精华内容
参与话题
问答
  • Py之slidingwindow&sliding_window:slidingwindow、sliding_window的简介、安装、使用方法之详细攻略 目录 sliding_window的简介 sliding_window的安装 sliding_window的使用方法 slidingwindow、...

    Py之slidingwindow&sliding_window:slidingwindow、sliding_window的简介、安装、使用方法之详细攻略

     

    目录

    sliding_window的简介

    sliding_window的安装

    sliding_window的使用方法


     

     

    slidingwindow、sliding_window的简介

     

    sliding_window

    参考文章:http://stackoverflow.com/a/6822761

     

    slidingwindow

           这是一个简单的小Python库,用于将一组窗口计算成一个较大的数据集,设计用于图像处理算法,该算法使用滑动窗口将处理分解为一系列较小的块。此外,还可以指定一组可选转换,以应用于每个窗口。
           还包括用于计算窗口距离矩阵的功能,用于需要考虑窗口中每个像素(相对于其中心)的位置的用例,以及用于批处理窗口和合并应用于窗口的处理结果的功能。
           对于在生成窗口边界后需要修改它们的用例,可以将窗口对象转换为(x,y,w,h)元组表示的矩形。还提供了转换矩形的功能(填充、裁剪、强制方形宽高比等)。
           还提供了创建NumPy数组的功能,如果可用的系统内存不足,该功能将回退到使用内存映射临时文件作为下划线数组缓冲区,以及确定生成窗口时可以使用的最大方形窗口大小。

     

     

     

     

    sliding_window的安装

    pip install sliding_window

    pip install slidingwindow

     

     

    sliding_window的使用方法

    更新……

    import slidingwindow as sw
    import numpy as np
    
    # Load our input image here
    # data = load(...)
    
    # Generate the set of windows, with a 256-pixel max window size and 50% overlap
    windows = sw.generate(data, sw.DimOrder.HeightWidthChannel, 256, 0.5)
    
    # Do stuff with the generated windows
    for window in windows:
    	subset = data[ window.indices() ]
    	# ...
    
    # Or, using some transformation functions
    tranforms = [
    	lambda m: np.fliplr(m),
    	lambda m: np.flipud(m),
    	lambda m: np.rot90(m, k=1, axes=(0, 1)),
    	lambda m: np.rot90(m, k=3, axes=(0, 1))
    ]
    windows = sw.generate(data, sw.DimOrder.HeightWidthChannel, 256, 0.5, tranforms)
    for window in windows:
    	transformed = window.apply(data)
    	# ...
    
    # Alternatively, if we want to modify each window
    windows = sw.generate(data, sw.DimOrder.HeightWidthChannel, 256, 0.5)
    for window in windows:
    	rect = window.getRect()
    	transformed = sw.padRectEqually(rect, 100, data.shape)
    	window.setRect(transformed)
    	# ...
    

     

     

     

     

     

     

     

     

     

     

     

     

     

     

    展开全文
  • 前言日常开发中,经常用到在window中获取某个iframe,或者在iframe中获取当前window。这里做个总结,记在心里后,就不用每次都百度了。window获取iframe、iframe获取window、document首先需要说明的是,w3c已经不...

    前言

    日常开发中,经常用到在window中获取某个iframe,或者在iframe中获取当前window。这里做个总结,记在心里后,就不用每次都百度了。

    iframe和iframe的关系

    首先需要说明的是,w3c已经不推荐使用frame,而推荐使用iframe,iframe也就是inline frame(行内frame),顾名思义它具有css的行内框特性,正是因为这一特性才引出来iframe 高度100%时,出现垂直滚动条

    通过window获取iframe

    window.frames是个伪数组,可以通过window.frames[index]或window.frames[name]来获取iframe
    window.frames[index],索引是从左往右,从上往下的,从0开始,通常我们使用**window.frames[name]**来获取frame

    通过iframe获取window、document

    如果想获取iframe里的window或者document,可以使用
    iframe.contentWindowiframe.contentDocument
    iframe.contentDocument=iframe.contentWindow.document,不过iframe.contentDocument在IE8及以下的版本不支持。

    window获取顶级窗口、父窗口

    获取顶级窗口:window.top
    获取父级窗口:window.parent
    导航栏回退:history.back(); 注意回退的请求,会有缓存。
    前进:history.forward()
    history.back()和history.forward()仅仅是为了方便分别代替history.go(-1)和history.go(1)

