前后端自动生成代码工具

简介: 前后端自动生成代码工具

后端自动生成代码

MyBatis-x

OU3157R47FTATE(J7`~ZEKQ.png

插件是免费的,使用它可以快速根据数据表生成通用的数据访问 service、mapper、entity 代码:

U9AA18ZNSE(L`7T_%_@IJ)4.png

使用Mabatis -plus

打开新建的表,右击

KF~M$GD$)}926UBTM@6WL7H.png

点击MybatisX-Generator

点击MybatisX—Generator>>

3N{G%~YU3EWMQ]EEY@~{HX3.png

点击下一步

YUM9MI7MAW]T]}GHP7[I3DE.png

根据版本跟需要打勾,打完,点击完成

查看目录

VQ7C}{8Q5BGIEME$HX`OJZ5.png

自动生成成功

转移文件

将里面的文件移到我们自己对应的包下

可能还需要重构一下 ,改成自己的

(D2O1Y8N12KOFCTHEXM7]2G.png

这里面也有自动生成的xml,也需要更改

[~I_3A65YTKIO25%JSRSX6C.png

改成我们复制过后的路径

Mabatis -plus使用完毕

前端代码自动生成

Ant Design Pro 的 openapi 插件就提供了这个能力,只要我们的后端项目提供一个遵循 openAPI 接口规范 的接口文档(比如使用 Swagger 或 Knife4j 自动生成接口文档)插件就能根据这个文档自动生成代码


使用 oneapi 插件自动生成

如果要前端自动生成,需要将后端的遵循openapi规范的json文档

后端的遵循openapi规范的json文档

后简遵循**openapi**规范的文<md—plain></md—plain>

YUIS9JXFL(`QO8@]OLV%(L3.png

}ROZ18S5){VPI8PT]MN72WY.png

打开config.ts 找到openApi

66M)8I(WA1~[N4F}0Y1WYP2.png

我们只需要一个 ,删除一个

1QWPC0OGBJ3N]C$4RGTEP9I.png

修改内容

我使用的第二种

C1@V50L@F@FJ~U$U2H5]FUY.png

测试一下是否能用

找到package.json,执行openapi命令

AD44E(3CIIAYPBW8O~YWWKH.png

{3U(~[Y%LXRN18HCW1@NTOL.png

执行成功,我们去service看一下

目录
相关文章
|
Linux 网络安全 数据安全/隐私保护
SoftEther软件搭建
SoftEther软件搭建
441 0
|
消息中间件 Linux RocketMQ
【RocketMq】RocketMq 4.9.4 Windows-docker 部署
【RocketMq】RocketMq 4.9.4 Windows-docker 部署
641 0
【RocketMq】RocketMq 4.9.4 Windows-docker 部署
|
11月前
|
机器学习/深度学习 自然语言处理 算法
RAPTOR:多模型融合+层次结构 = 检索性能提升20%,结果还更稳健
本文探讨了通过多模型集成技术提升信息检索系统性能的方法,重点介绍了RAPTOR框架。RAPTOR通过构建层次化的信息组织结构和递归摘要技术,显著提高了检索系统的性能和适应性。研究建立在RAG Fusion技术基础上,旨在提供更全面的信息检索解决方案。
775 2
RAPTOR:多模型融合+层次结构 = 检索性能提升20%,结果还更稳健
|
算法 Serverless
Neo4j支持模糊匹配吗
Neo4j支持模糊匹配吗
457 6
|
11月前
|
监控 网络安全 调度
Quartz.Net整合NetCore3.1,部署到IIS服务器上后台定时Job不被调度的解决方案
解决Quartz.NET在.NET Core 3.1应用中部署到IIS服务器上不被调度的问题,通常需要综合考虑应用配置、IIS设置、日志分析等多个方面。采用上述策略,结合细致的测试和监控,可以有效地提高定时任务的稳定性和可靠性。在实施任何更改后,务必进行充分的测试,以验证问题是否得到解决,并监控生产环境的表现,确保长期稳定性。
609 1
|
SQL 前端开发 JavaScript
基于若依框架实现前后端分离代码自动生成
基于若依框架实现前后端分离代码自动生成
2777 0
|
存储 数据库 数据库管理
SQLite支持哪些数据类型?
【7月更文挑战第31天】SQLite支持哪些数据类型?
1140 8
|
前端开发 搜索推荐 API
【Prompt Engineering:ReAct 框架】
ReAct 框架由 Yao 等人(2022)提出,结合大语言模型(LLMs)生成推理轨迹与任务操作,交替进行推理与行动。此框架允许模型与外部环境(如知识库)互动,以动态更新操作计划并处理异常。ReAct 在语言和决策任务上表现优异,提升模型的人类可解释性和可信度。研究显示,ReAct 优于多个基准模型,尤其在结合链式思考时效果最佳。通过实例演示,ReAct 能有效整合内外部信息,优化推理过程。
669 9
【Prompt Engineering:ReAct 框架】
|
人工智能 自然语言处理
如何使用 Co-STAR 模型来设计提示词
如何使用 Co-STAR 模型来设计提示词
1452 0
uniapp上传图片
uniapp上传图片
284 0