采用开源软件搭建WebGIS系统(2)最简单的Demo

简介:


[本文版权由xiaotie@vip.sina.com所有,转载需得到作者同意。] 

1.       先安装j2sdk-1_4_2_04-windows-i586-p.exe(假设安装在C:\j2sdk1.4.2_04),设置环境变量JAVA_HOME=C:\j2sdk1.4.2_04;再安装jai-1_1_2_01-lib-windows-i586-jdk.exe;再安装jakarta-tomcat-5.0.28.exe;再安装GeoServer。 

        GeoTools呢?怎么没看到GeoTools呢?看看GeoServer安装目录可以发现,GeoTools已经在里面啦。看看GeoServer API就可以发现,GeoServer就是通过GeoTools访问数据源,处理geo查询的。 
2.       Tomcat+geoserver配置:

 在$TomcatHome/conf/server.xml配置文件中</host>节前添加一行配置

<Context path="/geoserver" docBase="D:\Program Files\GeoServer\server\geoserver" debug="0" reloadable="true" crossContext="true"></Context> 
注:我把geoserver安装在D盘。 
这样就可以通过http://localhost:[port]/geoserver来访问geoserver。 
geoserver非常好用,具体怎么用看文档就行了。界面如下: 
 

3.       Geoserver中Web Map Service的配置:

在$geoserverHome/server/geoserver/data/featureType文件夹下放置需要的ShapeFile,然后修改$geoserverHome/server/geoserver/WEB-INF文件夹下的catalog.xml配置文件,在<datastores></datastores>节中添加配置:

<datastore id="bc_shapefile"

               enabled="true"

               namespace="topp">

      <description>British Columbia sample road shapefiles</description>

      <connectionParams>

        <!-- For now the url value is relative to where GeoServer moves the -->

        <!-- featureTypes directory.  Everything in featureTypes moves to   -->

        <!-- data, so just put the relative location.  -->

        <parameter name="url"

                   value="file:data/featureTypes/bc_roads/bc_roads.shp"/>

      </connectionParams>

</datastore>

这样就添加了一个图片的配置。通过http://localhost:[port]/geoserver/wms?request=GetMap&layers=bc_roads&bbox=[minX,minY,maxX,maxY]&width=[width]&height=[height]&srs=[CRS]&styles=[style]&Format=[mimeType] 就可以访问该图片。 
[ ]中间是要根据数据源配置的内容。 
GeoServer文档中提供的Demo采用的是已经配置好的shp文件。如通过http://localhost:8080/geoserver/wms?bbox=-130,24,-66,50&styles=population&Format=image/png&request=GetMap&layers=states&width=550&height=250&srs=EPSG:4326,可以得到: 

本文转自xiaotie博客园博客,原文链接http://www.cnblogs.com/xiaotie/archive/2005/05/05/149666.html如需转载请自行联系原作者


xiaotie 集异璧实验室(GEBLAB)