    参考

    https://developer.mozilla.org/en-US/docs/Web/HTML/Element/iframe
    https://developer.mozilla.org/en-US/docs/Web/HTML/Element/iframe

    9年全栈开发经验,请关注个人公众号

    在这里插入图片描述

    展开全文
  • Flink Window机制详解

    万次阅读 2019-03-19 11:41:27
    而窗口(window)就是从 Streaming 到 Batch 的一个桥梁。Flink 提供了非常完善的窗口机制,这是我认为的 Flink 最大的亮点之一(其他的亮点包括消息乱序处理,和 checkpoint 机制)。本文我们将介绍流式处理中的...

    Flink 认为 Batch 是 Streaming 的一个特例,所以 Flink 底层引擎是一个流式引擎,在上面实现了流处理和批处理。而窗口(window)就是从 Streaming 到 Batch 的一个桥梁。Flink 提供了非常完善的窗口机制,这是我认为的 Flink 最大的亮点之一(其他的亮点包括消息乱序处理,和 checkpoint 机制)。本文我们将介绍流式处理中的窗口概念,介绍 Flink 内建的一些窗口和 Window API,最后讨论下窗口在底层是如何实现的。

    什么是 Window

    在流处理应用中,数据是连续不断的,因此我们不可能等到所有数据都到了才开始处理。当然我们可以每来一个消息就处理一次,但是有时我们需要做一些聚合类的处理,例如:在过去的1分钟内有多少用户点击了我们的网页。在这种情况下,我们必须定义一个窗口,用来收集最近一分钟内的数据,并对这个窗口内的数据进行计算。

    窗口可以是时间驱动的(Time Window,例如:每30秒钟),也可以是数据驱动的(Count Window,例如:每一百个元素)。一种经典的窗口分类可以分成:翻滚窗口(Tumbling Window,无重叠),滚动窗口(Sliding Window,有重叠),和会话窗口(Session Window,活动间隙)。

    我们举个具体的场景来形象地理解不同窗口的概念。假设,淘宝网会记录每个用户每次购买的商品个数,我们要做的是统计不同窗口中用户购买商品的总数。下图给出了几种经典的窗口切分概述图:

    上图中,raw data stream 代表用户的购买行为流,圈中的数字代表该用户本次购买的商品个数,事件是按时间分布的,所以可以看出事件之间是有time gap的。Flink 提供了上图中所有的窗口类型,下面我们会逐一进行介绍。

    Time Window

    就如名字所说的,Time Window 是根据时间对数据流进行分组的。这里我们涉及到了流处理中的时间问题,时间问题和消息乱序问题是紧密关联的,这是流处理中现存的难题之一,我们将在后续的 EventTime 和消息乱序处理中对这部分问题进行深入探讨。这里我们只需要知道 Flink 提出了三种时间的概念,分别是event time(事件时间:事件发生时的时间),ingestion time(摄取时间:事件进入流处理系统的时间),processing time(处理时间:消息被计算处理的时间)。Flink 中窗口机制和时间类型是完全解耦的,也就是说当需要改变时间类型时不需要更改窗口逻辑相关的代码。

    • Tumbling Time Window
      如上图,我们需要统计每一分钟中用户购买的商品的总数,需要将用户的行为事件按每一分钟进行切分,这种切分被成为翻滚时间窗口(Tumbling Time Window)。翻滚窗口能将数据流切分成不重叠的窗口,每一个事件只能属于一个窗口。通过使用 DataStream API,我们可以这样实现:

      // Stream of (userId, buyCnt)
      val buyCnts: DataStream[(Int, Int)] = ...
      
      val tumblingCnts: DataStream[(Int, Int)] = buyCnts
        // key stream by userId
        .keyBy(0) 
        // tumbling time window of 1 minute length
        .timeWindow(Time.minutes(1))
        // compute sum over buyCnt
        .sum(1)
      
