给下面代码添加注释: public List<ModelPropertyDTO> getpropertitySetsByGuids(List<String> guids, EngineModel engineModel, String language, String viewId, Boolean showEmpty) { Query query = new Query(); Criteria criteria = Criteria.where("modelId").is(engineModel.getId()); if (guids != null) { Criteria criteriaUuids = Criteria.where("uuid").in(guids); query.addCriteria(criteriaUuids); } if (!StringUtils.isEmpty(viewId)) { Criteria criteriaViewId = null; if (guids != null) { // 查具体构件时 criteriaViewId = Criteria.where("viewId").is(viewId); }else{ // 直接查整个分类时 criteriaViewId = Criteria.where("type.uuid").is(viewId); } query.addCriteria(criteriaViewId); /if (guids == null) { Criteria criteriaUuids = Criteria.where("uuid").is(viewId); query.addCriteria(criteriaUuids); }/ } query.addCriteria(criteria); query.fields().include("propertySets"); query.fields().include("modelId"); query.fields().include("uuid"); query.fields().include("type"); query.fields().include("systems"); query.fields().include("location"); query.fields().include("fillsVoids"); query.fields().include("extendObject"); query.fields().include("materialNames"); query.fields().include("voidsElements"); query.fields().include("entity"); query.fields().include("extend"); List<EngineObject> engineObjectList = mongotemplate.find(query, EngineObject.class); if (guids != null && guids.size() == 1) { //说明是单个查询构件信息 if (CollectionUtils.isNotEmpty(engineObjectList) && engineObjectList.size() == 2) { engineObjectList.forEach(engineObject -> { if (IfcEntityCategory.IFCBUILDING.getValue().equalsIgnoreCase(engineObject.getEntity())) { engineObjectRepository.delete(engineObject); } }); } } //query type: 模型所有几何构件 List<String> uuidsType = engineObjectList.stream().filter(engineObject -> engineObject.getType() != null).map(engineObject -> engineObject.getType().getUuid()).collect(Collectors.toList()); // Map<String, EngineObject> engineObjectMap = queryEnginObjectType(engineModel, uuidsType); List<ModelPropertyDTO> modelPropertyDTOList = getModelPropertyDTOS(language, engineObjectList, engineObjectMap, showEmpty); return modelPropertyDTOList; }

时间: 2024-03-17 11:44:21 浏览: 16
这是一个 Java 方法,接收四个参数:一个字符串列表 guids、一个 EngineModel 对象 engineModel、一个字符串 language、一个字符串 viewId 和一个布尔值 showEmpty。方法返回一个 ModelPropertyDTO 对象列表。 该方法的作用是根据给定的 guids,从 MongoDB 数据库中查询指定的 EngineObject 对象,并将这些对象转换为 ModelPropertyDTO 对象列表返回。 接下来逐行解释代码: ``` Query query = new Query(); // 创建 MongoDB 查询对象 Criteria criteria = Criteria.where("modelId").is(engineModel.getId()); // 创建查询条件,查询 modelId 等于 engineModel 的 id 的 EngineObject 对象 if (guids != null) { // 如果 guids 不为空 Criteria criteriaUuids = Criteria.where("uuid").in(guids); // 创建查询条件,查询 uuid 在 guids 中的 EngineObject 对象 query.addCriteria(criteriaUuids); // 将 uuid 查询条件添加到查询对象中 } if (!StringUtils.isEmpty(viewId)) { // 如果 viewId 不为空 Criteria criteriaViewId = null; if (guids != null) { // 如果 guids 不为空 criteriaViewId = Criteria.where("viewId").is(viewId); // 创建查询条件,查询 viewId 等于 viewId 的 EngineObject 对象 }else{ // 如果 guids 为空 criteriaViewId = Criteria.where("type.uuid").is(viewId); // 创建查询条件,查询 type.uuid 等于 viewId 的 EngineObject 对象 } query.addCriteria(criteriaViewId); // 将 viewId 查询条件添加到查询对象中 } query.addCriteria(criteria); // 将 modelId 查询条件添加到查询对象中 // 设置需要查询的字段 query.fields().include("propertySets"); query.fields().include("modelId"); query.fields().include("uuid"); query.fields().include("type"); query.fields().include("systems"); query.fields().include("location"); query.fields().include("fillsVoids"); query.fields().include("extendObject"); query.fields().include("materialNames"); query.fields().include("voidsElements"); query.fields().include("entity"); query.fields().include("extend"); // 从 MongoDB 数据库中查询符合条件的 EngineObject 对象 List<EngineObject> engineObjectList = mongotemplate.find(query, EngineObject.class); if (guids != null && guids.size() == 1) { // 如果 guids 不为空且只有一个元素 if (CollectionUtils.isNotEmpty(engineObjectList) && engineObjectList.size() == 2) { // 如果查询到的 EngineObject 对象不为空且数量为 2 engineObjectList.forEach(engineObject -> { // 遍历 EngineObject 对象列表 if (IfcEntityCategory.IFCBUILDING.getValue().equalsIgnoreCase(engineObject.getEntity())) { // 如果 EngineObject 对象的 entity 字段等于 IFCBUILDING engineObjectRepository.delete(engineObject); // 从数据库中删除该 EngineObject 对象 } }); } } // 查询类型为模型所有几何构件的 uuid 列表 List<String> uuidsType = engineObjectList.stream().filter(engineObject -> engineObject.getType() != null).map(engineObject -> engineObject.getType().getUuid()).collect(Collectors.toList()); // Map<String, EngineObject> engineObjectMap = queryEnginObjectType(engineModel, uuidsType); // 根据查询到的 EngineObject 对象列表生成 ModelPropertyDTO 对象列表 List<ModelPropertyDTO> modelPropertyDTOList = getModelPropertyDTOS(language, engineObjectList, engineObjectMap, showEmpty); // 返回 ModelPropertyDTO 对象列表 return modelPropertyDTOList; ```

