数据库相关
PB updateblob 数据长度截断现象
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区handle = fileopen(s_file, streammode!)
len = filereadex(handle, im)
len1 = len(im) //此处我调试看了，长度正确是 6KB
if len > 0 then
sqlca.autocommit = true
//insert into t_mreport (日期, 报告编号, 报告名称, 报告存档) values ('2008-1-1', 0, '测试1', 'sadadasd') using sqlca;
//insert into t_mreport (日期, 报告编号, 报告名称, 报告存档) values ('2008-1-1', 0, '测试1', convert(varbinary,:im)) using sqlca;
updateblob t_mreport set 报告存档 = :im where 序号 = 1;
if sqlca.sqlcode = 0 then
commit;
messagebox("成功！","更新数据库成功！")
else
rollback;
messagebox("失败！","更新数据库失败！" + sqlca.sqlerrtext )
end if
sqlca.autocommit = false
end if
下面是读出代码：
blob im
string s_file, s_file_dest
long handle
long len, len1
s_file = "E:\workspace\PB10.0\fileTest_d_connect_002.doc"
s_file_dest = "E:\workspace\PB10.0\fileTestdump_d.doc"
selectblob 报告存档 into :im from t_mreport where 序号 = 1;
len1 = len(im) //此处调试查看是 6KB 的一半
if sqlca.sqlcode = 0 and sqlca.sqlnrows > 0 then
handle = fileopen(s_file_dest, streammode!, write!, shared!, replace!)
if handle > 0 then
len = filewriteex(handle, im)
fileclose(handle)
end if
end if
所以我怀疑是存入是截断的，注意数据库:sql2005中,字段是 varbinary(max).
请大家指点！
相关推荐
在PowerBuilder中操作BLOB数据的技巧
在PowerBuilder中操作BLOB数据的技巧
[PB]-大文本(Blob)对象处理.doc
Blob类型的数据用来保存象大文本和图象之类的数据这种数据长度很大几乎没有限制Blob类型的数据用来保存象大文本和图象之类的数据这种数据长度很大几乎没有限制。而在PB中没有长度限制的对象仅此一种类型所
如何在PowerBuilder中动态存取图形数据文件
文章用流的方法和将图形文件转换成长二进制的方法来解决在PowerBuilder中动态存取图形数据文件，并给出 了关键源代码。
关于AI开发方法论-以文档为索引的高质量协作开发：让一次现象描述精准命中几个代码块
对AI的编码规范进行约束
YOLO26算法车道线检测+训练好的模型+360张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[未获取()] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 55 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9512** mAP50-95 | 0.6746 Precision | 0.8796 Recall | 0.8825 train/box_loss | 0.8608 train/cls_loss | 0.7232 val/box_loss | 0.9955 val/cls_loss | 0.5511 【训练过程分析】 这轮训练我经历了从初始到稳定的曲折过程。前 20 个epoch，loss 曲线呈现了陡峭的下降趋势，mAP50 指标从 0.8 开始逐步攀升，仿佛在寻找一个合适的平衡点。然而，从第 21 个epoch 开始，mAP50 的提升速率显著放缓，整体曲线显得有些曲折，有时甚至停滞不前，让我一度以为训练出现了问题。直到第 35 个epoch，loss 开始逐渐趋于平稳，这标志着模型已经找到了一个较好的收敛区间。到了最后的 20 个 epoch，尽管 mAP50 依旧在稳步上升，但提升幅度已经不大，这意味着模型已经接近其性能天花板。 在这个过程中，我重点关注了 box_loss 和 cls_loss 的变化。初期阶段，box_loss 快速下降，从 0.9 逐渐降至 0.86，而 cls_loss 则从 0.75 逐步下降至... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
