My-FyiReporting 项目下载及安装教程
1. 项目介绍
My-FyiReporting 是一个基于 .NET 的报表设计器和查看器,支持多种报表类型,如表格、自由格式、矩阵和图表。它基于 Microsoft 的 Report Definition Language (RDL),并提供了一个所见即所得(WYSIWYG)的设计器,使用户无需了解 RDL 即可创建报表。该项目还支持多种输出格式,如 HTML、PDF、XML 和打印。My-FyiReporting 是 fyiReporting 项目的一个分支,旨在继续维护和开发该项目的功能。
2. 项目下载位置
My-FyiReporting 项目的源代码托管在 GitHub 上。你可以通过以下步骤下载项目:
-
打开命令行工具(如终端或命令提示符)。
-
使用
git clone命令下载项目:git clone https://github.com/majorsilence/My-FyiReporting.git这将把项目源代码下载到当前目录下的
My-FyiReporting文件夹中。
3. 项目安装环境配置
3.1 系统要求
- 操作系统:Windows、Linux 或 macOS
- .NET 版本:.NET Framework 4.8、.NET 6.0 或更高版本
- 开发工具:Visual Studio 2022 或 Rider 2024.1
3.2 依赖项安装
3.2.1 Windows
在 Windows 上,确保已安装 .NET Framework 4.8 或更高版本。你可以通过 Visual Studio 安装程序来安装所需的 .NET SDK。
3.2.2 Linux
在 Linux 上,确保已安装 Mono 和 libgdiplus。你可以使用以下命令安装这些依赖项:
sudo apt-get install mono-complete libgdiplus
3.2.3 macOS
在 macOS 上,确保已安装 Mono 和 mono-libgdiplus。你可以使用 Homebrew 安装这些依赖项:
brew install mono mono-libgdiplus
3.3 环境变量配置
3.3.1 Linux
在 Linux 上,设置 LD_LIBRARY_PATH 环境变量以确保报表生成功能正常工作:
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib
3.3.2 macOS
在 macOS 上,设置 DYLD_LIBRARY_PATH 环境变量:
export DYLD_LIBRARY_PATH=$DYLD_LIBRARY_PATH:/opt/homebrew/lib
4. 项目安装方式
4.1 使用 Visual Studio 或 Rider 打开项目
- 打开 Visual Studio 或 Rider。
- 导航到下载的项目目录
My-FyiReporting。 - 打开解决方案文件
MajorsilenceReporting.sln。 - 等待 IDE 加载项目并解决所有依赖项。
4.2 编译项目
- 在 IDE 中,选择
Build菜单并点击Build Solution。 - 等待编译完成,确保没有错误。
4.3 运行项目
- 在 IDE 中,选择
Run菜单并点击Start。 - 项目将启动,并显示报表设计器界面。
5. 项目处理脚本
My-FyiReporting 项目提供了一些用于构建和发布的脚本,位于项目根目录下。以下是一些常用的脚本:
build-release.ps1:用于构建发布版本的 PowerShell 脚本。build-release-rdlcmd-linux.ps1:用于在 Linux 上构建rdlcmd工具的 PowerShell 脚本。
你可以通过命令行运行这些脚本,例如:
./build-release.ps1
这些脚本将帮助你自动化项目的构建和发布过程。
通过以上步骤,你应该能够成功下载、配置和安装 My-FyiReporting 项目,并开始使用其强大的报表设计功能。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00