标签: 编程

一、QT概述Qt是1991年由HaavardNord和EirikChambe-Eng开发的跨平台C++图形用户界面应用程序开发框架。发展至今，它既可以开发GUI程序，也可以开发非GUI程序，比如控制台工具和服务器。Qt是一个跨平台的C++应用程序框架，支持Windows、Linux、MacOSX、Android、嵌入式系统等。也就是说，Qt可以同时支持桌面应用程序开发、嵌入式开发和移动开发，覆盖了现有的所有主流平台。开发者只需要编写一次代码，而后在发布到不同平台之前重新编译即可。Qt的工具家族丰富，目前包括QtCreator、QtEmbedded、QtDesigner快速开发工具、国际化工具等。Qt实质上是用C++编写的大型类库，它为跨平台应用开发提供了一个完整的框架。Qt框架包含大量的类，支持GUI、数据库、网络、多媒体等各种应用的编程。Qt还对标准C++语言进行了扩展，引入了信号与槽、属性等机制，为跨平台和GUI程序的对象间通信提供了极大的方便。Qt还提供了一种自创的编程语言QML，它是类似于JavaScript的声明性语言。Qt提供了一个用QML编写的库QtQuick，它类似于QtC++类库，区别是QtQuick中的各种控件被称为QML类型（type）。QML用于描述程序的用户界面，将用户界面描述为对象树，每个对象具有自己的各种属性。Qt也支持Python，Qt类库的Python绑定版本比较多，比较常用的是PyQt和PySide二、Qt6软件特性Qt6是一款专业实用的编程开发工具。Qt6最新版优化了稳定性、功能性，并且包含Qt5.15中的所有常用功能以及为Qt6 添加的新功能。Qt6软件大大扩展了支持平台的范围，支持AppleSilicon上的macOS，同时改进了对WebAssembly的支持。QT6.0加入了许多新功能，以更好地支持现代工作负载，包括开始应用C++17，官方提到，Qt6现在要求使用的C++17兼容编译器，以便在开发QT应用程序时，使用较新的C++语言结构。另外，QT6还更新CMake构建系统，且采用全新的图形架构，并以QtQuick统一2D与3D开发体验。三、软件优点Qt6的架构变化Qt6中进行了一些更广泛的架构更改，包括：Qt6现在依赖于C++17兼容的编译器，这有助于清理和改进代码库，并为用户提供更现代的API在处理大型数据集和性能方面改进了低级容器类持续更新QML语言，使其更安全、更易于使用四、QML访问C++Qt集成了QML引擎和Qt元对象系统，使得QML很容易从C++中得到扩展，在一定的条件下，QML就可以访问QObject派生类的成员，例如信号、槽函数、枚举类型、属性、成员函数等。QML访问C++有两个方法：一是在Qt元对象系统中注册C++类，在QML中实例化、访问；二是在C++中实例化并设置为QML上下文属性，在QML中直接使用。第一种方法可以使C++类在QML中作为一个数据类型，例如函数参数类型或属性类型，也可以使用其枚举类型、单例等，功能更强大。五、C++类的实现C++类要想被QML访问，首先必须满足两个条件：一是派生自QObject类或QObject类的子类，二是使用Q_OBJECT宏。QObject类是所有Qt对象的基类，作为Qt对象模型的核心，提供了信号与槽机制等很多重要特性。Q_OBJECT宏必须在private区（C++默认为private）声明，用来声明信号与槽，使用Qt元对象系统提供的内容，位置一般在语句块首行。Projects选择QtQuickApplication，工程名为Hello。六、Qt版本Qt的版本可以根据许可类型分为商业许可和开源许可，开源许可又分为GPLv2／GPLv3和LGPLv3。（1）商业版：商业许可需要付费，Qt公司目前采用的是按年付费的方式。商业许可允许开发者不公开项目的源代码。商业许可的Qt安装包里有更多的模块，某些模块只有在商业许可的版本中才有。（2）开源版：采用GPLv2／GPLv3许可。若用户编写的程序使用了GPL许可的Qt代码，则用户程序也必须使用GPL许可，也就是用户代码必须开源，但是允许商业化销售。GPLv3还要求用户公开相关硬件信息。简单来说，就是你“免费”使用的东西必须也“免费”提供给别人使用。根据开发目标的不同，Qt提供了3种安装包。安装包具有针对不同主机平台的版本，而且采用了不同的许可协议。

