阅读更多

  JEECG 是一款基于代码生成器的J2EE快速开发平台,开源界“小普元”超越传统商业企业级开发平台。引领新的开发模式(Online Coding模式(自定义表单)->代码生成器模式->手工MERGE智能开发), 可以帮助解决Java项目60%的重复工作,让开发更多关注业务逻辑。既能快速提高开发效率,帮助公司节省人力成本,同时又不失灵活性。她可以用于所有的Web应用程序,如:MIS,CRM,OA,ERP,CMS,网站后台,微信管家,等等,当然,您也可以对她进行深度定制,以做出更强系统。

Jeecg具有以下特点:

  1. 采用主流J2EE框架,容易上手;
  2. 强大的代码生成器,一键生成
  3. 提供5套不同风格首页
  4. 开发效率很高,节省80%重复工作
  5. 使用最流行的的扁平化设计
  6. 在线开发能力,通过在线配置实现功能,零代码
  7. 在线报表配置能力,一次配置七种报表风格,支持移动报表
  8. 移动平台支持,采用Bootstrap技术,移动OA,移动报表
  9. 强大数据权限,访问级,按钮级、数据行级,列级,字段级
  10. 国际化能力,支持多语言
  11. 多数据源,跨数据源操作,便捷集成第三方系统
  12. 简易Excel、Word 导入导出,满足企业需求
  13. 插件开发,可插拔开发模式,集成第三方组件
  14. 流程定义,在线画流程,流程挂表单,符合国情流程
  15. 自定义表单,可视化拖拽布局,自定义表单风格
  16. 更多……

版本升级日志:

   此版本云应用插件开发版本,支持以插件方式升级平台功能,让我们共同期待后续版本的到来

  1. 扁平化新首页风格;
  2. jeecg性能优化;
  3. ACE菜单显示不全BUG修复;
  4. 解决浏览器报错问题和favicon问题;
  5. 特殊布局商品管理demo(上下布局);
  6. Online表单支持索引配置;
  7. 修复ONLINE远程数据库加载慢导致表字段加载不出来;
  8. 我的邮箱编辑器问题修复;
  9. ONLINE列表singleSelect属性设置;
  10. 代码生成器模板扩展支持UE编辑器;
  11. 查询过滤器,采用追加*方式进行模糊查询
  12. UI标签库 t:dgCol 显示内容长度控制;
  13. popup选择组织机构,用户通用JS封装;
  14. 火狐下上传文件bug修复;
  15. 用户删除,改成逻辑删除;
  16. JEECG云应用平台中心发布:http://yun.jeecg.org
  17. 插件发布:CMS系统
  18. 插件发布:微信企业号管理平台
  19. 更多插件发布,敬请期待。。

源码下载:

      源码下载地址:http://git.oschina.net/jeecg/jeecg

      入门视频下载:http://www.jeecg.org/forum.php?mod=viewthread&tid=197&extra=page%3D1

       技术论坛:   www.jeecg.org

 

新版首页截图:

 

云插件下载中心:

 

 

来自: www.jeecg.org
5
3
评论 共 6 条 请登录后发表评论
6 楼 java疯狂开 2016-07-05 23:00
好项目,国内唯一敢称得上真正开源的java的开发平台
5 楼 xiaofengl 2016-07-05 22:58
这个框架不错的,封装的很好用,也很方便,大大简化了开发人员的一些重复的操作
4 楼 javaos119 2016-07-05 22:55
jeecg,的代码生成器很强大,online更牛叉,真心不错
3 楼 javaos119 2016-07-05 22:54
国内难得的开源项目,公司从2.0一直在用,很不错,感谢开源
2 楼 jiangchao419 2016-07-04 10:59
田梦桦 写道
自动生成代码对于重复性的业务操作,多项目开发有很大的快捷之处;但是对于互联网项目来说,几乎没有意义

像这样的东西就是用来做业务系统的。互联网项目玩不转。
1 楼 田梦桦 2016-07-04 10:31
自动生成代码对于重复性的业务操作,多项目开发有很大的快捷之处;但是对于互联网项目来说,几乎没有意义

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • JEECG 3.6.4 云插件开发版发布 ,企业级JAVA快速开发平台

    JEECG 是一款基于代码生成器的J2EE快速开发平台,开源界“小普元”超越传统商业企业级开发平台。引领新的开发模式(Online Coding模式(自定义表单)->代码生成器模式->手工MERGE智能开发), 可以帮助解决Java项目60%的...

