go-zero微服务、蚁群算法路径优化、MarkItDown文档解析:三款开源项目实战

go-zero微服务架构蚁群算法
于 2026-10-29 06:53:07 修改
·本内容遵循CC 4.0 BY-SA版权协议

最近两个月,我在GitHub上翻开源项目翻得比较勤,有三个仓库连续让我“眼前一亮”。它们所属的领域完全不同:一个是微服务架构里偏底层的go-zero,一个是做蚁群算法路径优化的开源实现,另一个是微软开源的MarkItDown。我一开始只是随手收藏,后来发现这三个项目在实际工作中都能直接派上用场——go-zero能搞定企业级微服务治理,蚁群算法路径优化能用于配送调度,MarkItDown则把文档解析效率翻了几倍。今天我把这三款GitHub开源项目挨个拆开讲,结合我自己的部署和二次开发经历,说说它们为什么值得收藏,以及真正用起来时有哪些坑。

先说一个背景。这几年我参与过的项目,大部分时间都耗在“并不是核心业务”的事情上:服务之间怎么通信、接口文档怎么维护、PDF里的数据怎么提取、路线安排怎么才算最优。开源项目如果能把这些事压缩成几个小时的工作量,那就不是“收藏一下”的程度,而是真正值得放进工具箱的东西。下面这三个项目,恰好分别踩中了后端架构、算法调度、文档处理这三个高频场景。

1. go-zero:企业级微服务开源框架,为什么值得列进收藏夹

1.1 go-zero解决了什么问题,和Spring Cloud相比胜在哪

先聊微服务。很多团队一开始用微服务,心里想的是“拆开以后可以独立部署、独立伸缩”,结果拆完发现麻烦事更多了:要有API网关,要有RPC框架,要做服务注册发现,要做限流熔断,还要搭链路追踪。这些组件单独用其实都不难,难的是把它们拼在一起,并且保证团队里每个人都按同一套规范来接。

go-zero这个开源项目,最吸引我的地方在于它不是“又一个RPC框架”,而是把API网关、RPC通信、服务治理这些东西合并成了一个整体。你不需要自己组合Spring Cloud那一堆组件,也不用在Dubbo、Nacos、Sentinel之间反复调配版本。go-zero项目里内置了限流、熔断、超时控制、分布式事务的Seata适配,还提供了goctl命令行工具,直接从API定义生成代码,把“写接口”这件事变成了“填业务逻辑”。

和Spring Cloud对比下来,go-zero还有一个非常实际的优势:它用Go写。Java系微服务跑起来,动不动几百MB内存,冷启动几秒钟,在云原生环境里Kubernetes弹个Pod还要等半天。Go编译出来是一个静态二进制,内存占用可能只有Java服务的零头,启动时间按毫秒算。我们团队把某个核心查询服务从Spring Cloud迁移到go-zero之后,单机QPS大概提升了三倍,内存占用下降了一半以上。这个数字和业务有关,不算绝对,但足以说明选型上的差距。

1.2 用goctl从零生成一个微服务模块的完整过程

go-zero的使用路径很“工程化”,核心是先写API定义,再用goctl生成代码。我第一次用的时候,整个过程比我预想的顺得多。

先安装goctl。Go环境已经装好的情况下,一条命令就行:

BASH
go install github.com/zeromicro/go-zero/tools/goctl@latest

然后创建一个用户服务模块:

BASH
goctl api new user

这条命令会生成一个名为user的项目目录,里面包含了main.go、handler、logic、etc配置等一套完整骨架。接着定义user.api文件,比如一个登录接口:

GO
syntax = "v1"
 
type LoginRequest struct {
Username string `json:"username"`
Password string `json:"password"`
}
 
type LoginResponse struct {
Token string `json:"token"`
}
 
service user-api {
@handler login
post /user/login (LoginRequest) returns (LoginResponse)
}

写完接口定义,再执行:

BASH
goctl api go -api user.api -dir .

