100分求助：JSP获取目录下的所有文件及文夹（树状）

dw23768656 2009-02-19 04:22:00

100分求助：JSP获取目录下的所有文件及文夹（树状）

...全文

168 5 打赏收藏转发到动态举报

写回复

5 条回复

切换为时间正序

请发表友善的回复…

发表回复

张_锋 2009-02-20

打赏
举报

回复

可以参考一下：http://blog.csdn.net/sunshinestation/archive/2008/08/04/2765112.aspx
不知道能不能满足

Looking_Glass 2009-02-19

打赏
举报

回复

个人建议你用dhtmlxTree做！比较强大！主要实现就要用递归生成文件XML文件！关于dhtmlxTree的操作，G一下就知道拉！

laorer 2009-02-19

打赏
举报

回复

目录下的所有文件及文夹（树状）

是指获取服务器某个目录下的吗?

void listFile(String dirName){
File fl = new File(dirName);
File[] fls = fl.listFile();
foreach( File fl in fls){
if(fl.isDirectory()){
listFile(fl.toString());
}else{
Sysout( fl.toString());
}
}

}

伪码

Alien 2009-02-19

打赏
举报

回复

当然是用File类了，其中的方法public File[] listFiles(){}可以返回个抽象路径名数组，这些路径名表示此抽象路径名所表示目录中的文件

javagxc 2009-02-19

打赏
举报

回复

我也想知道哦，关注中.........

内容概要：本文围绕基于CNN-BiLSTM-Attention混合神经网络模型的电力负荷预测展开研究，提出一种结合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）与注意力机制（Attention）的深度学习框架，并通过Python代码实现高精度的短期与超短期负荷预测。该模型充分利用CNN对局部特征的提取能力，捕捉负荷数据中的周期性与趋势性模式；借助BiLSTM对时间序列前后向依赖关系的建模能力，增强对动态变化的感知；并通过Attention机制自适应地聚焦关键历史时刻，提升预测准确性。文中详细阐述了数据预处理、模型结构设计、训练流程及超参数调优方法，并在真实负荷数据集上进行了实验验证，结果表明该混合模型相比传统单一模型和其他基准模型具有更优的预测性能，尤其在应对非线性、非平稳负荷波动方面表现突出。; 适合人群：具备一定Python编程能力和机器学习基础，从事电力系统分析、能源管理、智能电网或时序预测相关工作的科研人员、工程师及高校研究生。; 使用场景及目标：①应用于电网调度、电力市场出清、需求响应管理等场景下的精细化负荷预测；②为研究人员提供一套完整的、可复现的深度学习负荷预测代码框架，推动AI技术在能源领域的落地应用；③帮助理解CNN、BiLSTM与Attention模块之间的协同机制及其在时序建模中的集成方式。; 阅读建议：建议读者结合所提供的Python代码进行动手实践，重点掌握数据归一化、滑动窗口构造、模型搭建与训练技巧，并尝试在不同地区、不同季节的负荷数据上进行迁移测试，以深入理解模型泛化能力与调参策略。

源码下载地址： https://pan.quark.cn/s/a4b39357ea24 aje-vim82软件集合该软件集合为CentOS 7系统配备了Vim 8.2的rpm软件包。关于这一软件集合当特定的插件被采用时，对Vim的最新版本有需求。然而，CentOS所搭载的版本相对陈旧，需要基于源代码进行重新构建。为了精简在CentOS 7上应用和部署最新上游Vim版本的操作，这一软件集合应运而生。通过Github动作，每晚都会从Vim官方获取源代码，并在必要情况下对最终标记的版本进行重建。一旦工作流程执行完毕，便会生成一个新的版本。局限性尽管在发布新版本前执行了基本的功能检测，但这些软件包仍处于未准备就绪的状态，存在崩溃的风险或可能引入错误及性能下降。因此，若新功能超出了稳定性要求，应考虑使用此软件集合。作为普遍建议，在使用此集合时，不应从系统中移除CentOS 7自带的Vim软件包。用法该软件集合可与Vim官方软件包协同安装。要安装收集的软件树结构，至少需要安装aje-vim82和aje-vim82-run这两个软件包。

C#源码带条码打印的固定资产管理系统源码(1)

内容概要：本文围绕“MATLAB具有储能的经济调度及机会约束和鲁棒优化”展开，系统研究了电力系统中融合储能技术的经济调度问题，重点探讨了机会约束规划与鲁棒优化方法在应对新能源出力不确定性、负荷波动及系统运行风险中的应用。内容涵盖风光储协同调度、多微网共享储能、电动汽车参与调度、低碳经济调度等多种典型场景，深入分析了储能的选址定容、功率协调控制、状态估计与优化调度模型。核心技术包括粒子群优化（PSO）、分布鲁棒机会约束（DRCC）、模型预测控制（MPC）、鲁棒优化、二阶锥规划（SOCP）等先进算法，并提供了基于Matlab/Simulink的完整仿真代码实现，旨在提升新型电力系统的运行灵活性、经济性与抗风险能力。; 适合人群：具备电力系统、自动化、电气工程或相关专业背景，熟悉Matlab/Simulink仿真环境与基本优化算法，从事新能源并网、微电网运行、储能系统规划、电力市场调度等领域的研究生、科研人员及工程技术人员。; 使用场景及目标：① 学习并构建含储能的电力系统经济调度优化模型；② 掌握机会约束与鲁棒优化在处理新能源不确定性问题中的建模思路与求解方法；③ 利用提供的Matlab代码进行算法复现、仿真验证与性能对比，支撑科研项目攻关；④ 为撰写高水平学术论文、学位论文或工程优化方案提供可靠的模型参考与代码支持。; 阅读建议：建议读者结合文档中具体的案例（如风电-水电联合调度、电动汽车集群调度、多微网共享储能等）和配套的Matlab代码进行动手实践，重点关注优化模型的构建逻辑、约束条件设定与求解器配置过程，同时可关注公众号“荔枝科研社”获取完整资源包、复现教程及持续的技术支持。

CAD+说明书多功能精密播种机设计

81,110

社区成员

341,722

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章