【数据结构(十二·图)】图的相关知识（包括深度优先遍历和广度优先遍历）

news/2024/7/20 21:59:32 标签: 数据结构, 深度优先, 宽度优先

文章目录

  • 1. 图的基本介绍
    • 1.1. 图的举例说明
    • 1.2. 图的常用概念
  • 2. 图的表示方式
    • 2.1. 邻接矩阵
    • 2.2. 邻接表
  • 3. 应用案例
  • 4. 图的遍历
    • 4.1. 深度优先遍历
      • 4.1.1. 基本思想
      • 4.1.2. 算法步骤
      • 4.1.3. 代码实现
    • 4.2. 广度优先遍历
      • 4.2.1. 基本思想
      • 4.2.2. 算法步骤
      • 4.2.3. 代码实现
    • 4.3. 图的深度优先 VS 广度优先

1. 图的基本介绍

为什么要有图？
    前面学了线性表和树，线性表局限于一个直接前驱和一个直接后继的关系，树也只能有一个直接前驱也就是父节点。当我们需要表示多对多的关系时， 这里我们就用到了图。

1.1. 图的举例说明

图是一种数据结构，其中
    ①结点可以具有零个或多个相邻元素。
    ②两个结点之间的连接称为边。
    ③结点也可以称为顶点。
如图：

在这里插入图片描述

1.2. 图的常用概念

1.顶点(vertex)
2.边(edge)
3.路径
4.无向图
    
如下图所示：

在这里插入图片描述

5.有向图
6.带权图

    
如下图所示：
在这里插入图片描述

2. 图的表示方式

图的表示方式有两种：二维数组表示（邻接矩阵）；链表表示（邻接表）。

2.1. 邻接矩阵

邻接矩阵是表示图形中顶点之间相邻关系的矩阵，对于 n 个顶点的图而言，矩阵是的 r o w row row 和 c o l col col 表示的是 1.... n 1....n 1....n 个点。

在这里插入图片描述

2.2. 邻接表

  1. 邻接矩阵需要为每个顶点都分配 n 个边的空间，其实有很多边都是不存在,会造成空间的一定损失.
  2. 邻接表的实现只关心存在的边，不关心不存在的边。因此没有空间浪费
    邻接表由数组+链表组成

举例说明：

在这里插入图片描述

3. 应用案例

要求: 代码实现如下图结构

在这里插入图片描述

思路分析：
    (1) 存储顶点String，使用 ArrayList
    (2) 保存矩阵 int[][] edges

代码实现：

package graph;

import java.util.ArrayList;
import java.util.Arrays;

import javax.management.loading.PrivateClassLoader;

public class Graph {

	private ArrayList<String> vertexList;// 存储顶点的集合
	private int[][] edges;// 存储图的邻接矩阵
	private int numOfEdges;// 表示边的数目

	public static void main(String[] args) {
		// 测试
		int n = 5;// 节点的个数
		String Vertexs[] = { "A", "B", "C", "D", "E" };

		// 创建图对象
		Graph graph = new Graph(n);
		// 循环添加顶点
		for (String Vertex : Vertexs) {
			graph.inserVertex(Vertex);
		}
		// 添加边
		// A-B A-C B-C B-D B-E
		graph.insertEdge(0, 1, 1);// A-B
		graph.insertEdge(0, 2, 1);
		graph.insertEdge(1, 2, 1);
		graph.insertEdge(1, 3, 1);
		graph.insertEdge(1, 4, 1);

		// 显示邻接矩阵
		graph.showGrap();

	}

	// 构造器
	public Graph(int n) {
		// 初始化矩阵和vertexList
		edges = new int[n][n];
		vertexList = new ArrayList<String>(n);
		numOfEdges = 0;
	}

	// 图 常用的方法
	// 返回节点的个数
	public int getNumOfVertex() {
		return vertexList.size();
	}

	// 显示图对应的矩阵
	public void showGrap() {
		for (int[] link : edges) {
			System.out.println(Arrays.toString(link));
		}
	}