    • Sliding Time Window
      但是对于某些应用,它们需要的窗口是不间断的,需要平滑地进行窗口聚合。比如,我们可以每30秒计算一次最近一分钟用户购买的商品总数。这种窗口我们称为滑动时间窗口(Sliding Time Window)。在滑窗中,一个元素可以对应多个窗口。通过使用 DataStream API,我们可以这样实现:

      val slidingCnts: DataStream[(Int, Int)] = buyCnts
        .keyBy(0) 
        // sliding time window of 1 minute length and 30 secs trigger interval
        .timeWindow(Time.minutes(1), Time.seconds(30))
        .sum(1)
      

    Count Window

    Count Window 是根据元素个数对数据流进行分组的。

    • Tumbling Count Window
      当我们想要每100个用户购买行为事件统计购买总数,那么每当窗口中填满100个元素了,就会对窗口进行计算,这种窗口我们称之为翻滚计数窗口(Tumbling Count Window),上图所示窗口大小为3个。通过使用 DataStream API,我们可以这样实现:

      // Stream of (userId, buyCnts)
      val buyCnts: DataStream[(Int, Int)] = ...
      
      val tumblingCnts: DataStream[(Int, Int)] = buyCnts
        // key stream by sensorId
        .keyBy(0)
        // tumbling count window of 100 elements size
        .countWindow(100)
        // compute the buyCnt sum 
        .sum(1)
      
    • Sliding Count Window
      当然Count Window 也支持 Sliding Window,虽在上图中未描述出来,但和Sliding Time Window含义是类似的,例如计算每10个元素计算一次最近100个元素的总和,代码示例如下。

      val slidingCnts: DataStream[(Int, Int)] = vehicleCnts
        .keyBy(0)
        // sliding count window of 100 elements size and 10 elements trigger interval
        .countWindow(100, 10)
        .sum(1)
      

    Session Window

    在这种用户交互事件流中,我们首先想到的是将事件聚合到会话窗口中(一段用户持续活跃的周期),由非活跃的间隙分隔开。如上图所示,就是需要计算每个用户在活跃期间总共购买的商品数量,如果用户30秒没有活动则视为会话断开(假设raw data stream是单个用户的购买行为流)。Session Window 的示例代码如下:

    // Stream of (userId, buyCnts)
    val buyCnts: DataStream[(Int, Int)] = ...
      
    val sessionCnts: DataStream[(Int, Int)] = vehicleCnts
      .keyBy(0)
      // session window based on a 30 seconds session gap interval 
      .window(ProcessingTimeSessionWindows.withGap(Time.seconds(30)))
      .sum(1)
    

    一般而言,window 是在无限的流上定义了一个有限的元素集合。这个集合可以是基于时间的,元素个数的,时间和个数结合的,会话间隙的,或者是自定义的。Flink 的 DataStream API 提供了简洁的算子来满足常用的窗口操作,同时提供了通用的窗口机制来允许用户自己定义窗口分配逻辑。下面我们会对 Flink 窗口相关的 API 进行剖析。

    剖析 Window API

    得益于 Flink Window API 松耦合设计,我们可以非常灵活地定义符合特定业务的窗口。Flink 中定义一个窗口主要需要以下三个组件。

    • Window Assigner:用来决定某个元素被分配到哪个/哪些窗口中去。

      如下类图展示了目前内置实现的 Window Assigners:

    • Trigger:触发器。决定了一个窗口何时能够被计算或清除,每个窗口都会拥有一个自己的Trigger。

      如下类图展示了目前内置实现的 Triggers:

    • Evictor:可以译为“驱逐者”。在Trigger触发之后,在窗口被处理之前,Evictor(如果有Evictor的话)会用来剔除窗口中不需要的元素,相当于一个filter。

      如下类图展示了目前内置实现的 Evictors:

    上述三个组件的不同实现的不同组合,可以定义出非常复杂的窗口。Flink 中内置的窗口也都是基于这三个组件构成的,当然内置窗口有时候无法解决用户特殊的需求,所以 Flink 也暴露了这些窗口机制的内部接口供用户实现自定义的窗口。下面我们将基于这三者探讨窗口的实现机制。