命令跑完之后,项目目录里会自动生成路由注册、请求参数解析、响应封装等一系列代码。我要做的事情只剩下打开logic/loginLogic.go,在里面写真正的登录判断逻辑。对团队来说,这种方式还有一个隐藏好处:不同成员生成的代码结构完全一样,代码评审不用再争论“这个包应该放哪”。

如果需要加一个RPC服务,goctl的proto生成同样方便,一条命令就能从protobuf定义生成可注册到etcd的RPC服务代码:

BASH
goctl rpc protoc user.proto --go_out=. --go-grpc_out=. --zrpc_out=. --style=go_zero

生成之后,服务自动具备go-zero的日志、监控埋点、熔断恢复等能力。我们内部做新模块时,基本就是“定义接口 -> 生成代码 -> 填业务 -> 注册到网关”四步走。

1.3 生产环境中的限流、熔断配置与常见坑

go-zero内置的限流和熔断,用起来比很多独立组件更省心。在etc/user-api.yaml里可以这样配:

YAML
Name: user-api
Host: 0.0.0.0
Port: 8888
MaxConns: 10000
Timeout: 3000

其中MaxConns限制最大并发连接数,超过直接拒绝,相当于一层入口限流。Timeout控制请求最大处理时间,超时会返回默认错误。更精细的令牌桶限流,go-zero里也有封装,可以在路由中间件里按业务维度去配。

RPC调用层面的熔断,go-zero默认帮你开了断路器。当一个下游服务连续出错的占比超过阈值,调用方会快速失败,而不是继续把请求打到底层,给下游留出恢复时间。这个机制非常关键:微服务系统里最怕的不是某个服务挂掉,而是挂掉之后所有上游还在不停重试,最后把整个调用链拖垮。

实际用下来,我踩过几个坑。第一,goctl版本和go-zero的Go依赖版本必须保持一致,否则自动生成的代码可能会出现编译错误。建议每次升级都用goctl最新版重新生成一遍,或者锁版本。第二,Timeout不能拍脑袋设置。如果业务里有慢SQL,比如某个查询要两秒,Timeout设置成1000毫秒就会导致大量请求超时。我一般是先压测,观察P99响应时间,再留40%到50%的余量给Timeout。第三,服务注册到etcd后,要注意每个实例的Key配置必须唯一,否则不同副本会互相覆盖注册信息,造成请求被路由到已经下线的实例上。这个问题表现很隐蔽,通常是压测时突然大量报连接失败,查半天才发现是Key重复。

2. 蚁群算法路径优化实操:用scikit-opt里的ACO跑通TSP问题

2.1 原理一句话说清:蚂蚁是用信息素“聊”出最短路的

蚁群算法听起来玄乎,原理其实很朴素。蚂蚁从巢穴出发找食物,最初是随机乱走,但只要走出一条路径,就会在路径上释放信息素。路径越短,往返越快,信息素积累越浓;后来蚂蚁更愿意走高信息素浓度的路径,于是这条路径被不断强化,最终收敛成近似最短路。

生活里也有类似现象:一片草坪上,如果大家都从同一个斜角穿过去,踩得多了,那里就会形成一条清晰的小路。即便有人最初走过几条不同路线,最后最常被踩的那条往往会成为事实上的主路。蚁群算法就是把这个过程数字化:蚂蚁代表候选解,信息素代表路径优劣的反馈,信息素挥发机制防呆——如果某条路径不再被走,信息素慢慢散去,算法就不容易死守局部最优。

在路径优化场景里,最经典的问题是TSP(旅行商问题):给定若干个城市,找一条访问所有城市且回到起点、总距离最短的回路。这问题看着简单,城市一多,组合爆炸非常吓人,30个城市就有天文数字级别的排列组合。蚁群算法不追求理论上绝对最优,而是用较少的计算量给出一个工程上足够好的近似解。做配送路线、巡检路线、上学路线规划,它都适用。

2.2 开源实现怎么选:scikit-opt、acopy、自研仓库对比

GitHub上蚁群算法路径优化的开源实现不少,参数和API各不相同。我自己比较常用的是scikit-opt,因为它不仅仅实现了蚁群算法,还封装了遗传算法、粒子群、模拟退火等一堆优化算法,API风格统一,适合快速验证。另外很多热门的ACOTSP仓库也值得收藏,但要看维护活跃度。

方案 语言 特点 适用场景
scikit-opt Python 算法全家桶,ACO/GA/PSO都有,文档和示例丰富 快速原型、教学、中小规模TSP/VRP
acopy Python 专注ACO,接口极简,依赖少 只想用纯ACO的项目,需要自己扩展细节
GitHub上的TSP专题仓库 多种 通常带可视化演示和论文复现 研究算法参数、写论文、教学演示
自己实现ACO Go/C++ 性能可控,能针对业务做定制 生产级调度引擎,需要高并发或低延迟