	// 得到边的数目
	public int getNumOfEdges() {
		return numOfEdges;
	}

	// 返回节点i（下标）对应的数据：0->"A" 1-> "B" 2->"C" ...
	public String getValueByIndex(int i) {
		return vertexList.get(i);
	}

	// 返回v1和v2的权值
	public int getWeight(int v1, int v2) {
		return edges[v1][v2];
	}

	// 插入节点
	public void inserVertex(String vertex) {
		vertexList.add(vertex);
	}

	// 添加边
	/**
	 * 
	 * @param v1     表示第一个顶点对应的下标：即第几个顶点，A B C D E 的下标分变为：0 1 2 3 4
	 * @param v2     表示第二个顶点对应的下标
	 * @param weight 表示是否连通，0：没有连通，1：连通
	 */
	public void insertEdge(int v1, int v2, int weight) {
		edges[v1][v2] = weight;
		edges[v2][v1] = weight;
		numOfEdges++;
	}

}

运行结果：

在这里插入图片描述

4. 图的遍历

图遍历介绍：
    所谓图的遍历，即是对结点的访问。一个图有那么多个结点，如何遍历这些结点，需要特定策略，一般有两种访问策略: (1)深度优先遍历 (2)广度优先遍历

4.1. 深度优先遍历

4.1.1. 基本思想

图的深度优先搜索(Depth First Search) ：
    深度优先遍历，从初始访问结点出发，初始访问结点可能有多个邻接结点，深度优先遍历的策略就是首先访问第一个邻接结点，然后再以这个被访问的邻接结点作为初始结点，访问它的第一个邻接结点， 可以这样理解：每次都在访问完当前结点后首先访问当前结点的第一个邻接结点。
    这样的访问策略是优先往纵向挖掘深入，而不是对一个结点的所有邻接结点进行横向访问。显然，深度优先搜索是一个递归的过程。

4.1.2. 算法步骤

  1. 访问初始结点 v，并标记结点 v 为已访问。
  2. 查找结点 v 的第一个邻接结点 w。
  3. 若 w 存在，则继续执行 4，如果 w 不存在，则回到第 1 步，将从 v 的下一个结点继续。
  4. 若 w 未被访问，对 w 进行深度优先遍历递归（即把 w 当做另一个 v，然后进行步骤 123）。
  5. 查找结点 v 的 w 邻接结点的下一个邻接结点，转到步骤 3。

分析图解：

在这里插入图片描述

4.1.3. 代码实现

package graph;

import java.util.ArrayList;
import java.util.Arrays;

import javax.management.loading.PrivateClassLoader;

public class Graph {

	private ArrayList<String> vertexList;// 存储顶点的集合
	private int[][] edges;// 存储图的邻接矩阵
	private int numOfEdges;// 表示边的数目

	// 定义一个数组boolean[]：记录某个节点是否被访问过
	private boolean[] isVisited;

	public static void main(String[] args) {
		// 测试
		int n = 5;// 节点的个数
		String Vertexs[] = { "A", "B", "C", "D", "E" };

		// 创建图对象
		Graph graph = new Graph(n);
		// 循环添加顶点
		for (String Vertex : Vertexs) {
			graph.inserVertex(Vertex);
		}
		// 添加边
		// A-B A-C B-C B-D B-E
		graph.insertEdge(0, 1, 1);// A-B
		graph.insertEdge(0, 2, 1);
		graph.insertEdge(1, 2, 1);
		graph.insertEdge(1, 3, 1);
		graph.insertEdge(1, 4, 1);

		// 显示邻接矩阵
		graph.showGrap();

		// 测试：dfs遍历是否ok
		System.out.println("深度遍历");
		graph.dfs();

	}

	// 构造器
	public Graph(int n) {
		// 初始化矩阵和vertexList
		edges = new int[n][n];
		vertexList = new ArrayList<String>(n);
		numOfEdges = 0;
		isVisited = new boolean[5];
	}