  • JEECG 3.6.5版本发布,企业级JAVA快速开发平台

    JEECG 3.6.5版发布,企业级JAVA快速开发平台,JEECG 是一款基于代码生成器的J2EE快速开发平台,开源界“小普元”超越传统商业企业级开发平台。引领新的开发模式(Online Coding模式(自定义表单)->代码生成器模式->...

  • JEECG3.6.4云插件开发版本 ,打造企业级云应用生态圈

     JEECG 是一款基于代码生成器的J2EE快速开发平台,开源界“小普元”,超越传统商业企业级开发平台。JEECG引领新的开发模式(Online Coding模式(自定义表单)->代码生成器模式->手工MERGE智能开发),可以帮助解决Java...

  • JEECG 社区开源项目下载(总览)

    JEECG 社区开源项目下载总览:JEECG企业级JAVA快速开发平台,JEEWX微信管家系统(支持微信公众号,微信企业号)、H5活动平台、Jeecg-p3微服务框架(类spring-boot)、Minidao(类似mybatis)轻量级持久层、微信企业号...

  • JEECG 版本更新日志

    JEECG 版本更新日志,从2.x到3.0,跨越5年,过程有太多的言语,感慨与感激。。。 而现在,忙碌得无力去感慨那些了把。。

  • 基于 OpenCV 的魔兽世界钓鱼机器人

    基于 OpenCV 的魔兽世界钓鱼机器人

  • 供应链管理中信息共享问题的研究.docx

    供应链管理中信息共享问题的研究

  • 青春文学中的爱情观呈现.doc

    青春文学中的爱情观呈现

  • 分布式光伏储能系统的优化配置方法 附Matlab代码.rar

    1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

  • Delphi 12.3 控件之XLSReadWriteII6.02.01.7z

    XLSReadWriteII6.02.01.7z

  • 图解系统-小林coding-v1.0.rar

    图解系统-小林coding-v1.0

  • 【光伏功率预测】基于EMD-PCA-LSTM的光伏功率预测模型 附Matlab代码.rar

    1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

  • 漫画作品与乌托邦理想追求.doc

    漫画作品与乌托邦理想追求

  • 江苏建筑消防设施维护保养规程.rar

    江苏建筑消防设施维护保养规程.rar

  • 基于交互式可视化的Transformer模型注意机制探索工具-DODRIO及其应用

    内容概要:论文介绍了一款名为DODRIO的交互式可视化工具,帮助自然语言处理(NLP)研究人员和从业者解析基于转换器架构的语言模型内部工作机理。DODRIO整合了概述图与详尽视图,支持用户比较注意力权重与其输入文本的句法结构和语义特征。具体而言,它包含了依赖关系视图(Dependency View)、语义关注图(Semantic Attention Graph)以及注意力头概览(Attention Head Overview),并利用不同的图形展示方法使复杂的多层多头转换器模型中的注意力模式更容易理解和研究。 适用人群:适用于从事深度学习、自然语言处理的研究人员和技术从业者;尤其适合对基于变换器架构的大规模预训练语言模型感兴趣的开发者们。 使用场景及目标:DODRIO用于探索转换器模型各层级之间的联系、验证已有研究成果,同时激发新假设形成。具体使用时可以选择特定数据集中的句子作为样本输入,观察不同注意力机制如何响应文本内容的变化。此外,还可以用来对比精简版本DistilBERT的表现,评估其相对全量模型BERT的优势与不足。 其他说明:DODRIO为开源项目,提供web端实施方式,使得

  • 基于机器学习的疾病数据集分析

    该代码使用scikit-learn的乳腺癌数据集,完成分类模型训练与评估全流程。主要功能包括:数据标准化、三类模型(逻辑回归、随机森林、SVM)的训练、模型性能评估(分类报告、混淆矩阵、ROC曲线)、随机森林特征重要性分析及学习曲线可视化。通过`train_test_split`划分数据集,`StandardScaler`标准化特征,循环遍历模型进行统一训练和评估。关键实现细节包含:利用`classification_report`输出精确度/召回率等指标,绘制混淆矩阵和ROC曲线量化模型效果,随机森林的特征重要性通过柱状图展示,学习曲线分析模型随训练样本变化的拟合趋势。最终将原始数据和预测结果保存为CSV文件,便于后续分析,并通过matplotlib进行多维度可视化比较。代码结构清晰,实现了数据处理、模型训练、评估与可视化的整合,适用于乳腺癌分类任务的多模型对比分析。