对大多数想先跑通效果的同学,我建议直接上scikit-opt。它的安装很简单:

BASH
pip install scikit-opt

它把蚂蚁数量、信息素挥发系数、迭代次数这些参数都暴露成了构造参数,不用自己改太多代码就能看到结果。

2.3 一段能直接跑的TSP求解示例

下面这个例子,我用10个随机城市坐标,调用scikit-opt里的ACA_TSP求解最短路程:

PYTHON
import numpy as np
from sko.ACA import ACA_TSP
 
# 10个城市的平面坐标
points = np.array([
[0, 0], [10, 5], [3, 8], [7, 3],
[5, 9], [8, 12], [2, 15], [14, 7],
[11, 4], [6, 1],
])
 
# 计算城市间两两距离矩阵
distance_matrix = np.sqrt(
((points[:, None, :] - points[None, :, :]) ** 2).sum(axis=-1)
)
 
# 给定一个访问顺序,计算回路总距离
def cal_total_distance(routine):
dist = 0
for i in range(len(routine) - 1):
dist += distance_matrix[routine[i], routine[i + 1]]
dist += distance_matrix[routine[-1], routine[0]] # 回到起点
return dist
 
aca = ACA_TSP(
func=cal_total_distance,
n_dim=points.shape[0],
size_pop=50,
max_iter=200,
distance_matrix=distance_matrix,
)
 
best_x, best_y = aca.run()
print("最优访问顺序:", best_x)
print("最短回路距离:", best_y)

跑完结果里,best_x是一组城市编号的顺序,比如[0, 1, 8, 3, 9, 2, 5, 6, 4, 7],best_y是对应的回路总距离。如果想看路线长什么样,可以接着用matplotlib画出来:

PYTHON
import matplotlib.pyplot as plt
 
order = best_x
ordered_points = points[order]
plt.plot(ordered_points[:, 0], ordered_points[:, 1], 'o-')
plt.plot([ordered_points[-1, 0], ordered_points[0, 0]],
[ordered_points[-1, 1], ordered_points[0, 1]], 'r--')
plt.title("ACO TSP Result")
plt.show()

我自己第一次跑通的时候,最直观的感受是:这个库把算法核心封装得很干净,明白每个参数的含义之后,几乎不需要读源码就能做实验。

2.4 调参才是关键:挥发系数、蚂蚁数量、迭代次数怎么设

蚁群算法“能用”和“好用”之间隔着一个调参的坎。我实际测试下来,影响最大的是信息素挥发系数和蚂蚁数量。

信息素挥发系数通常用rho表示,取值一般在0.1到0.5之间。rho越大,历史信息素消失越快,算法越容易接受新路径,但也容易震荡,收敛不稳定;rho越小,历史路径影响越久,收敛快但有卡在局部最优的风险。我一般从0.3起步,效果不好再往两个方向微调。

蚂蚁数量size_pop,相当于每一轮同时尝试多少个候选解。蚂蚁太少,搜索覆盖不足;蚂蚁太多,单轮计算量大。对几十个城市的TSP,我通常取城市数量的1到2倍。如果看到前几十轮就收敛但结果不太理想,大概率是蚂蚁数量设小了,导致全局探索不够。

迭代次数max_iter,同样是纠结点。城市少的时候200到500次足够,城市到100个以上,几千次也不奇怪。我的习惯是先跑一次看收敛曲线,设置一个比较大的迭代数,同时打印每轮最优距离,然后从曲线进入平台期的位置反推合理迭代数,这样不用盲目调。

另一个容易忽略的点是alpha和beta,分别代表信息素浓度和距离启发信息的权重。alpha太高,容易过度相信历史;beta太高,容易退化成贪心最近邻。典型取法alpha=1,beta=2到5。不过很多开源项目的默认值已经比较合理,我建议先跑一遍,再动这两个参数。

2.5 从TSP扩展到VRP:带容量约束的配送路线怎么处理

实际做配送路径优化时,往往不是单纯TSP,而是带容量约束的VRP:一辆车最多装多少件货、司机一天最多跑多少公里,每个点的需求量还不一样。很少有人真的从零写一个VRP蚁群算法,更实用的做法,是在ACO求出的TSP整体顺序上,再按容量约束切分成多个子回路。

