CTPN+CRNN算法端到端实现文字识别的实战开发

article/2025/11/2 15:28:03

本文分享自华为云社区《CTPN+CRNN 算法端到端实现文字识别》，作者：HWCloudAI。

OCR介绍

光学字符识别（英语：Optical Character Recognition，OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。发展时间较长，使用很普遍。OCR作为计算机视觉中较早使用深度学习技术的领域，有很多优秀的模型出现。普遍的深度学习下的OCR技术将文字识别过程分为：文本区域检测以及字符识别。

文本区域检测——CTPN模型

文字区域检测：将图片中出现的文本位置检测出来，可能存在不同语言，不同文字大小，不同角度倾斜，不同程度遮挡等情况。CTPN网络结合了CNN与LSTM深度网络，通过固定宽度的anchor提取proposal，能有效的检测出复杂场景的横向分布的文字区域，不定长度文本识别效果较好，是目前使用广泛的文字检测算法。

字符序列检测——CRNN模型

字符识别算法：将文本区域的字符识别出来。通过深度神经网络对目标区域进行特征提取，然后对固定特征进行提取和比对，得出识别结果。采用文本识别网络CRNN+CTC。CRNN全称为卷积循环神经网络，将特征提取，序列建模以及转录整合到统一的模型框架中。主要用于端到端地对不定长的文本序列进行识别，不用先对单个文字进行切割，而是将文本识别转化为时序依赖的序列学习问题，就是基于图像的序列识别。如下图，CRNN网络分为：卷积层、循环层和转录层三部分，CTC为无词典的转录方式， 不会被局限在预定义词汇范围中。

完整的端到端OCR流程

了解了文本区域检测以及字符识别后，下面详细讲解完整的端到端OCR流程：

（1）准备一张含有文字的原图；

（2）对原图进行文字位置的检测，检测结果可能是水平矩形框，也可能是倾斜矩形框；

（3）从原图中把文字框对应的图片切下来，并旋转正，得到水平的文字块切片图；

（4）对每个文字块切片图依次进行字符识别，每个切片图的识别结果汇总起来，就得到原图的文字识别结果。

因此完整的端到端OCR流程是：输入原图 -> 文字检测 -> 文字块切片 -> 字符识别 -> 识别结果汇总。

理论部分到此告一段落，下面开始在ModelArts中体验实战项目开发！

注意事项：

  1. 本案例使用框架**:** TensorFlow-1.8

  2. 本案例使用硬件规格**:** 8 vCPU + 64 GiB + 1 x Tesla V100-PCIE-32GB

  3. 进入运行环境方法：点此链接进入AI Gallery，点击Run in ModelArts按钮进入ModelArts运行环境，如需使用GPU,您可以在ModelArts JupyterLab运行界面右边的工作区进行切换

  4. 运行代码方法**:** 点击本页面顶部菜单栏的三角形运行按钮或按Ctrl+Enter键 运行每个方块中的代码

  5. JupyterLab的详细用法**:** 请参考《ModelAtrs JupyterLab使用指导》

  6. 碰到问题的解决办法**:** 请参考《ModelAtrs JupyterLab常见问题解决办法》

1. 下载代码和模型

本案例中已经将CTPN和CRNN的代码模型都整合到一起

import os
from modelarts.session import Session
sess = Session()if sess.region_name == 'cn-north-1':bucket_path="modelarts-labs/notebook/DL_ocr_crnn_sequence_recognition/E2E_ocr.zip"
elif sess.region_name == 'cn-north-4':bucket_path="modelarts-labs-bj4/notebook/DL_ocr_crnn_sequence_recognition/E2E_ocr.zip"
else:print("请更换地区到北京一或北京四")if not os.path.exists('E2E_ocr'):sess.download_data(bucket_path=bucket_path, path="./E2E_ocr.zip")if os.path.exists('./E2E_ocr.zip'):status = os.system("unzip -q E2E_ocr.zip")if status == 0:os.system("rm E2E_ocr.zip")
Successfully download file modelarts-labs-bj4/notebook/DL_ocr_crnn_sequence_recognition/E2E_ocr.zip from OBS to local ./E2E_ocr.zip

