application.yml的集合写法在application.properties怎么写

简介: application.yml的集合写法在application.properties怎么写

配置类:



/**
 * @author <a href="https://github.com/binarywang">Binary Wang</a>
 */
@Data
@Component
@ConfigurationProperties(prefix = "wx.miniapp")
public class WxMaProperties {

    private List<Config> configs;

    @Data
    public static class Config {
        /**
         * 设置微信小程序的appid
         */
        private String appid;

        /**
         * 设置微信小程序的Secret
         */
        private String secret;

        /**
         * 设置微信小程序消息服务器配置的token
         */
        private String token;

        /**
         * 设置微信小程序消息服务器配置的EncodingAESKey
         */
        private String aesKey;

        /**
         * 消息格式,XML或者JSON
         */
        private String msgDataFormat;
    }

}

application.yml


wx:
  miniapp:
    configs:
      - appid: xxx #微信小程序的appid
        secret: xxx #微信小程序的Secret
        token: xxx #微信小程序消息服务器配置的token
        aesKey: xxx #微信小程序消息服务器配置的EncodingAESKey
        msgDataFormat: JSON

测试类输出:






@RunWith(SpringRunner.class)
@SpringBootTest
public class PropertiesTest {

    @Autowired
    private WxMaProperties properties;


    @Test
    public void getProperties() {
        List<WxMaProperties.Config> configs = properties.getConfigs();
        System.out.println(configs);
    }
}

结果:

[WxMaProperties.Config(appid=xxx, secret=xxx, token=xxx, aesKey=xxx, msgDataFormat=JSON)]

application.properties写法:

wx.miniapp.configs[0].appid = xxx

wx.miniapp.configs[0].secret    = xxx

wx.miniapp.configs[0].token = xxx
wx.miniapp.configs[0].aesKey = xxx
wx.miniapp.configs[0].msgDataFormat = JSON

测试类输出结果:

[WxMaProperties.Config(appid=xxx, secret=xxx, token=xxx, aesKey=xxx, msgDataFormat=JSON)]

解释:
application.yml里的 每一个 “-” 可以理解为一个对象。对象里有 appid、secret、 token、aesKey、msgDataFormat 这些属性。

这种写法在application.properties可以用[0] 来代替。我们知道,数组下标从0开始,因此,[数字]里的每一个数字就相当于application.yml里的一个 “-”。