在现代软件开发中，图形用户界面（GUI）是用户与程序交互的重要组成部分。Qt框架提供了一种强大的方式来构建跨平台的GUI应用程序，其中QML（QtMeta-ObjectLanguage）和C++的交互是一个重要的主题。本篇博文将深入探讨如何在QML中创建和操作C++对象，实现双向的交互。在Qt中，任何QML代码都可以访问QObject派生类实例的属性、方法和信号。以下是一个简单的C++类CppObject，演示了如何在QML中创建并操作该类的对象。由于QML引擎与Qt元对象系统的集成，可以从QML中访问任何从QObject继承的类的属性、方法和信号，C++代码既可以在应用中集成，也可以在插件中集成。QML访问C++数据主要有三种方法：1、将C++类的属性暴露给QML；2、从C++定义QML类型；3、用Context属性在QML中嵌入C++对象；自定义数据类型16种基础数据类型以外的其它数据类型是QML所无法识别的，可将它定义为复杂数据类型，结构体数据类型属于复杂数据类型中的一种。由于QObject子类都可以注册为QML对象类型，所以构造结构体对应的自定义类来与QML交互是可行的。创建自定义对象在Qt中，我们可以使用QObject作为基类创建自定义对象。首先，我们需要在C++中定义一个继承自QObject的类，并将其注册到QML中，使得QML可以访问到这个对象。具体的步骤如下：创建一个新的C++类，例如MyObject，并继承自QObject。在MyObject类中声明需要在QML中访问的属性和函数，并使用Q_PROPERTY和Q_INVOKABLE宏进行标记。在MyObject类中添加需要在QML中访问的信号，并使用Q_SIGNAL宏进行标记。在MyObject类中添加相应的槽函数，并在函数实现中处理信号的逻辑。在Qt的主程序中，使用qmlRegisterType函数将MyObject类注册到QML引擎中。如何实现可以被QML访问的C++类C++类要想被QML访问，首先必须满足两个条件：一是派生自QObject类或QObject类的子类，二是使用Q_OBJECT宏。QObject类是所有Qt对象的基类，作为Qt对象模型的核心，提供了信号与槽机制等很多重要特性。Q_OBJECT宏必须在private区（C++默认为private）声明，用来声明信号与槽，使用Qt元对象系统提供的内容，位置一般在语句块首行。下面例子在QtCreator3.1.2中创建，Projects选择QtQuickApplication，工程名为Gemini，Component选择QtQuick2.2，然后在自动生成的文件中添砖加瓦。QML访问C++一个C++类要想被QML访问，必须满足两个条件：1、从QObject类或QObject类的子类派生继承2、使用Q_OBJECT宏这和使用信号与槽的前提条件是一样的。QObject类是所有Qt对象的基类，作为Qt对象模型的核心，提供了信号与槽机制等很多重要特性。这两个条件是为了让一个类能够进入Qt强大的元对象系统（meta-objectsystem）中，而使用元对象系统，一个类的某些方法或属性才可能通过字符串形式的名字来调用。我们知道，QML其实是对JavaScript的扩展，融合了QtObject系统，它是一种新的解释型的语言，QML引擎虽然由QtC++实现，但QML对象的运行环境，说到底和C++对象的上下文环境是不同的，是平行的两个世界。如果你想在QML中访问C++对象，那么必然要找到一种途径来在两个运行环境之间建立沟通桥梁。Qt提供了两种在QML环境中使用C++对象的方式：（1）在C++中实现一个类，注册到QML环境中，QML环境中使用该类型创建对象。（2）在C++中构造一个对象，将这个对象设置为QML的上下文属性，在QML环境中直接使用该属性。

