:{Bindings Path=DictSource[xxxx].Dict.Values}
这种处理下,可以大大简化VM的工作量,对于页面使用也非常简单。当然大家还可以扩展实现自动预先加载等功能。这种处理方式非常适合大型系统中的字典数据加载处理。
说明一下:以上代码未经测试,机理上不会有问题,如果有错误,除字典服务未实现外,其它的应该都是语法错误,简单改一下应该没问题。
分享到:
相关推荐
基于arm64版本的docker-compose文件
台区终端电科院送检文档
埃夫特机器人Ethernet IP 通讯配置步骤
rv320e机器人重型关节行星摆线减速传动装置研发
气缸驱动爬杆机器人的设计().zip
56tgyhujikolp[
内容概要:本文档提供了基于OpenCV的数字身份验证系统的Python代码示例,涵盖人脸检测、训练和识别三个主要功能模块。首先,通过调用OpenCV的CascadeClassifier加载预训练模型,实现人脸检测并采集多张人脸图像用于后续训练。接着,利用LBPH(局部二值模式直方图)算法对面部特征进行训练,生成训练数据集。最后,在实际应用中,系统能够实时捕获视频流,对比已有的人脸数据库完成身份验证。此外,还介绍了必要的环境配置如依赖库安装、文件路径设置以及摄像头兼容性的处理。 适合人群:对计算机视觉感兴趣的研发人员,尤其是希望深入了解OpenCV库及其在人脸识别领域的应用者。 使用场景及目标:适用于构建安全认证系统的企业或机构,旨在提高出入管理的安全性和效率。具体应用场景包括但不限于门禁控制系统、考勤打卡机等。 其他说明:文中提供的代码片段仅为基本框架,可根据实际需求调整参数优化性能。同时提醒开发者注意隐私保护法规,合法合规地收集和使用个人生物识别信息。
内容概要:本文档详细介绍了Java并发编程的核心知识点,涵盖基础知识、并发理论、线程池、并发容器、并发队列及并发工具类等方面。主要内容包括但不限于:多线程应用场景及其优劣、线程与进程的区别、线程同步方法、线程池的工作原理及配置、常见并发容器的特点及使用场景、并发队列的分类及常用队列介绍、以及常用的并发工具类。文档旨在帮助开发者深入理解和掌握Java并发编程的关键技术和最佳实践。 适合人群:具备一定Java编程经验的研发人员,尤其是希望深入了解并发编程机制、提高多线程应用性能的中级及以上水平的Java开发者。 使用场景及目标:①帮助开发者理解并发编程的基本概念和技术细节;②指导开发者在实际项目中合理运用多线程和并发工具,提升应用程序的性能和可靠性;③为准备Java技术面试的候选人提供全面的知识参考。 其他说明:文档内容详尽,适合用作深度学习资料或面试复习指南。建议读者结合实际编码练习,逐步掌握并发编程技巧。文中提到的多种并发工具类和容器,均附有具体的应用场景和注意事项,有助于读者更好地应用于实际工作中。
这个数据集包含了日常步数统计、睡眠时长、活跃分钟数以及消耗的卡路里,是个人健康与健身追踪的一部分。 该数据集非常适合用于以下实践: 数据清洗:现实世界中的数据往往包含缺失值、异常值或不一致之处。例如,某些天的步数可能缺失,或者存在不切实际的数值(如10,000小时的睡眠或负数的卡路里消耗)。通过处理这些问题,可以学习如何清理和准备数据进行分析。 探索性分析(发现日常习惯中的模式):可以通过分析找出日常生活中的模式和趋势,比如一周中哪一天人们通常走得最多,或是睡眠时间与活跃程度之间的关系等。 构建可视化图表(步数趋势、睡眠与活动对比图):将数据转换成易于理解的图形形式,有助于更直观地看出数据的趋势和关联。例如,绘制步数随时间变化的趋势图,或是比较睡眠时间和活动量之间的关系图。 数据叙事(将个人风格的追踪转化为可操作的见解):通过讲述故事的方式,把从数据中得到的洞察变成具体的行动建议。例如,根据某人特定时间段内的活动水平和睡眠质量,提供改善健康状况的具体建议。
资源内项目源码是来自个人的毕业设计,代码都测试ok,包含源码、数据集、可视化页面和部署说明,可产生核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果、标签分布图。都是运行成功后才上传资源,毕设答辩评审绝对信服的保底85分以上,放心下载使用,拿来就能用。包含源码、数据集、可视化页面和部署说明一站式服务,拿来就能用的绝对好资源!!! 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、大作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.txt文件,仅供学习参考, 切勿用于商业用途。
nginx
资源内项目源码是来自个人的毕业设计,代码都测试ok,包含源码、数据集、可视化页面和部署说明,可产生核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果、标签分布图。都是运行成功后才上传资源,毕设答辩评审绝对信服的保底85分以上,放心下载使用,拿来就能用。包含源码、数据集、可视化页面和部署说明一站式服务,拿来就能用的绝对好资源!!! 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、大作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.txt文件,仅供学习参考, 切勿用于商业用途。
资源内项目源码是来自个人的毕业设计,代码都测试ok,包含源码、数据集、可视化页面和部署说明,可产生核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果、标签分布图。都是运行成功后才上传资源,毕设答辩评审绝对信服的保底85分以上,放心下载使用,拿来就能用。包含源码、数据集、可视化页面和部署说明一站式服务,拿来就能用的绝对好资源!!! 项目备注 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、大作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.txt文件,仅供学习参考, 切勿用于商业用途。
模拟知识付费小程序,可流量主运营模式
什么是普通上传 调用接口一次性完成一个文件的上传。 普通上传2个缺点 文件无法续传,比如上传了一个比较大的文件,中间突然断掉了,需要重来 大文件上传太慢 解决方案 分片上传
英二2010-2021阅读理解 Part A 题干单词(补).pdf