2. CTPN相关模块导入

import shutil
import cv2
import numpy as np
import datetime
import os
import sys
import time
import json
import codecs
from PIL import Image
import tensorflow as tf
sys.path.append(os.getcwd() + '/E2E_ocr')
sys.path.append(os.getcwd() + '/E2E_ocr/CRNN/')
from collections import OrderedDict
from tensorflow.contrib import slimfrom CTPN import data_provider as data_provider
from CTPN.model import mean_image_subtraction,Bilstm,lstm_fc,loss
from CTPN import vgg
from CTPN import model
from CTPN.utils.rpn_msr.proposal_layer import proposal_layer
from CTPN.utils.text_connector.detectors import TextDetector
from CTPN.utils.image import resize_image

/home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:519: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'._np_qint8 = np.dtype([("qint8", np.int8, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:520: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'._np_quint8 = np.dtype([("quint8", np.uint8, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:521: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'._np_qint16 = np.dtype([("qint16", np.int16, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:522: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'._np_quint16 = np.dtype([("quint16", np.uint16, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:523: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'._np_qint32 = np.dtype([("qint32", np.int32, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:528: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.np_resource = np.dtype([("resource", np.ubyte, 1)])

3. CRNN相关模块安装与导入

!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple keras==2.1.6
!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple keras_applications==1.0.5

Requirement already satisfied: keras==2.1.6 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packagesRequirement already satisfied: numpy>=1.9.1 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras==2.1.6)Requirement already satisfied: six>=1.9.0 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras==2.1.6)Requirement already satisfied: scipy>=0.14 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras==2.1.6)Requirement already satisfied: pyyaml in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras==2.1.6)Requirement already satisfied: h5py in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras==2.1.6)[33mYou are using pip version 9.0.1, however version 21.0.1 is available.You should consider upgrading via the 'pip install --upgrade pip' command.[0mRequirement already satisfied: keras_applications==1.0.5 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packagesRequirement already satisfied: h5py in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras_applications==1.0.5)Requirement already satisfied: keras>=2.1.6 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras_applications==1.0.5)Requirement already satisfied: numpy>=1.9.1 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras_applications==1.0.5)Requirement already satisfied: six in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from h5py->keras_applications==1.0.5)Requirement already satisfied: pyyaml in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras>=2.1.6->keras_applications==1.0.5)Requirement already satisfied: scipy>=0.14 in /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages (from keras>=2.1.6->keras_applications==1.0.5)[33mYou are using pip version 9.0.1, however version 21.0.1 is available.You should consider upgrading via the 'pip install --upgrade pip' command.[0m

from keras.layers import Flatten, BatchNormalization, Permute, TimeDistributed, Dense, Bidirectional, GRU
from keras.layers import Input, Conv2D, MaxPooling2D, ZeroPadding2D,Lambda
from keras.models import Model
from keras.optimizers import SGD
from keras import backend as Kimport keys as keys
from CRNN_model import decode

Using TensorFlow backend.