    Window 的实现

    下图描述了 Flink 的窗口机制以及各组件之间是如何相互工作的。

    首先上图中的组件都位于一个算子(window operator)中,数据流源源不断地进入算子,每一个到达的元素都会被交给 WindowAssigner。WindowAssigner 会决定元素被放到哪个或哪些窗口(window),可能会创建新窗口。因为一个元素可以被放入多个窗口中,所以同时存在多个窗口是可能的。注意,Window本身只是一个ID标识符,其内部可能存储了一些元数据,如TimeWindow中有开始和结束时间,但是并不会存储窗口中的元素。窗口中的元素实际存储在 Key/Value State 中,key为Window,value为元素集合(或聚合值)。为了保证窗口的容错性,该实现依赖了 Flink 的 State 机制(参见 state 文档)。

    每一个窗口都拥有一个属于自己的 Trigger,Trigger上会有定时器,用来决定一个窗口何时能够被计算或清除。每当有元素加入到该窗口,或者之前注册的定时器超时了,那么Trigger都会被调用。Trigger的返回结果可以是 continue(不做任何操作),fire(处理窗口数据),purge(移除窗口和窗口中的数据),或者 fire + purge。一个Trigger的调用结果只是fire的话,那么会计算窗口并保留窗口原样,也就是说窗口中的数据仍然保留不变,等待下次Trigger fire的时候再次执行计算。一个窗口可以被重复计算多次知道它被 purge 了。在purge之前,窗口会一直占用着内存。

    当Trigger fire了,窗口中的元素集合就会交给Evictor(如果指定了的话)。Evictor 主要用来遍历窗口中的元素列表,并决定最先进入窗口的多少个元素需要被移除。剩余的元素会交给用户指定的函数进行窗口的计算。如果没有 Evictor 的话,窗口中的所有元素会一起交给函数进行计算。

    计算函数收到了窗口的元素(可能经过了 Evictor 的过滤),并计算出窗口的结果值,并发送给下游。窗口的结果值可以是一个也可以是多个。DataStream API 上可以接收不同类型的计算函数,包括预定义的sum(),min(),max(),还有 ReduceFunctionFoldFunction,还有WindowFunction。WindowFunction 是最通用的计算函数,其他的预定义的函数基本都是基于该函数实现的。

    Flink 对于一些聚合类的窗口计算(如sum,min)做了优化,因为聚合类的计算不需要将窗口中的所有数据都保存下来,只需要保存一个result值就可以了。每个进入窗口的元素都会执行一次聚合函数并修改result值。这样可以大大降低内存的消耗并提升性能。但是如果用户定义了 Evictor,则不会启用对聚合窗口的优化,因为 Evictor 需要遍历窗口中的所有元素,必须要将窗口中所有元素都存下来。

    源码分析

    上述的三个组件构成了 Flink 的窗口机制。为了更清楚地描述窗口机制,以及解开一些疑惑(比如 purge 和 Evictor 的区别和用途),我们将一步步地解释 Flink 内置的一些窗口(Time Window,Count Window,Session Window)是如何实现的。

    Count Window 实现

    Count Window 是使用三组件的典范,我们可以在 KeyedStream 上创建 Count Window,其源码如下所示:

    // tumbling count window
    public WindowedStream<T, KEY, GlobalWindow> countWindow(long size) {
      return window(GlobalWindows.create())  // create window stream using GlobalWindows
          .trigger(PurgingTrigger.of(CountTrigger.of(size))); // trigger is window size
    }
    // sliding count window
    public WindowedStream<T, KEY, GlobalWindow> countWindow(long size, long slide) {
      return window(GlobalWindows.create())
        .evictor(CountEvictor.of(size))  // evictor is window size
        .trigger(CountTrigger.of(slide)); // trigger is slide size
    }
    

    第一个函数是申请翻滚计数窗口,参数为窗口大小。第二个函数是申请滑动计数窗口,参数分别为窗口大小和滑动大小。它们都是基于 GlobalWindows 这个 WindowAssigner 来创建的窗口,该assigner会将所有元素都分配到同一个global window中,所有GlobalWindows的返回值一直是 GlobalWindow 单例。基本上自定义的窗口都会基于该assigner实现。

    翻滚计数窗口并不带evictor,只注册了一个trigger。该trigger是带purge功能的 CountTrigger。也就是说每当窗口中的元素数量达到了 window-size,trigger就会返回fire+purge,窗口就会执行计算并清空窗口中的所有元素,再接着储备新的元素。从而实现了tumbling的窗口之间无重叠。