举个例子:有一辆车的装载上限是100件,已经算出了遍历10个配送点的最优顺序。接下来按顺序累加每个点的需求量,累加到接近100就断开,把这一段作为一辆车的路线。这样做虽然不是数学上的全局最优,但实现成本极低,而且往往比手排路线好很多。GitHub上很多VRP项目也是类似的思路:外层用ACO或GA找总顺序,内层用贪心切分车辆路线。对于大多数中小规模的业务场景,这个组合已经够用了。

3. MarkItDown:微软开源的Markdown转换工具,文档处理的实用加速器

3.1 它到底解决什么问题

做AI应用或者内容处理的时候,最烦的就是文档格式五花八门:PDF、Word、Excel、PPT、图片、音频,各有各的解析库。pdfplumber能提文本但表格容易乱,python-docx要单独处理,openpyxl又要另一套API。如果每个格式都自己接一遍,光写兼容层就要好几天。

微软开源的MarkItDown项目,把这些问题收敛成了一个很明确的工具:把各种文件统一转换成Markdown。它在GitHub上更新很活跃,微软自己也把它定位成AI应用里“文档预处理”的一环。对大模型来说,干净、结构化的文本是后续一切工作的基础,MarkItDown的定位就是让你少跟二进制格式较劲。

3.2 安装与最快上手命令

安装非常简单,基础版本直接装就行:

BASH
pip install markitdown

如果还想要图片OCR和音频转文字能力,安装完整依赖:

BASH
pip install "markitdown[all]"

命令行使用是它最爽的地方。装完以后,一条命令就能把文件转成Markdown:

BASH
markitdown input.pdf > output.md
markitdown input.docx > output.md
markitdown input.xlsx > output.md
markitdown input.pptx > output.md

我最常用的是PPT转Markdown。以前做会议纪要和方案整理,经常要手动打开几十页PPT复制文字,现在直接一条命令,所有标题和正文变成md文件,再进知识库或者丢给大模型做摘要都方便很多。

3.3 Python API与RAG知识库里的正确用法

在代码里调用同样不复杂:

PYTHON
from markitdown import MarkItDown
 
md = MarkItDown()
result = md.convert("project_plan.pdf")
text = result.text_content
print(text)

注意,result.text_content拿到的是Markdown文本,不是纯文本。这意味着标题、列表、表格标记都保留了。对于RAG(检索增强生成)场景,这个结构非常有用。我在实际项目中,拿到Markdown文本后会先按标题和段落做结构切分,再把每个块做文本清洗、去重、向量化,最后建索引。相比直接喂PDF提取出的混乱文本,这种方式检索命中率高不少。

我自己做过一个对比:同一天收到的Excel表格,用开源项目里的普通表格解析库处理,表头经常被拆碎;而MarkItDown转换后,表格直接变成Markdown表格,表头和行列关系一目了然。后续无论是交给大模型还是做规则提取,都省了很多功夫。

3.4 我在实际使用中遇到的坑

这个工具很实用,但也不是万能。

一是扫描版PDF需要OCR。如果PDF本身是图片扫描件,不加OCR能力的话,MarkItDown转出来只有空壳。完整的[all]依赖里整合了图片内容提取能力,但本机通常还需要装tesseract这类OCR基础组件,这个属于系统级依赖,容易在部署环境里被忽略。

二是不建议拿它处理超大PDF。我试过直接转换几百页的文件,耗时会明显变长,而且中途一旦内存不够,整个进程就挂了。稳妥的做法是先按页拆分成小文件,再分批转换,最后合并结果。

三是Markdown表格列数过多时,转换结果在文件里会显得非常长。遇到报表类文件,我在转换后面还会加一层后处理,把超长表格拆成多段。保持原来的结构完整固然重要,但检索的时候嵌到向量库里的块太大会影响精度。

四是版本锁定问题。markitdown[all]的依赖树比较重,每次升级都可能出现某个子依赖不兼容的情况。我的做法是在项目里固定一个经过验证的版本,不频繁追新,除非新版本明确修了某个我需要的问题。