	// 得到第一个邻接节点的下标
	/**
	 * 
	 * @param index
	 * @return 如果存在就返回对应的下标，否则返回-1
	 */
	public int getFirstNeighbor(int index) {
		for (int j = 0; j < vertexList.size(); j++) {
			if (edges[index][j] > 0) {
				return j;
			}
		}
		return -1;
	}

	// 根据前一个邻接节点的下标来获取下一个邻接节点
	public int getNextNeighbor(int v1, int v2) {
		for (int j = v2 + 1; j < vertexList.size(); j++) {
			if (edges[v1][j] > 0) {
				return j;
			}
		}
		return -1;
	}

	// 深度优先遍历算法
	// i第一次就是 0
	private void dfs(boolean[] isVisited, int i) {
		// 首先访问该节点，输出
		System.out.print(getValueByIndex(i) + "->");
		// 将节点设置为已访问
		isVisited[i] = true;

		// 查找节点i的第一个邻接节点w
		int w = getFirstNeighbor(i);
		while (w != -1) {// 说明有
			if (!isVisited[w]) {
				dfs(isVisited, w);
			}
			// 如果w节点已经被访问过
			w = getNextNeighbor(i, w);

		}
	}

	// 对dfs进行一个重载，遍历所有的节点，并进行dfs
	public void dfs() {
		// 遍历所有的节点，进行dfs[回溯]
		for (int i = 0; i < getNumOfVertex(); i++) {
			if (!isVisited[i]) {
				dfs(isVisited, i);
			}
		}
	}

	// 图 常用的方法
	// 返回节点的个数
	public int getNumOfVertex() {
		return vertexList.size();
	}

	// 显示图对应的矩阵
	public void showGrap() {
		for (int[] link : edges) {
			System.out.println(Arrays.toString(link));
		}
	}

	// 得到边的数目
	public int getNumOfEdges() {
		return numOfEdges;
	}

	// 返回节点i（下标）对应的数据：0->"A" 1-> "B" 2->"C" ...
	public String getValueByIndex(int i) {
		return vertexList.get(i);
	}

	// 返回v1和v2的权值
	public int getWeight(int v1, int v2) {
		return edges[v1][v2];
	}

	// 插入节点
	public void inserVertex(String vertex) {
		vertexList.add(vertex);
	}

	// 添加边
	/**
	 * 
	 * @param v1     表示第一个顶点对应的下标：即第几个顶点，A B C D E 的下标分变为：0 1 2 3 4
	 * @param v2     表示第二个顶点对应的下标
	 * @param weight 表示是否连通，0：没有连通，1：连通
	 */
	public void insertEdge(int v1, int v2, int weight) {
		edges[v1][v2] = weight;
		edges[v2][v1] = weight;
		numOfEdges++;
	}

}
//代码似乎有问题

运行结果：

在这里插入图片描述

4.2. 广度优先遍历

4.2.1. 基本思想

图的广度优先搜索(Broad First Search) ：
    类似于一个分层搜索的过程，广度优先遍历需要使用一个队列以保持访问过的结点的顺序，以便按这个顺序来访问这些结点的邻接结点

4.2.2. 算法步骤

  1. 访问初始结点 v 并标记结点 v 为已访问。
  2. 结点 v 入队列
  3. 当队列非空时，继续执行，否则算法结束。
  4. 出队列，取得队头结点 u。
  5. 查找结点 u 的第一个邻接结点 w。
  6. 若结点 u 的邻接结点 w 不存在，则转到步骤 3；否则循环执行以下三个步骤：
    6.1 若结点 w 尚未被访问，则访问结点 w 并标记为已访问。
    6.2 结点 w 入队列
    6.3 查找结点 u 的继 w 邻接结点后的下一个邻接结点 w，转到步骤 6。

在这里插入图片描述

4.2.3. 代码实现

package graph;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.LinkedList;

import javax.management.loading.PrivateClassLoader;

public class Graph {

	private ArrayList<String> vertexList;// 存储顶点的集合
	private int[][] edges;// 存储图的邻接矩阵
	private int numOfEdges;// 表示边的数目