    滑动计数窗口的各窗口之间是有重叠的,但我们用的 GlobalWindows assinger 从始至终只有一个窗口,不像 sliding time assigner 可以同时存在多个窗口。所以trigger结果不能带purge,也就是说计算完窗口后窗口中的数据要保留下来(供下个滑窗使用)。另外,trigger的间隔是slide-size,evictor的保留的元素个数是window-size。也就是说,每个滑动间隔就触发一次窗口计算,并保留下最新进入窗口的window-size个元素,剔除旧元素。

    假设有一个滑动计数窗口,每2个元素计算一次最近4个元素的总和,那么窗口工作示意图如下所示:

    图中所示的各个窗口逻辑上是不同的窗口,但在物理上是同一个窗口。该滑动计数窗口,trigger的触发条件是元素个数达到2个(每进入2个元素就会触发一次),evictor保留的元素个数是4个,每次计算完窗口总和后会保留剩余的元素。所以第一次触发trigger是当元素5进入,第三次触发trigger是当元素2进入,并驱逐5和2,计算剩余的4个元素的总和(22)并发送出去,保留下2,4,9,7元素供下个逻辑窗口使用。

    Time Window 实现

    同样的,我们也可以在 KeyedStream 上申请 Time Window,其源码如下所示:

    // tumbling time window
    public WindowedStream<T, KEY, TimeWindow> timeWindow(Time size) {
      if (environment.getStreamTimeCharacteristic() == TimeCharacteristic.ProcessingTime) {
        return window(TumblingProcessingTimeWindows.of(size));
      } else {
        return window(TumblingEventTimeWindows.of(size));
      }
    }
    // sliding time window
    public WindowedStream<T, KEY, TimeWindow> timeWindow(Time size, Time slide) {
      if (environment.getStreamTimeCharacteristic() == TimeCharacteristic.ProcessingTime) {
        return window(SlidingProcessingTimeWindows.of(size, slide));
      } else {
        return window(SlidingEventTimeWindows.of(size, slide));
      }
    }
    

    在方法体内部会根据当前环境注册的时间类型,使用不同的WindowAssigner创建window。可以看到,EventTime和IngestTime都使用了XXXEventTimeWindows这个assigner,因为EventTime和IngestTime在底层的实现上只是在Source处为Record打时间戳的实现不同,在window operator中的处理逻辑是一样的。

    这里我们主要分析sliding process time window,如下是相关源码:

    public class SlidingProcessingTimeWindows extends WindowAssigner<Object, TimeWindow> {
      private static final long serialVersionUID = 1L;
    
      private final long size;
    
      private final long slide;
    
      private SlidingProcessingTimeWindows(long size, long slide) {
        this.size = size;
        this.slide = slide;
      }
    
      @Override
      public Collection<TimeWindow> assignWindows(Object element, long timestamp) {
        timestamp = System.currentTimeMillis();
        List<TimeWindow> windows = new ArrayList<>((int) (size / slide));
        // 对齐时间戳
        long lastStart = timestamp - timestamp % slide;
        for (long start = lastStart;
          start > timestamp - size;
          start -= slide) {
          // 当前时间戳对应了多个window
          windows.add(new TimeWindow(start, start + size));
        }
        return windows;
      }
      ...
    }
    public class ProcessingTimeTrigger extends Trigger<Object, TimeWindow> {
      @Override
      // 每个元素进入窗口都会调用该方法
      public TriggerResult onElement(Object element, long timestamp, TimeWindow window, TriggerContext ctx) {
        // 注册定时器,当系统时间到达window end timestamp时会回调该trigger的onProcessingTime方法
        ctx.registerProcessingTimeTimer(window.getEnd());
        return TriggerResult.CONTINUE;
      }
    
      @Override
      // 返回结果表示执行窗口计算并清空窗口
      public TriggerResult onProcessingTime(long time, TimeWindow window, TriggerContext ctx) {
        return TriggerResult.FIRE_AND_PURGE;
      }
      ...
    }
    

    首先,SlidingProcessingTimeWindows会对每个进入窗口的元素根据系统时间分配到(size / slide)个不同的窗口,并会在每个窗口上根据窗口结束时间注册一个定时器(相同窗口只会注册一份),当定时器超时时意味着该窗口完成了,这时会回调对应窗口的Trigger的onProcessingTime方法,返回FIRE_AND_PURGE,也就是会执行窗口计算并清空窗口。整个过程示意图如下:

    如上图所示横轴代表时间戳(为简化问题,时间戳从0开始),第一条record会被分配到[-5,5)和[0,10)两个窗口中,当系统时间到5时,就会计算[-5,5)窗口中的数据,并将结果发送出去,最后清空窗口中的数据,释放该窗口资源。

    Session Window 实现

    Session Window 是一个需求很强烈的窗口机制,但Session也比之前的Window更复杂,所以 Flink 也是在即将到来的 1.1.0 版本中才支持了该功能。由于篇幅问题,我们将在后续的 Session Window 的实现 中深入探讨 Session Window 的实现。

    参考资料

     

    本文转载自这里

    展开全文
  • ubuntu 16.04操作系统中用管理员权限安装以下软件 安装xrdp: sudo apt-get install xrdp 安装vnc4server: sudo apt-get install vnc4server 安装xubuntu-desktop: ...xsession中写入xf...

    ubuntu 16.04操作系统中用管理员权限安装以下软件

    安装xrdp:         

    sudo apt-get install xrdp

    安装vnc4server:         

    sudo apt-get install vnc4server

    安装xubuntu-desktop或ubuntu-desktop:           

     

    sudo apt-get install xubuntu-desktop
    sudo apt-get install ubuntu-desktop

    xsession中写入xfce4-session,需要远程的用户都要单独执行这条命令:            

    echo "xfce4-session" >~/.xsession

    重启xrdp服务:           

    /etc/init.d/xrdp restart

    重启成功后显示如下: 

     

    Windows系统

    执行Win+R输入mstsc开启远程登陆终端

     

         2. 输入密码:

         连接界面

     

    建议购买HDMI假负载4K超清虚拟显示器(解决分辨率问题)+teamviewer

    展开全文
  • window_onload

    万次阅读 2019-09-20 15:59:37
    window.onload = xxx; window.onload = xxx; 用于在网页加载完毕后立刻执行的操作,即当 HTML 文档加载完毕后,立刻执行某个方法。 为什么使用 window.onload 因为 JavaScript 中的函数方法需要在 HTML 文档渲染...
  • window location跳转

    万次阅读 2019-06-20 10:38:56
    "top.location.href"是最外层的页面跳转 ...location是window对象的属性,而所有的网页下的对象都是属于window作用域链中(这是顶级作用域),所以使用时是可以省略window。而top是指向顶级窗口对象,parent...
  • TCP window full和TCP zerowindow问题

    千次阅读 2019-12-03 15:47:21
    此前在对接视频平台过程中,获取的视频超过7路,会出现TCP window full的错误,然后获取的视频流会断掉。 产生问题的原因: 业务处理过程中速度不够,导致客户端向服务端发送零窗口的错误,最终导致服务端端口卡死。...
  • Android ViewRoot、DecorView&Window浅析

    万次阅读 2019-08-14 17:43:01
    DecorView为整个Window界面的最顶层View。 DecorView只有一个子元素为LinearLayout。代表整个Window界面,包含通知栏,标题栏,内容显示栏三块区域。 LinearLayout里有两个FrameLayout子元素。 (20)为标题栏显示...
  • spark window 的使用

    千次阅读 2018-06-24 13:29:38
    1. window 用在rank 中的使用看这样一个需求,求出每个销售人员的按照销售金额大小的orderidpackage com.waitingfy ...import org.apache.spark.sql.expressions.Window import org.apache.spark.sql.functio...
  • 今天,在网上看到很多关于Mac电脑的WindowServer的疑问。 网友小A说:“WindowServer这个进程为什么内存占用这么大?” 网友小B说:“为啥WindowServer这个进程这么吃CPU?这个是啥啊?我没有装Windows” 网友小C说:...
  • window.addEventListener

    千次阅读 2019-12-14 17:51:57
    使用事件监听要销毁
  • window.dataLayer = window.dataLayer || []; window.dataLayer.push({ event: 'pageView', Page: 'trade', Referral: window.location.href }); 这段代码看不懂,大佬能帮忙解释一下吗?
  • window.sessionStorage和window.localStorage 1.window.sessionStorage (1).生命周期为关闭浏览器窗口(关闭浏览器之后,所存储的数据也就随之清空) (2).以键值对形式存取使用 (3).在同一窗口(页面)下数据可以...
  • 因为其牵涉到版本很多,笔者就以最新的WMF 5.0 正式版和WMF 5.1 公测版为例子,说明其到底包含了什么.Window管理框架WMF(Window Management Framework) 5.0 和 Window管理框架WMF(Window Management Framework) 5.1...
  • window下根据监听端口杀进程的脚本