4. 三款项目的联动场景,以及我判断“是否值得收藏”的标准

4.1 一个真实可做的组合演示:订单导入、路径规划、微服务接口

单个项目再好,能组合起来解决问题才算真的发挥了价值。我自己设想过一个组合场景:用go-zero搭一个配送订单服务,前端上传Excel订单表,服务端先用MarkItDown把Excel转成Markdown或文本,再解析出各配送点的坐标和需求量,接着调用scikit-opt的蚁群算法算出配送路径,最后把结果存库并返回到前端页面展示。

这个链路把三款项目恰好用到了各自最合适的位置:go-zero负责对外提供稳定接口和和整个微服务的基础治理,MarkItDown负责把非结构化文件快速转换为可用于解析的文本,ACO负责最核心的路线优化计算。整个方案不需要引入重型大数据平台,在一台普通开发机上就能跑起来。对想从零做一个“AIoT调度平台”演示版本的同学,这套组合的适配度很高。

实际搭的时候,要注意三个服务的依赖关系:go-zero接口层只管接收请求和返回结果,路径优化部分建议作为一个独立服务或独立进程运行,不要和API层混在一起,否则耗时长的优化计算会拖垮接口响应。MarkItDown转换属于CPU密集操作,也建议丢到异步任务队列里,而不是在同步请求里直接做。

4.2 部署和二次开发时容易踩的坑

这三个项目放一起,踩坑的典型规律是“分类讨论”。

go-zero这边的坑主要集中在版本配套。goctl、go-zero库、protoc插件三者的版本必须保持一致,我碰到过生成代码能跑但一加新的RPC服务就编译报错的情况,后来发现是goctl版本偏老,生成的文件缺少新字段。升级后问题消失。

scikit-opt这边的坑主要在数据格式上。ACA_TSP要求distance_matrix必须是二维数组,坐标用整数还是浮点数不影响结果,但如果是经纬度坐标,不能直接用平面的欧氏距离算,得先做坐标投影或者转成球面距离。很多人跑出来的路线是乱的,不是算法不对,而是距离矩阵本身就算错了。

MarkItDown这边的坑主要是依赖重和OCR环境。装[all]时如果压测网络不稳定,很容易装到一半失败。解决办法是先把核心依赖装好,再按需补OCR和音频模块。部署到服务器时,还要特别注意系统里有没有对应的字体和OCR语言包,否则中文PDF转换出来可能是乱码。

4.3 我筛选开源项目的四层过滤法

收藏夹里项目的数量不等于生产力。我筛选GitHub开源项目有一套自己的标准,核心是四层过滤。

第一层看生命力。Star数是参考但不是唯一标准,我重点看最近三个月有没有维护记录,issues里是否有人持续提问并得到回复。一个项目如果半年不更新,大概率已经处于“能用但不适合新项目使用”的状态。

第二层看使用成本。文档全不全、有没有可运行的示例、安装步骤是否简单直接。像go-zero有官方文档和示例代码,scikit-opt有中文文档,MarkItDown有详细README,这种使用成本低,收藏后能快速上手。文档绕三圈看不懂的,除非技术真的极强,否则很容易被闲置。

第三层看依赖约束。有些开源项目漂亮是漂亮,但强依赖特定的云平台、商业组件、外部服务,这类项目我一般只在团队确认能接受这些约束的情况下才考虑。开箱即用的工具更符合“收藏即能用”的需求。

第四层看License。商用场景下,License必须清晰。MIT、Apache-2.0这类宽松协议是首选,GPL类协议要慎重,因为可能会污染自己项目的代码。这个细节很多人会忽略,等产品上线前做法务审查才发现,那才是最难受的。

这三款GitHub开源项目放在一起,我个人最大的体会是:一个项目能否“收藏后真正用起来”,关键不在于它有多酷,而在于它解决的是不是你在真实工作中会遇到的问题。go-zero解决架构层的效率和稳定,蚁群算法解决调度优化里的具体计算,MarkItDown解决AI应用里的文档入口,正好覆盖了从业务后端到智能决策再到数据清洗的完整链路。最后再分享一个小习惯:我收藏项目后一定会在三天内跑到一个最小Demo,跑不起来的项目即使Star再多也会被我从收藏夹清掉。这个标准帮我过滤掉了很多“看起来惊艳但实际维护惨淡”的仓库,也让我真正从GitHub开源项目里拿到了稳定的生产力。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
解决2020R2,2022R1等版本的SCDM无法编辑草图尺寸的问题
解决2020R2,2022R1等版本的SCDM无法编辑草图尺寸的问题
普通的晓学生