4. 加载CTPN模型

checkpoint_path = './E2E_ocr/models/checkpoints/'  # 训练模型保存路径
vgg_path = "./E2E_ocr/models/vgg_16.ckpt"          # vgg16预训练模型
image_path = './E2E_ocr/data/CTW-200'              # 训练集图片路径CHECKPOINT_PATH = './E2E_ocr/models/checkpoints'   # 测试模型保存路径
os.environ['CUDA_VISIBLE_DEVICES'] = '0' #计算设备调用，空值为CPU计算，数字为GPU的序号tf.reset_default_graph()
# 定义模型输入信息占位符
input_image = tf.placeholder(tf.float32, shape=[None, None, None, 3], name='input_image')
input_im_info = tf.placeholder(tf.float32, shape=[None, 3], name='input_im_info')
init_op = tf.initialize_all_variables()
# 定义模型训练步骤数
global_step = tf.variable_scope('global_step', [], initializer=tf.constant_initializer(0))# 加载预训练模型
bbox_pred, cls_pred, cls_prob = model.model(input_image)
variable_averages = tf.train.ExponentialMovingAverage(0.997, global_step)
# 将变量存储到saver中
saver = tf.train.Saver(variable_averages.variables_to_restore())ctpn_sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))
with ctpn_sess.as_default():# 加载预训练模型权重信息ckpt_state = tf.train.get_checkpoint_state(CHECKPOINT_PATH)model_path = os.path.join(CHECKPOINT_PATH, os.path.basename(ckpt_state.model_checkpoint_path))saver.restore(ctpn_sess, model_path)
print('CTPN model load success')

WARNING:tensorflow:From /home/ma-user/anaconda3/envs/TensorFlow-1.8/lib/python3.6/site-packages/tensorflow/python/util/tf_should_use.py:118: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02.Instructions for updating:Use `tf.global_variables_initializer` instead.
CTPN model load success

CTPN为了更好检测出文本区域，anchor为 宽度固定为16 ， 高度为[11, 16, 23, 33, 48, 68, 97, 139, 198, 283] 的文本框，共10个anchor。

这样的设计是为了更好检测出文字区域的水平位置，在文字检测中，检测文字的水平范围比较垂直范围要更困难。将anchor的宽度固定，只检测10个高度的anchor，尤其在面对多个分离的文本的情况时，能够更好检测文字的范围。

不同的anchor得到了边界框，利用nms（非极大值抑制）进行边界框回归计算，最终得到细粒度的文本区域。

5. 加载CRNN模型

下图给出CRNN的结构参考：

characters = keys.alphabet[:]
nclass=len(characters)+1input = Input(shape=(32, None, 1), name='the_input')
# CNN卷积层部分
m = Conv2D(64, kernel_size=(3, 3), activation='relu', padding='same', name='conv1')(input)
m = MaxPooling2D(pool_size=(2, 2), strides=(2, 2), name='pool1')(m)
m = Conv2D(128, kernel_size=(3, 3), activation='relu', padding='same', name='conv2')(m)
m = MaxPooling2D(pool_size=(2, 2), strides=(2, 2), name='pool2')(m)
m = Conv2D(256, kernel_size=(3, 3), activation='relu', padding='same', name='conv3')(m)
m = Conv2D(256, kernel_size=(3, 3), activation='relu', padding='same', name='conv4')(m)m = ZeroPadding2D(padding=(0, 1))(m)
m = MaxPooling2D(pool_size=(2, 2), strides=(2, 1), padding='valid', name='pool3')(m)m = Conv2D(512, kernel_size=(3, 3), activation='relu', padding='same', name='conv5')(m)
m = BatchNormalization(axis=1)(m)
m = Conv2D(512, kernel_size=(3, 3), activation='relu', padding='same', name='conv6')(m)
m = BatchNormalization(axis=1)(m)
m = ZeroPadding2D(padding=(0, 1))(m)
m = MaxPooling2D(pool_size=(2, 2), strides=(2, 1), padding='valid', name='pool4')(m)
m = Conv2D(512, kernel_size=(2, 2), activation='relu', padding='valid', name='conv7')(m)m = Permute((2, 1, 3), name='permute')(m)
m = TimeDistributed(Flatten(), name='timedistrib')(m)
# RNN循环层部分
m = Bidirectional(GRU(256, return_sequences=True), name='blstm1')(m)
m = Dense(256, name='blstm1_out', activation='linear')(m)
m = Bidirectional(GRU(256, return_sequences=True), name='blstm2')(m)
y_pred = Dense(nclass, name='blstm2_out', activation='softmax')(m)basemodel = Model(inputs=input, outputs=y_pred)
basemodel.load_weights('./E2E_ocr/CRNN/model_crnn.h5')
print("CRNN model load success")