	// 定义一个数组boolean[]：记录某个节点是否被访问过
	private boolean[] isVisited;

	public static void main(String[] args) {
		// 测试
		int n = 5;// 节点的个数
		String Vertexs[] = { "A", "B", "C", "D", "E" };

		// 创建图对象
		Graph graph = new Graph(n);
		// 循环添加顶点
		for (String Vertex : Vertexs) {
			graph.inserVertex(Vertex);
		}
		// 添加边
		// A-B A-C B-C B-D B-E
		graph.insertEdge(0, 1, 1);// A-B
		graph.insertEdge(0, 2, 1);
		graph.insertEdge(1, 2, 1);
		graph.insertEdge(1, 3, 1);
		graph.insertEdge(1, 4, 1);

		// 显示邻接矩阵
		graph.showGrap();

		// 测试：dfs遍历是否ok
		System.out.println("深度遍历");
		graph.dfs();
		System.out.println();
		// 测试：bfs遍历是否ok
		System.out.println("广度遍历");
		graph.bfs();

	}

	// 构造器
	public Graph(int n) {
		// 初始化矩阵和vertexList
		edges = new int[n][n];
		vertexList = new ArrayList<String>(n);
		numOfEdges = 0;

	}

	// 得到第一个邻接节点的下标
	/**
	 * 
	 * @param index
	 * @return 如果存在就返回对应的下标，否则返回-1
	 */
	public int getFirstNeighbor(int index) {
		for (int j = 0; j < vertexList.size(); j++) {
			if (edges[index][j] > 0) {
				return j;
			}
		}
		return -1;
	}

	// 根据前一个邻接节点的下标来获取下一个邻接节点
	public int getNextNeighbor(int v1, int v2) {
		for (int j = v2 + 1; j < vertexList.size(); j++) {
			if (edges[v1][j] > 0) {
				return j;
			}
		}
		return -1;
	}

	// 深度优先遍历算法
	// i第一次就是 0
	private void dfs(boolean[] isVisited, int i) {
		// 首先访问该节点，输出
		System.out.print(getValueByIndex(i) + "->");
		// 将节点设置为已访问
		isVisited[i] = true;

		// 查找节点i的第一个邻接节点w
		int w = getFirstNeighbor(i);
		while (w != -1) {// 说明有
			if (!isVisited[w]) {
				dfs(isVisited, w);
			}
			// 如果w节点已经被访问过
			w = getNextNeighbor(i, w);

		}
	}

	// 对dfs进行一个重载，遍历所有的节点，并进行dfs
	public void dfs() {
		isVisited = new boolean[5];
		// 遍历所有的节点，进行dfs[回溯]
		for (int i = 0; i < getNumOfVertex(); i++) {
			if (!isVisited[i]) {
				dfs(isVisited, i);
			}
		}
	}

	// 对一个节点进行广度优先遍历的方法
	private void bfs(boolean[] isVisited, int i) {
		int u;// 表示队列的头节点对应下标
		int w;// 邻接节点w
		// 队列：记录节点访问的顺序
		LinkedList queue = new LinkedList();
		// 访问节点，输出节点信息
		System.out.print(getValueByIndex(i) + "=>");
		// 标记为已访问
		isVisited[i] = true;
		// 将节点加入队列
		queue.addLast(i);
		while (!queue.isEmpty()) {
			// 取出队列的头节点下标
			u = (Integer) queue.removeFirst();
			// 得到第一个邻接节点的下标w
			w = getFirstNeighbor(u);
			while (w != -1) {// 找到
				// 是否访问过
				if (!isVisited[w]) {
					System.out.print(getValueByIndex(w) + "=>");
					// 标记已经访问
					isVisited[w] = true;
					// 入队
					queue.addLast(w);
				}
				// 以u为前驱节点，找w后面的下一个邻接节点
				w = getNextNeighbor(u, w);// 体现出广度优先