  • 数字化智慧园区建设实施PPT(43页).pptx

    在智慧城市建设的大潮中,智慧园区作为其中的璀璨明珠,正以其独特的魅力引领着产业园区的新一轮变革。想象一下,一个集绿色、高端、智能、创新于一体的未来园区,它不仅融合了科技研发、商业居住、办公文创等多种功能,更通过深度应用信息技术,实现了从传统到智慧的华丽转身。 智慧园区通过“四化”建设——即园区运营精细化、园区体验智能化、园区服务专业化和园区设施信息化,彻底颠覆了传统园区的管理模式。在这里,基础设施的数据收集与分析让管理变得更加主动和高效,从温湿度监控到烟雾报警,从消防水箱液位监测到消防栓防盗水装置,每一处细节都彰显着智能的力量。而远程抄表、空调和变配电的智能化管控,更是在节能降耗的同时,极大地提升了园区的运维效率。更令人兴奋的是,通过智慧监控、人流统计和自动访客系统等高科技手段,园区的安全防范能力得到了质的飞跃,让每一位入驻企业和个人都能享受到“拎包入住”般的便捷与安心。 更令人瞩目的是,智慧园区还构建了集信息服务、企业服务、物业服务于一体的综合服务体系。无论是通过园区门户进行信息查询、投诉反馈,还是享受便捷的电商服务、法律咨询和融资支持,亦或是利用云ERP和云OA系统提升企业的管理水平和运营效率,智慧园区都以其全面、专业、高效的服务,为企业的发展插上了腾飞的翅膀。而这一切的背后,是大数据、云计算、人工智能等前沿技术的深度融合与应用,它们如同智慧的大脑,让园区的管理和服务变得更加聪明、更加贴心。走进智慧园区,就像踏入了一个充满无限可能的未来世界,这里不仅有科技的魅力,更有生活的温度,让人不禁对未来充满了无限的憧憬与期待。

  • Matlab实现BO贝叶斯优化-Transformer-GRU多特征分类预测的详细项目实例(含完整的程序,GUI设计和代码详解)

    内容概要:本文档介绍了基于MATLAB实现的贝叶斯优化(BO)、Transformer和GRU相结合的多特征分类预测项目实例,涵盖了详细的程序设计思路和具体代码实现。项目旨在应对数据的多样性与复杂性,提供一种更高效的多特征数据分类解决方案。文档主要内容包括:项目背景与意义,技术难点与解决方案,具体的实施流程如数据处理、模型构建与优化、超参数调优、性能评估以及精美的GUI设计;详细说明了Transformer和GRU在多特征数据分类中的应用及其与贝叶斯优化的有效结合,强调了其理论与实际应用中的价值。 适合人群:具备一定机器学习和MATLAB编程基础的研发人员,特别是从事多维数据处理与预测工作的专业人士和技术爱好者。 使用场景及目标:① 适用于金融、医疗、交通等行业,进行复杂的多维数据处理和预测任务;② 提升现有分类任务中复杂数据处理的准确度和效率,为各行业提供智能预测工具,如金融市场预测、患者病情发展跟踪、交通流量管理等。 其他说明:本文档包含了丰富的实战案例和技术细节,不仅限于模型设计本身,还涉及到数据清洗、模型优化等方面的知识,帮助使用者深入理解每一步骤背后的原理与实现方法。通过完整的代码样例和GUI界面设计指导,读者可以从头到尾跟随文档搭建起一套成熟的分类预测系统。

  • Hive sql练习题,只是参考作用

    大数据的sql练习题,初级中级高级

  • 基于自注意力机制的序列转换模型-Transformer的提出及其应用

    内容概要:论文介绍了名为Transformer的新网络架构,它完全基于自注意力机制,在不使用递归或卷积神经网络的情况下建模输入与输出之间的全局依赖关系,尤其适用于长文本处理。通过多头自注意力层和平行化的全连接前馈网络,使得在机器翻译任务上的表现优于当时最佳模型。具体地,作者用此方法实现了对英语-德语和英语-法语翻译、句法解析等任务的高度并行化计算,并取得显著效果。在实验方面,Transformer在较短训练时间内获得了高质量的翻译结果以及新的单一模型基准。除此之外,研究人员还探索了模型变体的效果及其对于不同参数变化时性能的变化。 适用人群:从事自然语言处理领域的研究者、工程师、学生,熟悉深度学习概念尤其是编码器-解码器模型以及关注模型创新的人士。 使用场景及目标:主要适用于序列到序列(seq2seq)转换任务如机器翻译、语法分析、阅读理解和总结等任务的研究和技术开发;目标在于提高计算效率、缩短训练时间的同时确保模型性能达到或超过现有技术。 其他说明:本文不仅提出了一个新的模型思路,更重要的是展示了自注意力机制相较于传统LSTM或其他方式所拥有的优势,例如更好地捕捉远距离上下文关系的能力

Global site tag (gtag.js) - Google Analytics