CRNN model load success

6. 定义文字位置检测函数

from CTPN.utils.text_connector.text_connect_cfg import Config as TextLineCfgdef ctpn_text_detection(img_path):"""CTPN文字位置检测函数:param img_path: 图片路径:return: img: 需要进行文字检测的图片:return: boxes: 图片上检测到的文字框"""try:im = cv2.imread(img_path)[:, :, ::-1]except Exception as e:raise Exception("打开图片文件失败，图片路径：", img_path)img, (rh, rw) = resize_image(im)  #对图片进行形状调整h, w, c = img.shapeim_info = np.array([h, w, c]).reshape([1, 3])#将图片信息传入模型得出预测结果，分别为文字区域坐标以及其得分bbox_pred_val, cls_prob_val = ctpn_sess.run([bbox_pred, cls_prob],feed_dict={input_image: [img],input_im_info: im_info})textsegs_total, _ = proposal_layer(cls_prob_val, bbox_pred_val, im_info)scores = textsegs_total[:, 0]textsegs = textsegs_total[:, 1:5]"""文本框合并策略"""      TextLineCfg.MAX_HORIZONTAL_GAP = 50          # 两个框之间的距离小于50，才会被判定为临近框。该值越小，两个框之间要进行合并的要求就越高TextLineCfg.TEXT_PROPOSALS_MIN_SCORE = 0.7   # 单个小文本框的置信度，高于这个置信度的框才会被合并。该值越大，越多的框就会被丢弃掉TextLineCfg.TEXT_PROPOSALS_NMS_THRESH = 0.2  # 非极大值抑制阈值。该值越大，越多的框就会被丢弃掉TextLineCfg.MIN_V_OVERLAPS = 0.7             # 两个框之间的垂直重合度大于0.7，才会被判定为临近框。该值越大，两个在垂直方向上有偏差的框进行合并的可能性就越小textdetector = TextDetector(DETECT_MODE='H') # DETECT_MODE有两种取值：'H'和'O'，'H'模式适合检测水平文字，'O'模式适合检测有轻微倾斜的文字"""文本框合并策略""" boxes = textdetector.detect(textsegs, scores[:, np.newaxis], img.shape[:2])boxes = np.array(boxes, dtype=np.int)return img, boxes

7. 定义文字块切片函数

def img_transform_perspective(image, points, w_pad_rate=(0.0, 0.0), h_pad_rate=(0.0, 0.0)):"""根据四个点进行透视变换，将四个点表示的四边形图变换成水平矩形图:param image: 原图:param points: 参考的四个点，坐标顺序是xmin, ymin, xmax, ymin, xmax, ymax, xmin, ymax:param w_pad_rate: 数组（rate1, rate2），对图像宽度左右两边的扩宽比例:param h_pad_rate: 数组（rate1, rate2），对图像宽度上下两边的扩宽比例:return: persp_img: 变换后的图:return: points2: 变换后的四点"""if not isinstance(points, np.ndarray):points = np.array(points)points = points.reshape((4, 2))widths = np.linalg.norm(points[::2] - points[1::2], axis=1)  # points的4点组成的四边形的上下两边的长度width = int(round(widths.mean()))heights = np.linalg.norm(points[:2] - points[3:1:-1], axis=1)  # points的4点组成的四边形的左右两边的长度height = int(round(heights.mean()))points2 = np.array([[0, 0], [width - 1, 0],[width - 1, height - 1], [0, height - 1]], np.float32)points2 += np.array([int(width * w_pad_rate[0]), int(height * h_pad_rate[0])]).reshape(1, 2)size = (int(width * (1 + w_pad_rate[0] + w_pad_rate[1])),int(height * (1 + h_pad_rate[0] + h_pad_rate[1])))mat = cv2.getPerspectiveTransform(points.astype(np.float32), points2)persp_img = cv2.warpPerspective(image, mat, size,borderMode=cv2.BORDER_CONSTANT,borderValue=(255, 255, 255))return persp_img, points2