相关推荐

最新推荐

recommend-type

DX7 SDK For VB程序员指南

名词解释 device context (DC) 设备描述表 device-independent bitmap (DIB) 设备无关位图 bit block transfer(blit) 位块传送 back buffer 在主绘图面表面显示...Globally unique identifiers(GUIDS) 全球唯一标识
recommend-type

毕业设计基于STC12C5A、SIM800C、GPS的汽车防盗报警系统源码.zip

STC12C5A通过GPS模块获取当前定位信息,如果车辆发生异常震动或车主打来电话(主动请求定位),将通过GSM发送一条定位短信到车主手机,车主点击链接默认打开网页版定位,如果有安装高德地图APP将在APP中打开并展示汽车当前位置 GPS模块可以使用多家的GPS模块,需要注意的是,当前程序对应的是GPS北斗双模芯片,故只解析 GNRMC数据,如果你使用GPS芯片则应改为GPRMC数据即可。 系统在初始化的时候会持续短鸣,每初始化成功一部分后将长鸣一声,如果持续短鸣很久(超过20分钟),建议通过串口助手查看系统输出的调试信息,系统串口默认输出从初始化开始的所有运行状态信息。 不过更建议你使用SIM868模块,集成GPS.GSM.GPRS,使用更加方便
recommend-type

基于tensorflow2.x卷积神经网络字符型验证码识别.zip

基于tensorflow2.x卷积神经网络字符型验证码识别 卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。
recommend-type

【三维装箱】遗传和模拟退火算法求解三维装箱优化问题【含Matlab源码 031期】.zip

【三维装箱】遗传和模拟退火算法求解三维装箱优化问题【含Matlab源码 031期】.zip
recommend-type

自己编写的python 程序计算cpk/ppk

cpk&ppk python 小程序,品友点评
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

SQL怎么实现 数据透视表

SQL可以通过使用聚合函数和GROUP BY子句来实现数据透视表。 例如,假设有一个销售记录表,其中包含产品名称、销售日期、销售数量和销售额等信息。要创建一个按照产品名称、销售日期和销售额进行汇总的数据透视表,可以使用以下SQL语句: ``` SELECT ProductName, SaleDate, SUM(SaleQuantity) AS TotalQuantity, SUM(SaleAmount) AS TotalAmount FROM Sales GROUP BY ProductName, SaleDate; ``` 该语句将Sales表按照ProductName和SaleDat
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。