			}
		}
	}

	// 遍历所有的节点，都进行广度优先搜索
	public void bfs() {
		isVisited = new boolean[5];
		for (int i = 0; i < getNumOfVertex(); i++) {
			if (!isVisited[i]) {
				bfs(isVisited, i);
			}
		}
	}

	// 图 常用的方法
	// 返回节点的个数
	public int getNumOfVertex() {
		return vertexList.size();
	}

	// 显示图对应的矩阵
	public void showGrap() {
		for (int[] link : edges) {
			System.out.println(Arrays.toString(link));
		}
	}

	// 得到边的数目
	public int getNumOfEdges() {
		return numOfEdges;
	}

	// 返回节点i（下标）对应的数据：0->"A" 1-> "B" 2->"C" ...
	public String getValueByIndex(int i) {
		return vertexList.get(i);
	}

	// 返回v1和v2的权值
	public int getWeight(int v1, int v2) {
		return edges[v1][v2];
	}

	// 插入节点
	public void inserVertex(String vertex) {
		vertexList.add(vertex);
	}

	// 添加边
	/**
	 * 
	 * @param v1     表示第一个顶点对应的下标：即第几个顶点，A B C D E 的下标分变为：0 1 2 3 4
	 * @param v2     表示第二个顶点对应的下标
	 * @param weight 表示是否连通，0：没有连通，1：连通
	 */
	public void insertEdge(int v1, int v2, int weight) {
		edges[v1][v2] = weight;
		edges[v2][v1] = weight;
		numOfEdges++;
	}

}

运行结果：

在这里插入图片描述

4.3. 图的深度优先 VS 广度优先

上面的例子看不出深度优先遍历和广度优先遍历的区别，下面换一个例子进行演示：
问题情景：

在这里插入图片描述

深度优先遍历顺序为 1->2->4->8->5->3->6->7
广度优先算法的遍历顺序为：1->2->3->4->5->6->7->8

代码实现：

package graph;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.LinkedList;

import javax.management.loading.PrivateClassLoader;

public class Graph {

	private ArrayList<String> vertexList;// 存储顶点的集合
	private int[][] edges;// 存储图的邻接矩阵
	private int numOfEdges;// 表示边的数目

	// 定义一个数组boolean[]：记录某个节点是否被访问过
	private boolean[] isVisited;

	public static void main(String[] args) {
		// 测试
		int n = 8;// 节点的个数
		String Vertexs[] = { "1", "2", "3", "4", "5", "6", "7", "8" };

		// 创建图对象
		Graph graph = new Graph(n);
		// 循环添加顶点
		for (String Vertex : Vertexs) {
			graph.inserVertex(Vertex);
		}
		// 添加边
		graph.insertEdge(0, 1, 1);
		graph.insertEdge(0, 2, 1);
		graph.insertEdge(1, 3, 1);
		graph.insertEdge(1, 4, 1);
		graph.insertEdge(3, 7, 1);
		graph.insertEdge(4, 7, 1);
		graph.insertEdge(2, 5, 1);
		graph.insertEdge(2, 6, 1);
		graph.insertEdge(5, 6, 1);

		// 显示邻接矩阵
		graph.showGrap();

		// 测试：dfs遍历是否ok
		System.out.println("深度遍历");
		graph.dfs();
		System.out.println();
		// 测试：bfs遍历是否ok
		System.out.println("广度遍历");
		graph.bfs();

	}

	// 构造器
	public Graph(int n) {
		// 初始化矩阵和vertexList
		edges = new int[n][n];
		vertexList = new ArrayList<String>(n);
		numOfEdges = 0;

	}

	// 得到第一个邻接节点的下标
	/**
	 * 
	 * @param index
	 * @return 如果存在就返回对应的下标，否则返回-1
	 */
	public int getFirstNeighbor(int index) {
		for (int j = 0; j < vertexList.size(); j++) {
			if (edges[index][j] > 0) {
				return j;
			}
		}
		return -1;
	}