8. 定义CRNN字符识别函数

def crnn_ocr(img):"""CRNN字符识别函数:param img: 需要进行字符识别的图片:return: ocr_result: 图片的字符识别结果，数据类型为字符串"""img = img.convert('L')img = img.convert('L')  # 图片灰度化scale = img.size[1] * 1.0 / 32  # 图片尺寸调整，把图片高度调整为32w = img.size[0] / scalew = int(w)img = img.resize((w, 32))img = np.array(img).astype(np.float32) / 255.0X = img.reshape((32, w, 1))X = np.array([X])y_pred = basemodel.predict(X)  # 预测ocr_result = decode(y_pred)  # 处理预测结果return ocr_result

9. 查看原图

img = Image.open('./E2E_ocr/test_dataset/text.png')
img

10. 开始图片测试

test_dir = './E2E_ocr/test_dataset'  # 待测试图片目录
save_results = True
output_dir = test_dir + '_output'
if not os.path.exists(output_dir):os.mkdir(output_dir)
ocr_results = OrderedDict()
files = os.listdir(test_dir)
for file_name in files:if not (file_name.endswith('jpg') or file_name.endswith('png')or file_name.endswith('JPG') or file_name.endswith('PNG')):continueprint(file_name, 'ocr result:')file_path = os.path.join(test_dir, file_name)img, boxes = ctpn_text_detection(file_path)  # step1, 检测文字位置sorted_boxes = sorted(boxes.tolist(), key = lambda x: (x[1], x[0]))  # step2, 对文字框进行排序，优先按文字框左上顶点的y坐标升序排序，其次按x坐标升序排序for index, box in enumerate(sorted_boxes):cut_text_img, _ = img_transform_perspective(img, box[:8])  # step3, 从原图上切割出各个文字块，并将倾斜的文字块变换为水平矩形文字块ocr_result = crnn_ocr(Image.fromarray(cut_text_img))  # step4, 对每个文字块进行字符识别ocr_results[str(index)] = ocr_resultprint(str(index) + ',', ocr_result)if save_results:draw_img = img[:, :, ::-1].copy()for i, box in enumerate(boxes):cv2.polylines(draw_img, [box[:8].astype(np.int32).reshape((-1, 1, 2))], True, color=(0, 0, 255), thickness=2)cv2.imwrite(os.path.join(output_dir, file_name), draw_img)#将输出结果转为json格式with codecs.open(os.path.join(output_dir, file_name.split('.')[0] + '.json'), 'w', 'utf-8') as f:json.dump(ocr_results, f, indent=4, ensure_ascii=False)
print('end')

text.png ocr result:0, A1正在改变我们的生活，1, 正在改变我们身边的各行各业，2, 但是这条通往智能世界的路并不平坦，3, 其中一个巨大鸿沟就是AI人才的稀缺。4, 在中国庞大的I从业群体，5, A开发者缺口达百万级。6, A1将成为全民普及性的技能，7, 所以今天华为云El为大家带来《2020华为云AI实战营》免费课程，8, 大幅降低A1拳习门]椤，9, 帮助庞大的软件开发者群体快速拳握A1技能，10, 把AI用起来。end

点击关注，第一时间了解华为云新鲜技术~

 


http://chatgpt.dhexx.cn/article/JQlNQXZN.shtml

相关文章

OCR入门教程系列（五）：OCR实战代码解析

OCR入门教程系列（五）：OCR实战代码解析

👨‍💻作者简介： CSDN、阿里云人工智能领域博客专家，新星计划计算机视觉导师，百度飞桨PPDE，专注大数据与AI知识分享。✨公众号：GoAI的学习小屋 ，免费分享书籍、简历、导图等，更有交流群分享宝藏资料，关注公众号回复“加群”或➡️链接 加群。 🎉专栏推荐： ➡️ …
阅读更多...
制作自己的ctpn数据集