    万次阅读 2020-09-07 09:36:51
    window下根据监听端口杀进程的脚本 @echo off setlocal enabledelayedexpansion set port=%1% if "%port%" == "" ( echo Please enter port goto end ) rem Add colon before port and space after port to ensure...
  • window cmd创建目录

    千次阅读 2020-04-01 10:59:08
    window cmd创建目录: mkdir D:\ideaProject\mtons-mblog-master\mblog\target\
  • Java图形界面开发利器WindowBuilder

    千次阅读 2019-05-24 15:18:06
    在Eclipse中使用AWT、Swing做UI开发是件挺苦恼的事儿。不过,我们可以借助Eclipse的插件WindowBuilder极大地简化我们的工作。
  • window is not defined

    万次阅读 2019-06-24 09:04:32
    《JavaScript高级程序设计》P117...window.color = "red"; var o = { color: "blue" }; function sayColor() { console.log(this.color);//书上是alert(this.color) } sayColor(); 当我在VSCode运行这段代码时,...
  • w.setWindowTitle(QString("主要看气质")); w.show(); app.exec(); return 0; } ``` 出现错误: ![图片说明](https://img-ask.csdn.net/upload/201709/19/1505784494_123107.png) ``` 但是将 w.setWindow...
  • 在使用windowbuilder时一般加上一两个按钮之后,eclipse就会闪退。eclipse里的大部分插件都已经关了,而且配置文件也修改过了,但还是没有效果,哪位大神知道怎么解决
  • 为什么放入div中的submit按钮触发的onclick的js中window.location.href = "http://www.baidu.com";无效,而window.open("http://www.qq.com", "_blank");有效呢?我想网页重定向,应该怎么改呢? 以下是HTML代码: ...
  • JavaScript Window窗口对象

    千次阅读 2020-01-18 11:49:05
    文章目录一、Window对象概述1、Window对象属性2、Window对象方法3、如何使用二、对话框1、警告对话框2、确认对话框3、提示对话框三、打开与关闭窗口1、打开窗口2、关闭窗口(1)关闭当前窗口(2)关闭子窗口四、控制...
  • 关闭window server 2016, window 10自动更新

    千次阅读 2019-01-28 15:48:17
    1. window+R,输入gpedit.msc, 进入本地组策略编辑器 2. 依次选择"计算机配置"-“管理模板”-“Windows组件”-“Windows更新”-“配置自动更新” 3. 在此可以disable自动更新 注意:如果不能运行gpedit...
  • 防火墙打不开可能是window defender(windows安全中心)被禁用了 win+r 输入cmd 输入services.msc ---本地服务设置 找到window defender 相关服务 右键设为自动 window defender Firewall服务 无法设为自动的原因 ...
  • 3:window.open和window.location.href的区别 1:区别 2.window.open不一定是打开一个新窗口!!!!!!!! 3:关于重新定位 4.:在框架内指定页面打开连接 5:是否打开其他网站地址 6:window.open()经过设置后的弹...
  • 我是个网页前端,用的vue框架,和后台联调,先调后台接口获取个token,然后登陆后,每次请求都带token去请求后台接口,有个下载按钮,在点击下载按钮的时候需要在header里传token,我就不知道怎么在window.location....
  • a in window 与 'a' in window的区别

    千次阅读 2019-03-19 20:40:16
    window.a = 1; a in window; //返回false 'a' in window; //返回true //这个貌似是正常的,和我们理解的一样 var xx = 1; console.log(xx in window); //false console.log('xx' in windo...
  • window.open()参数传递及获取

    万次阅读 2019-04-06 20:52:21
    1, 最基本的弹出窗口代码 window.open('page.html');... window.open('page.html', 'newwindow', 'height=100, width=400, top=0, left=0, toolbar=no, menubar=no, scrollbars=no, resizable=no, locat...

空空如也

1 2 3 4 5 ... 20
收藏数 372,241
精华内容 148,896
关键字:

window