	// 根据前一个邻接节点的下标来获取下一个邻接节点
	public int getNextNeighbor(int v1, int v2) {
		for (int j = v2 + 1; j < vertexList.size(); j++) {
			if (edges[v1][j] > 0) {
				return j;
			}
		}
		return -1;
	}

	// 深度优先遍历算法
	// i第一次就是 0
	private void dfs(boolean[] isVisited, int i) {
		// 首先访问该节点，输出
		System.out.print(getValueByIndex(i) + "->");
		// 将节点设置为已访问
		isVisited[i] = true;

		// 查找节点i的第一个邻接节点w
		int w = getFirstNeighbor(i);
		while (w != -1) {// 说明有
			if (!isVisited[w]) {
				dfs(isVisited, w);
			}
			// 如果w节点已经被访问过
			w = getNextNeighbor(i, w);

		}
	}

	// 对dfs进行一个重载，遍历所有的节点，并进行dfs
	public void dfs() {
		isVisited = new boolean[vertexList.size()];
		// 遍历所有的节点，进行dfs[回溯]
		for (int i = 0; i < getNumOfVertex(); i++) {
			if (!isVisited[i]) {
				dfs(isVisited, i);
			}
		}
	}

	// 对一个节点进行广度优先遍历的方法
	private void bfs(boolean[] isVisited, int i) {
		int u;// 表示队列的头节点对应下标
		int w;// 邻接节点w
		// 队列：记录节点访问的顺序
		LinkedList queue = new LinkedList();
		// 访问节点，输出节点信息
		System.out.print(getValueByIndex(i) + "=>");
		// 标记为已访问
		isVisited[i] = true;
		// 将节点加入队列
		queue.addLast(i);
		while (!queue.isEmpty()) {
			// 取出队列的头节点下标
			u = (Integer) queue.removeFirst();
			// 得到第一个邻接节点的下标w
			w = getFirstNeighbor(u);
			while (w != -1) {// 找到
				// 是否访问过
				if (!isVisited[w]) {
					System.out.print(getValueByIndex(w) + "=>");
					// 标记已经访问
					isVisited[w] = true;
					// 入队
					queue.addLast(w);
				}
				// 以u为前驱节点，找w后面的下一个邻接节点
				w = getNextNeighbor(u, w);// 体现出广度优先

			}
		}
	}

	// 遍历所有的节点，都进行广度优先搜索
	public void bfs() {
		isVisited = new boolean[vertexList.size()];
		for (int i = 0; i < getNumOfVertex(); i++) {
			if (!isVisited[i]) {
				bfs(isVisited, i);
			}
		}
	}

	// 图 常用的方法
	// 返回节点的个数
	public int getNumOfVertex() {
		return vertexList.size();
	}

	// 显示图对应的矩阵
	public void showGrap() {
		for (int[] link : edges) {
			System.out.println(Arrays.toString(link));
		}
	}

	// 得到边的数目
	public int getNumOfEdges() {
		return numOfEdges;
	}

	// 返回节点i（下标）对应的数据：0->"A" 1-> "B" 2->"C" ...
	public String getValueByIndex(int i) {
		return vertexList.get(i);
	}

	// 返回v1和v2的权值
	public int getWeight(int v1, int v2) {
		return edges[v1][v2];
	}

	// 插入节点
	public void inserVertex(String vertex) {
		vertexList.add(vertex);
	}

	// 添加边
	/**
	 * 
	 * @param v1     表示第一个顶点对应的下标：即第几个顶点，A B C D E 的下标分变为：0 1 2 3 4
	 * @param v2     表示第二个顶点对应的下标
	 * @param weight 表示是否连通，0：没有连通，1：连通
	 */
	public void insertEdge(int v1, int v2, int weight) {
		edges[v1][v2] = weight;
		edges[v2][v1] = weight;
		numOfEdges++;
	}