制作自己的ctpn数据集

制作自己的ctpn数据集 1、利用label-image标注自己的数据集，保存为.txt文件，结果如下： 上图第一列 0：标签 后面的小数是label—image标注的坐标框位置（归一化后的结果） 2、ctpn数据集的格式：…
阅读更多...
CTPN文本检测与tensorflow实现

CTPN文本检测与tensorflow实现

1. 引言 近年来，随着人工智能的发展，文本检测在很多任务中都是一项基本任务，比如广告牌中文字识别、智能驾驶路牌的检测、身份证识别、快递地址识别等。这些任务中首先的一项就是文本检测，即检测出文本在图像中的位置，…
阅读更多...
制作自己的CTPN训练集

制作自己的CTPN训练集

制作自己的CTPN训练集 使用labelimg工具制作YOLO格式再将其转为CTPN中需要的8个坐标 1.标注框 2.代码生成坐标并保存 import cv2 import os def change_labelimage_to_cptn_data(pictures_file_path, txt_file_path, cptn_data_labels_path):list os.listdir(txt_file_pat…
阅读更多...
【文本检测与识别-白皮书-3.1】第四节：算法模型 2

【文本检测与识别-白皮书-3.1】第四节：算法模型 2

CTPN CTPN，全称是“Detecting Text in Natural Image with Connectionist Text Proposal Network”（基于连接预选框网络的文本检测）。CTPN直接在卷积特征映射中检测一系列精细比例的文本建议中的文本行。CTPN开发了一个垂直锚定机制&#xf…
阅读更多...
CPTN代码运行报错

CPTN代码运行报错

Windows10 系统运行 github上给的是linux操作系统指令 因为我是Windows10 的系统，不能通过setup的指令得到所需文件，后面根据https://github.com/eragonruan/text-detection-ctpn/issues/359的方法到第4步报错 错误1： 找不到cl.exe&#x…
阅读更多...
JAVA项目实战开发电商项目案例（十）订单与支付模块

JAVA项目实战开发电商项目案例（十）订单与支付模块

文章目录 1项目架构2项目采用技术3订单与支付模块功能演示4如何开发支付宝的支付模块以及订单模块4.1首先需要编写前端页面以及JS文件4.2其次需要编写JAVA后台接口4.3支付模块分析4.4订单模块分析5代码分析6个人说明7 [我的个人网站](http://www.liph.fun)8获取源码 此次电商系…
阅读更多...
Java 项目实战 坦克大战 （0）--前言

Java 项目实战 坦克大战 （0）--前言

做了有一个星期了，java语言太强大了，也算是学得最认真的一门语言了，本次课设花的心思也就比较多了。关键总是追求完美总是想原创，最终做出来效果不错，但感觉代码逻辑很乱，今天开始就好好整理一番&#xff0…
阅读更多...
Java项目实战第11天：搜索功能的实现

Java项目实战第11天：搜索功能的实现

目录 一、sql语句动态拼接二、前后台代码编写三、搜索框数据回填最后 今天是刘小爱自学Java的第110天。 感谢你的观看，谢谢你。 话不多说，开始今天的学习： 事先说明：关于今天的搜索功能实现。 并没有使用到倒排索引这样的主流搜…
阅读更多...
【CSDN最全java项目实战500篇】练手/项目经验/毕设刚需

【CSDN最全java项目实战500篇】练手/项目经验/毕设刚需

免费精选！强烈建议收藏！学完这一套直接进大厂（附配套源码&资料） C站（CSDN）软件工程师能力认证，已上线70天，下图300所高校的小伙伴们都已经预约、完成C认证，就等你来啦…
阅读更多...
Java项目开发实战入门 PDF 扫描完整版