相关文章
|
4月前
|
机器学习/深度学习 存储 缓存
大模型推理加速技术:PagedAttention原理与实现
本文深入解析大语言模型推理中的革命性技术——PagedAttention,该技术是vLLM推理引擎的核心创新。通过将操作系统中的虚拟内存分页概念引入注意力机制,PagedAttention有效解决了KV缓存的内存碎片问题,实现了近乎零浪费的KV缓存管理。文章详细阐述其原理、内存管理机制、实现细节,并提供完整的代码示例和性能分析。
563 1
|
4月前
|
Web App开发 资源调度 算法
Fresnel变换的详解
菲涅耳变换是描述光波近场衍射的核心工具,由法国物理学家菲涅耳提出,用于精确刻画光通过孔径后的传播行为。它在傍轴近似下将衍射积分转化为含二次相位因子的傅里叶形式,广泛应用于激光传输、全息成像与光学系统设计。该变换介于精确的瑞利-索末菲积分与远场的夫琅禾费衍射之间,体现了波动光学的基本特征。
775 5
|
5月前
|
人工智能 搜索推荐 大数据
AI赋能销售管理:珍客CRM引领销售效能革新,解锁高效增长
在数字化浪潮下,以AI技术为核心,珍客CRM融合智能获客、跟进、客户管理与数据复盘,赋能企业实现销售全流程智能化升级,助力突破增长瓶颈,引领AI时代销售新变革。
|
机器学习/深度学习 人工智能 数据挖掘
AI4Science之分子材料成像调研洞察
分子成像在材料科学中意义重大,通过位形空间、频率空间和光谱学等成像方法,揭示材料微观结构与动态变化。结合AI技术,可深入理解材料特性,解决能源、环境等问题。然而,该领域数据复杂,尚无统一的数据集和Benchmark,模型也处于初期阶段。本文从成像方法、任务类型、机器学习模型、数据集与Benchmark、Python工具包及通用模型等多个维度进行了调研,探讨了多模态数据利用、大规模数据集构建等关键问题,并列举了相关参考论文。
|
8月前
|
API Python
VIN码查询API的实战指南:获取二手车信息以Python为例
随着机动车保有量上升,中国二手车市场迎来发展机遇。本文介绍如何通过VIN码查询API获取车辆详细信息,提升交易透明度与安全性。
279 1
|
数据采集 SQL JSON
《花100块做个摸鱼小网站! 》第五篇—通过xxl-job定时获取热搜数据
本文介绍了使用XXL-Job组件优化热搜数据定时更新的方法,实现了包括阿里云服务器部署、代码库下载、表结构初始化及启动等步骤,并详细展示了如何通过注解配置爬虫任务。文中通过具体示例(如抖音热搜)展示了如何将`@Scheduled`注解替换为`@XxlJob`注解,实现更灵活的任务调度。此外,还优化了前端展示,增加了热搜更新时间显示,并提供了B站热搜爬虫的实现方案。通过这些改进,使得热搜组件不仅功能完善,而且更加美观实用。详细代码可在作者提供的代码仓库中查看。
269 7
|
前端开发 JavaScript Java
【实操】SpringBoot监听Iphone15邮件提醒,Selenium+Python自动化抢购脚本
本文介绍了一个结合SpringBoot和Python的实用功能,旨在监控iPhone 15的库存状态并通过邮件提醒用户。系统采用SpringBoot监听苹果官网API,解析JSON数据判断是否有货,并展示最近的库存记录。此外,还能自动触发Selenium+Python脚本实现自动化购买。文中详细介绍了技术栈、接口分析、邮件配置及自动化脚本的设置方法。该项目不仅适用于熟悉后端开发的人员,也适合回顾Layui和Jquery等前端技术。
393 0
【实操】SpringBoot监听Iphone15邮件提醒,Selenium+Python自动化抢购脚本
|
10月前
|
存储 监控 算法
员工电脑监控场景下 Python 红黑树算法的深度解析
在当代企业管理范式中,员工电脑监控业已成为一种广泛采用的策略性手段,其核心目标在于维护企业信息安全、提升工作效能并确保合规性。借助对员工电脑操作的实时监测机制,企业能够敏锐洞察潜在风险,诸如数据泄露、恶意软件侵袭等威胁。而员工电脑监控系统的高效运作,高度依赖于底层的数据结构与算法架构。本文旨在深入探究红黑树(Red - Black Tree)这一数据结构在员工电脑监控领域的应用,并通过 Python 代码实例详尽阐释其实现机制。
217 7
|
机器学习/深度学习 人工智能 编译器
【AI系统】死代码消除
死代码消除是一种编译器优化技术,旨在移除程序中不会被执行的代码,提升程序效率和资源利用。通过分析控制流图,识别并删除不可达操作和无用操作,减少不必要的计算。在传统编译器中,主要通过深度优先搜索和条件分支优化实现;而在AI编译器中,则通过对计算图的分析,删除无用或不可达的计算节点,优化模型性能。
464 3
|
机器学习/深度学习 算法 Python
随机森林算法是一种强大的集成学习方法,通过构建多个决策树并综合其结果进行预测。
随机森林算法是一种强大的集成学习方法,通过构建多个决策树并综合其结果进行预测。本文详细介绍了随机森林的工作原理、性能优势、影响因素及调优方法,并提供了Python实现示例。适用于分类、回归及特征选择等多种应用场景。
936 7

热门文章

最新文章