}

运行结果：

在这里插入图片描述


http://www.niftyadmin.cn/n/5262097.html

相关文章

寻回初心：当初为什么学习计算机？

寻回初心：当初为什么学习计算机？

如今&#xff0c;计算机技术已经深入到我们生活的方方面面。无论是工作还是生活&#xff0c;计算机都扮演着重要的角色。下面我将阐述我学习计算机的几个重要原因&#xff1a; 一、学习计算机给我们带来了什么&#xff1f; 首先&#xff0c;学习计算机可以提高我们的就业竞争…
阅读更多...
释放深度学习的力量：使用 CUDA 和 Turing GPU 构建 AI

释放深度学习的力量：使用 CUDA 和 Turing GPU 构建 AI

深度学习是一种人工智能的分支，它使用神经网络模拟人类大脑的学习过程，从大量的数据中学习特征和规律。深度学习已经彻底改变了无数领域，从图像和语音识别到自然语言处理和自动驾驶汽车。但是，要充分利用深度学习的强大功能，需要强大的工具，而 NVIDIA 的 Turing GPU 就是…
阅读更多...
AutoGen多代理对话项目示例和工作流程分析

AutoGen多代理对话项目示例和工作流程分析

在这篇文章中&#xff0c;我将介绍AutoGen的多个代理的运行。这些代理将能够相互对话&#xff0c;协作评估股票价格&#xff0c;并使用AmCharts生成图表。 我们创建对话的目的是要求代理分析特定公司的股票价格&#xff0c;并制作股票价格图表。 为了实现这一目标&#xff0c;…
阅读更多...
ssh远程执行找不到命令（交互式和非交互式shell）—— 筑梦之路

ssh远程执行找不到命令（交互式和非交互式shell）—— 筑梦之路

背景说明 ssh远程某台主机去执行命令时提示找不到命令&#xff0c;而手动登陆主机可以正常执行命令。 问题原因 An interactive shell reads user input typed on a keyboard. Commands run in the current shell and the system waits for further instructions from the us…
阅读更多...
关于el-table中tree 懒加载默认3层及自动展开

关于el-table中tree 懒加载默认3层及自动展开

1.问题 项目有用到el-table中使用tree 发现最多tree只显示到3层&#xff0c;及不能够自动展开的。 2.数据结构 经过探索&#xff0c;发现了el-table是通过treeData&#xff0c;和lazyTreeNodeMap 来控制懒加载数据对表格进行控制的。其中treeData的数据结构为 其主要用来保…
阅读更多...
doceker-harbor私有仓库

doceker-harbor私有仓库

doceker 镜像 容器 仓库 仓库&#xff1a;保存镜像 私有&#xff1a;自定义用户的形式登录仓库&#xff0c;拉取或者上传镜像。 (内部管理的用户) harbor&#xff1a;Vmware公司开发的开源的企业级的docker registry项目。 帮助用户快速的搭建一个企业级的docker仓库服务&#…
阅读更多...
品牌如何做好软文营销？媒介盒子分享

品牌如何做好软文营销？媒介盒子分享

许多公司在做软文营销时&#xff0c;试图通过运营不同平台来扩大其覆盖范围&#xff0c;他们希望通过这种方式触达更多受众&#xff0c;然而如果品牌软文没有质感&#xff0c;就会被用户抛弃。今天媒介盒子就来和大家聊聊&#xff1a;品牌方做内容时如何加强质感。 一、 营销需…
阅读更多...
MySQL 系列：注意 ORDER 和 LIMIT 联合使用的陷阱

MySQL 系列：注意 ORDER 和 LIMIT 联合使用的陷阱

文章目录 前言背后的原因ORDER BY 排序列存在相同值时返回顺序是不固定的LIMIT 和 ORDER BY 联合使用时的行为ORDER BY 或 GROUP BY 和 LIMIT 联合使用优化器默认使用有序索引 如何解决其它说明个人简介 前言 不知道大家在在分页查询中有没有遇到过这个问题&#xff0c;分页查…
阅读更多...
最新文章

Copyright @ 2022~2023