相关实践学习
通过轻量消息队列(原MNS)主题HTTP订阅+ARMS实现自定义数据多渠道告警
本场景将自定义告警信息同时分发至多个通知渠道的需求,例如短信、电子邮件及钉钉群组等。通过采用轻量消息队列(原 MNS)的主题模型的HTTP订阅方式,并结合应用实时监控服务提供的自定义集成能力,使得您能够以简便的配置方式实现上述多渠道同步通知的功能。
消息队列 MNS 入门课程
1、消息队列MNS简介 本节课介绍消息队列的MNS的基础概念 2、消息队列MNS特性 本节课介绍消息队列的MNS的主要特性 3、MNS的最佳实践及场景应用 本节课介绍消息队列的MNS的最佳实践及场景应用案例 4、手把手系列:消息队列MNS实操讲 本节课介绍消息队列的MNS的实际操作演示 5、动手实验:基于MNS,0基础轻松构建 Web Client 本节课带您一起基于MNS,0基础轻松构建 Web Client
目录
相关文章
|
4月前
|
人工智能 缓存 自然语言处理
阿里云阿里云千问模型详解:性能优势、行业场景、价格明细与上手教程
阿里云千问大模型(原通义千问)是阿里云自研的通用人工智能大模型,定位为“会聊天、能办事”的全能AI助手,覆盖个人、企业、开发者全场景,是国内主流开源+商用双轨并行的头部大模型之一。依托阿里云飞天云计算平台与PAI全链路AI能力,千问以强大的语言理解、多模态交互、超长上下文处理与高效推理能力为核心,提供从模型调用、微调、部署到应用开发的一站式服务,助力千行百业快速落地AI应用。本指南从模型核心优势、版本矩阵、适用场景、价格体系到使用教程,提供全方位解析,帮助用户快速了解并高效使用千问大模型。
2081 0
|
Java 区块链 Maven
关于引入maven项目后出现‘parent.relativePath’ of POM错误时的解决方法
关于引入maven项目后出现‘parent.relativePath’ of POM错误时的解决方法
948 3
|
Java Maven
解决idea每次新建maven项目都需要重新配置maven的问题
解决idea每次新建maven项目都需要重新配置maven的问题
1054 2
|
存储 缓存 NoSQL
Redis多级缓存指南:从前端到后端全方位优化!
本文探讨了现代互联网应用中,多级缓存的重要性,特别是Redis在缓存中间件的角色。多级缓存能提升数据访问速度、系统稳定性和可扩展性,减少数据库压力,并允许灵活的缓存策略。浏览器本地内存缓存和磁盘缓存分别优化了短期数据和静态资源的存储,而服务端本地内存缓存和网络内存缓存(如Redis)则提供了高速访问和分布式系统的解决方案。服务器本地磁盘缓存因I/O性能瓶颈和复杂管理而不推荐用于缓存,强调了内存和网络缓存的优越性。
1735 47
|
数据安全/隐私保护 Windows
Win10 22H2企业级纯净部署|UEFI引导+磁盘分区(含官方镜像文件)
本教程详细介绍了如何安装纯净版Windows 10系统。首先,下载官方镜像文件(win_10_x64.iso),包含家庭版与专业版。接着,格式化U盘为NTFS文件系统,并使用Rufus软件将镜像写入U盘。根据电脑品牌选择正确的快捷键进入U盘启动模式,如联想F12、惠普F9等。启动后,按提示设置语言、版本、分区等信息,完成安装需15-30分钟。最后配置用户名、密码及安全问题即可。适合新手操作,助你轻松装机!
4729 20
Win10 22H2企业级纯净部署|UEFI引导+磁盘分区(含官方镜像文件)
|
Java BI 调度
SpringBoot整合XXLJob
XXLJob是一个分布式任务调度平台,优点:开发迅速、学习简单、轻量级、易扩展。是大众点评员工xxl创建并维护,基于 GPL-3.0 开源,可放心商用,目前已经拥有庞大的使用群体。 简单来说,就是一个定时任务中间件,类似的产品有当当网开源的Elastic-Job。
2913 135
SpringBoot整合XXLJob
|
开发工具 芯片 开发者
鸿蒙Flutter实战:12-使用模拟器开发调试
本文介绍了如何在 M 系列芯片的 Mac 电脑上使用模拟器进行鸿蒙 Flutter 开发和调试。主要内容包括:创建 Flutter 项目、签名、创建模拟器、运行 Flutter 项目以及常见问题的解决方法。适用于希望在鸿蒙系统上开发 Flutter 应用的开发者。
955 2
鸿蒙Flutter实战:12-使用模拟器开发调试
|
数据可视化 API 开发者
R1类模型推理能力评测手把手实战
随着DeepSeek-R1模型的广泛应用,越来越多的开发者开始尝试复现类似的模型,以提升其推理能力。
1637 2
|
自然语言处理 物联网 API
使用CAMEL和Unsloth进行数据生成与Qwen模型微调
本项目结合CAMEL和Unsloth,生成高质量训练数据并对Qwen 7B模型进行微调,提升其在特定内容上的理解和生成能力。我们使用CAMEL生成指令-输入-输出三元组数据,并通过Unsloth的LoRA技术加速微调过程。详细步骤包括环境准备、API密钥设置、模型加载与配置、数据生成与保存、模型训练及推理。最终,微调后的Qwen 7B模型能更好地处理CAMEL社区相关文本。 更多详情请参考: - [CAMEL GitHub](https://github.com/camel-ai/camel)

热门文章

最新文章