Python编程快速上手.pdf

python网络-编程基础.pdf

主要工作包括三个方面:  首先，提出了一种编程语言本体人工构建方法，该方法结合编程语言学科特点在“七步法”的基础上进行相关改进，主要步骤包括核心概念及层次关系确定、属性确定及实例化、专家审核及编码化。针对编程语言本体存储管理问题，提出了一种基于本体元素划分的图数据库存储策略，该策略将本体元素划分为结构层和实例层，基于相应元素的映射规则完成本体模型到图数据库模型的存储。实验结果表明所提出的方法是可行有效的。  其次，在编程语言本体构建的基础上，提出了一种半自动的方法完成编程语言知识图谱的扩充。其中，针对信息抽取中多元关系的问题提出了一种多策略融合的信息抽取方法，该方法采用融合术语相关度的规则匹配方法和聚类算法完成定向关系抽取，使用依存句法分析完成非定向关系抽取。针对知识矛盾或冗余的问题，提出了基于同义词典的实体对齐方法，该方法通过构建同义词典来对抽取的知识实体进行规范化表述，并结合相似度计算来为同义词典补充相似实体对。实验结果表明所提出的方法有效的完成对编程语言知识图谱的丰富和完善。     最后，对构建的编程语言知识图谱进行实证应用研究。提出了基于加权共现分析的编程语言图谱评价方法，该方法首先对实际应用题库中习题标签集与编程语言知识图谱中知识实体集的共现元素统计，并利用题库中知识点对应习题量作为加权依据，来计算编程语言图谱对习题标签的加权共现覆盖率。实验结果表明构建完成的编程语言图谱是完备的，验证了本文提出的编程语言知识图谱构建方法的有效性。