Java项目开发实战入门 PDF 扫描完整版

内容介绍 《Java项目开发实战入门》以一起来画画、通讯录系统、明日彩票预测系统、小小五子棋、企业进销存管理系统、企业QQ（局域网版）、九宫格记忆网和铭成在线考试系统8个精选项目为案例，从趣味性和实际应用角度出发，采用了当前…
阅读更多...
全站最全实战的Java项目（附源码）

全站最全实战的Java项目（附源码）

嗨喽，大家好，今天又要给大家整一波福利了！ 不管我们要学习哪种语言都希望能第一时间看到成效，能做出实际的东西来，那么这里所说的实际东西当然就是项目啦！不用我说大家也知道，学编程语言不做项…
阅读更多...
java项目实战之404错误原因总结

java项目实战之404错误原因总结

java项目实战之404错误原因总结 第一个原因可能是你的URL写错了，正确的URL应该这么写 localhost:8080/项目名称/对应的目录或者映射 好好检查检查是否是拼写错误，或者多了什么，少了什么 第二个原因可能是你的Spring配置文件写错了 一般都…
阅读更多...
最牛逼的 Java 项目实战，没有之一！

最牛逼的 Java 项目实战，没有之一！

想要成长为高级开发，掌握更多层面的技术，兼顾深度和广度是毋庸置疑的。你肯定认为，我要认真努力的学习技术，丰富自己的技术栈，然后就可以成为一个优秀的高级开发了。但当你真正去学习之后就会发现，技术栈异…
阅读更多...
史上最全Java项目实战课程(含项目实战+源码)

史上最全Java项目实战课程(含项目实战+源码)

【此文章转自乐字节】 很多小伙伴学了Java有一段时间了，想找几个项目想练练手，更有助于我们的学习和工作实践，最重要的是提高自己的项目经验，对于找工作而言有着大大的帮助，那今天UP主就来分享一些Java实战项目&#…
阅读更多...
10套最全Java项目实战课程（附项目实战+源码）

10套最全Java项目实战课程（附项目实战+源码）

家人们，我又来啦，今天我们来看一下学Java必练的10款游戏项目！ 大家都知道学习编程必须要做的就是敲代码和做项目练手了，那项目有难有易，很多小伙伴不知道从哪里找项目来练习，今日我们来看一下初级项目中都…
阅读更多...
8个Java实践项目：平均半个小时就可干完~

8个Java实践项目：平均半个小时就可干完~

最近有很多看过Java300集小伙伴私信我说推荐几个Java实践练手项目，在这里我收集了8个可以供大家在平时学习过程中进行练手的项目！平均每个项目，半个小时即可完成！！！ 最近学习Java的小伙伴们快来练练看看自己…
阅读更多...
亲测：三个值得练手的Java实战项目

亲测：三个值得练手的Java实战项目

测试奇谭，BUG不见。 大家好，我是谭叔。 一提到编码，很多小伙伴便感到头疼，特别是半路转行的小伙伴或者没有系统学习过计算机基础的小伙伴。 对于想学而不知道怎么学的小伙伴，我可以分享下我的策略： 刷一…
阅读更多...
你必看的Java实战练手项目（附源码）

你必看的Java实战练手项目（附源码）

嗨喽，大家好，关注我，福利不断！ 不管我们要学习哪种语言都希望能第一时间看到成效，能做出实际的东西来，那么这里所说的实际东西当然就是项目啦！不用我说大家也知道，学编程语言不做项目…
阅读更多...
12个Java实践项目：练完变学神

12个Java实践项目：练完变学神

【尚学堂Java游戏项目“超级玛丽“】Java实战教程 最近有很多看过java300集小伙伴私信我说推荐几个Java实践练手项目，在这里我收集了12个可以供大家在平时学习过程中进行练手的项目！ 尚学堂给同学们带来全新的Java300集课程啦!java零基础小白自学Java必备…
阅读更多...
推荐文章

Copyright @ 2022~2023