Java并发编程从入门到进阶多场景实战，众所周知，并发编程是优秀工程师的标准之一，但知识庞杂，复杂性高，常常让人望而却步。但如果没有掌握背后的核心原理，你开发的代码可能会成为难以调试和优化的头疼问题。在此，我将通过上百个案例场景驱动教学+动画直观演示，帮助大家深入、直观地理解并发编程核心概念和底层原理。助力大家在实际工作和面试中都能尽早脱颖而出。首先，我们先来了解关于并发的基本概念。并发情况主要会引出三个基本概念，分别是原子性、可见性、有序性三个基本概念Java中线程的状态分为6种：1.初始(NEW)：新创建了一个线程对象，但还没有调用start()方法。2.运行(RUNNABLE)：Java线程中将就绪（ready）和运行中（running）两种状态笼统的称为“运行”。线程对象创建后，其他线程(比如main线程）调用了该对象的start()方法。该状态的线程位于可运行线程池中，等待被线程调度选中，获取CPU的使用权，此时处于就绪状态（ready）。就绪状态的线程在获得CPU时间片后变为运行中状态（running）。3.阻塞(BLOCKED)：表示线程阻塞于锁。4.等待(WAITING)：进入该状态的线程需要等待其他线程做出一些特定动作（通知或中断）。5.超时等待(TIMED_WAITING)：该状态不同于WAITING，它可以在指定的时间后自行返回。6.终止(TERMINATED)：表示该线程已经执行完毕。其实我们可以通过job.setPartitionerClass来设置分区类，不过目前我们是没有设置的，那框架中是不是有默认值啊，是有的，我们可以通过job.getPartitionerClass方法看到默认情况下会使用HashPartitioner这个分区类那我们来看一下HashPartitioner的实现是什么样子的/**Partitionkeysbytheir{@linkObject#hashCode()}.*/@InterfaceAudience.Public@InterfaceStability.StablepublicclassHashPartitioner<K,V>extendsPartitioner<K,V>{ /**Use{@linkObject#hashCode()}topartition.*/ publicintgetPartition(Kkey,Vvalue,             intnumReduceTasks){  return(key.hashCode()&Integer.MAX_VALUE)%numReduceTasks; }}下面我们来具体跑一个这份数据，首先复制一份WordCountJob的代码，新的类名为WordCountJobSkewpackagecom.imooc.mr;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.Reducer;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.slf4j.Logger;importorg.slf4j.LoggerFactory;importjava.io.IOException;/** *数据倾斜-增加Reduce任务个数 * *Createdbyxuwei */publicclassWordCountJobSkew{  /**   *Map阶段   */  publicstaticclassMyMapperextendsMapper<LongWritable,Text,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyMapper.class);    /**     *需要实现map函数     *这个map函数就是可以接收<k1,v1>，产生<k2，v2>     *@paramk1     *@paramv1     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidmap(LongWritablek1,Textv1,Contextcontext)        throwsIOException,InterruptedException{      //输出k1,v1的值      //System.out.println("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //logger.info("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //k1代表的是每一行数据的行首偏移量，v1代表的是每一行内容      //对获取到的每一行数据进行切割，把单词切割出来      String[]words=v1.toString().split("");      //把单词封装成<k2,v2>的形式      Textk2=newText(words[0]);      LongWritablev2=newLongWritable(1L);      //把<k2,v2>写出去      context.write(k2,v2);    }  }  /**   *Reduce阶段   */  publicstaticclassMyReducerextendsReducer<Text,LongWritable,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyReducer.class);    /**     *针对<k2,{v2...}>的数据进行累加求和，并且最终把数据转化为k3,v3写出去     *@paramk2     *@paramv2s     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidreduce(Textk2,Iterable<LongWritable>v2s,Contextcontext)        throwsIOException,InterruptedException{      //创建一个sum变量，保存v2s的和      longsum=0L;      //对v2s中的数据进行累加求和      for(LongWritablev2:v2s){        //输出k2,v2的值        //System.out.println("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        //logger.info("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        sum+=v2.get();//模拟Reduce的复杂计算消耗的时间        if(sum%200==0){          Thread.sleep(1);        }      }      //组装k3,v3      Textk3=k2;      LongWritablev3=newLongWritable(sum);      //输出k3,v3的值      //System.out.println("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //logger.info("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //把结果写出去      context.write(k3,v3);    }  }  /**   *组装Job=Map+Reduce   */  publicstaticvoidmain(String[]args){    try{      if(args.length!=3){        //如果传递的参数不够，程序直接退出        System.exit(100);      }      //指定Job需要的配置参数      Configurationconf=newConfiguration();      //创建一个Job      Jobjob=Job.getInstance(conf);      //注意了：这一行必须设置，否则在集群中执行的时候是找不到WordCountJob这个类的      job.setJarByClass(WordCountJobSkew.class);      //指定输入路径（可以是文件，也可以是目录）      FileInputFormat.setInputPaths(job,newPath(args[0]));      //指定输出路径(只能指定一个不存在的目录)      FileOutputFormat.setOutputPath(job,newPath(args[1]));      //指定map相关的代码      job.setMapperClass(MyMapper.class);      //指定k2的类型      job.setMapOutputKeyClass(Text.class);      //指定v2的类型      job.setMapOutputValueClass(LongWritable.class);      //指定reduce相关的代码      job.setReducerClass(MyReducer.class);      //指定k3的类型      job.setOutputKeyClass(Text.class);      //指定v3的类型      job.setOutputValueClass(LongWritable.class);      //设置reduce任务个数      job.setNumReduceTasks(Integer.parseInt(args[2]));      //提交job      job.waitForCompletion(true);    }catch(Exceptione){      e.printStackTrace();    }  }}针对这个操作我们需要去修改代码，在这里我们再重新复制一个类，基于WordCountJobSkew复制，新的类名是WordCountJobSkewRandKeypackagecom.imooc.mr;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.Reducer;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.slf4j.Logger;importorg.slf4j.LoggerFactory;importjava.io.IOException;importjava.util.Random;/** *数据倾斜-把倾斜的数据打散 * *Createdbyxuwei */publicclassWordCountJobSkewRandKey{  /**   *Map阶段   */  publicstaticclassMyMapperextendsMapper<LongWritable,Text,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyMapper.class);    Randomrandom=newRandom();    /**     *需要实现map函数     *这个map函数就是可以接收<k1,v1>，产生<k2，v2>     *@paramk1     *@paramv1     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidmap(LongWritablek1,Textv1,Contextcontext)        throwsIOException,InterruptedException{      //输出k1,v1的值      //System.out.println("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //logger.info("<k1,v1>=<"+k1.get()+","+v1.toString()+">");      //k1代表的是每一行数据的行首偏移量，v1代表的是每一行内容      //对获取到的每一行数据进行切割，把单词切割出来      String[]words=v1.toString().split("");      //把单词封装成<k2,v2>的形式      Stringkey=words[0];      if("5".equals(key)){        //把倾斜的key打散，分成10份        key="5"+"_"+random.nextInt(10);      }      Textk2=newText(key);      LongWritablev2=newLongWritable(1L);      //把<k2,v2>写出去      context.write(k2,v2);    }  }  /**   *Reduce阶段   */  publicstaticclassMyReducerextendsReducer<Text,LongWritable,Text,LongWritable>{    Loggerlogger=LoggerFactory.getLogger(MyReducer.class);    /**     *针对<k2,{v2...}>的数据进行累加求和，并且最终把数据转化为k3,v3写出去     *@paramk2     *@paramv2s     *@paramcontext     *@throwsIOException     *@throwsInterruptedException     */    @Override    protectedvoidreduce(Textk2,Iterable<LongWritable>v2s,Contextcontext)        throwsIOException,InterruptedException{      //创建一个sum变量，保存v2s的和      longsum=0L;      //对v2s中的数据进行累加求和      for(LongWritablev2:v2s){        //输出k2,v2的值        //System.out.println("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        //logger.info("<k2,v2>=<"+k2.toString()+","+v2.get()+">");        sum+=v2.get();        //模拟Reduce的复杂计算消耗的时间        if(sum%200==0){          Thread.sleep(1);        }      }      //组装k3,v3      Textk3=k2;      LongWritablev3=newLongWritable(sum);      //输出k3,v3的值      //System.out.println("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //logger.info("<k3,v3>=<"+k3.toString()+","+v3.get()+">");      //把结果写出去      context.write(k3,v3);    }  }  /**   *组装Job=Map+Reduce   */  publicstaticvoidmain(String[]args){    try{      if(args.length!=3){        //如果传递的参数不够，程序直接退出        System.exit(100);      }      //指定Job需要的配置参数      Configurationconf=newConfiguration();      //创建一个Job      Jobjob=Job.getInstance(conf);      //注意了：这一行必须设置，否则在集群中执行的时候是找不到WordCountJob这个类的      job.setJarByClass(WordCountJobSkewRandKey.class);      //指定输入路径（可以是文件，也可以是目录）      FileInputFormat.setInputPaths(job,newPath(args[0]));      //指定输出路径(只能指定一个不存在的目录)      FileOutputFormat.setOutputPath(job,newPath(args[1]));      //指定map相关的代码      job.setMapperClass(MyMapper.class);      //指定k2的类型      job.setMapOutputKeyClass(Text.class);      //指定v2的类型      job.setMapOutputValueClass(LongWritable.class);      //指定reduce相关的代码      job.setReducerClass(MyReducer.class);      //指定k3的类型      job.setOutputKeyClass(Text.class);      //指定v3的类型      job.setOutputValueClass(LongWritable.class);      //设置reduce任务个数      job.setNumReduceTasks(Integer.parseInt(args[2]));      //提交job      job.waitForCompletion(true);    }catch(Exceptione){      e.printStackTrace();    }  }}调用parallelize()时，有一个重要的参数可以指定，就是将集合切分成多少个partition。Spark会为每一个partition运行一个task来进行处理。Spark默认会根据集群的配置来设置partition的数量。我们也可以在调用parallelize()方法时，传入第二个参数，来设置RDD的partition数量，例如：parallelize(arr,5)scala代码如下：packagecom.imooc.scalaimportorg.apache.spark.{SparkConf,SparkContext}/** *需求：使用集合创建RDD *Createdbyxuwei */objectCreateRddByArrayScala{ defmain(args:Array[String]):Unit={  //创建SparkContext  valconf=newSparkConf()  conf.setAppName("CreateRddByArrayScala")//设置任务名称  .setMaster("local")//local表示在本地执行  valsc=newSparkContext(conf)  //创建集合  valarr=Array(1,2,3,4,5)  //基于集合创建RDD  valrdd=sc.parallelize(arr)  valsum=rdd.reduce(_+_)  println(sum)  //停止SparkContext  sc.stop() }}

Linux命令行与shell脚本编程大全（第4版）(RichardBlum、ChristineBresnahan) 

这是一本学习linux的经典书籍，详细介绍了shell的使用方法

这本书是非常有名的编程提升书籍，对你的代码风格以及思路有非常多的提升

第15讲LinuxC编程

Cortex-M7编程手册(ST官方)

一个非常值得拥有的学习Python的学习资料，Python核心编程（第二版）.pdf

codsys3.x基础编程及应用指南.pdf

CoDeSys编程手册中文版.pdf

CoDeSys_SoftMotion_运动控制中文编程手册.pdf

CoDeSys+2.3+中文教程(学习PLC编程的最好教程).pdf

day05-V4L2摄像头编程.pdf

socket编程常用API汇总.pdf

《LINUX环境编程图文指南》.pdf

单片机原理及接口技术C51编程