ImageGlass是一款专为Windows操作系统设计的高效、轻量级的图片查看软件。它不仅提供了基本的图片浏览功能，还具备了一系列增强用户体验的特色特性。在本文中，我们将深入探讨ImageGlass的各项功能及其对用户的价值。 首先，ImageGlass的界面设计简洁而直观，允许用户轻松上手。它支持主题设置，这意味着用户可以根据个人喜好调整界面风格，提升视觉享受。这种定制化的体验使得ImageGlass在同类软件中脱颖而出，满足了不同用户的个性化需求。 在图片格式兼容性方面，ImageGlass表现出色。它能够打开并显示各种常见的图片格式，如JPEG、PNG、BMP、GIF、TIFF等，甚至包括一些专业或罕见的图像文件格式。这种广泛的支持使得用户无需担心因文件格式问题而无法查看图片。 ImageGlass的无边框模式是其一大亮点。在全屏浏览时，该模式可以消除窗口边框，使图片呈现出更为纯粹的观看体验，尤其适合进行图片欣赏或演示。同时，用户还可以自定义快捷键，快速进行前后翻页、缩放等操作，提高工作效率。 在图片编辑功能上，虽然ImageGlass并非专业的图像编辑软件，但它提供了一些基本的编辑选项，如旋转、裁剪、调整亮度、对比度等。这对于日常的图片处理工作已经足够，用户不必为了简单的编辑任务而启动大型的图像处理软件。此外，ImageGlass内置的取色器工具也非常实用，对于设计师或编程人员来说，可以从图片中快速获取颜色值，方便进行色彩搭配或代码编写。 ImageGlass的另一个显著优点是其超轻量级的特性。相较于许多功能繁多但体积庞大的图片查看软件，ImageGlass占用的系统资源极少，即使在配置较低的电脑上运行也十分流畅，不会对电脑性能造成太大影响。同时，ImageGlass完全免费，用户无需支付任何费用即可享受到这些高质量的功能。 总的来说，ImageGlass作为一个优秀的图片浏览工具，凭借其丰富的格式支持、自定义主题、无边框模式、基本编辑功能以及取色器，为用户提供了一个既实用又高效的图片查看环境。无论是日常的图片浏览，还是进行简单的图片编辑，ImageGlass都能满足用户的需求，并且以其轻巧的体积和免费的特性赢得了广泛的用户喜爱。

脚本功能主要是在windows上安装mysql数据库，压缩文件中有详细的脚本使用方法，已把相关配置分离出来单独的配置文件方便修改，看不懂bat语法也可修改，已在多个实际场景中使用；

VM - Windows 98 SE 现成版 虚拟机虚拟win98系统 干净版无任何添加 win98,win se

windows版本，解压可用

Win10下使用HDFView查看hdf5文件

Windows下使用OpenGL渲染yuv420格式的数据，窗口使用Windows自己创建的窗口句柄

DialogHook利用Windows API实现对文件打开对话框的监控(6KB)

http://www.superdecisions.com/downloads/index.php?section=win3_0_beta 官网安装包地址， 使用需注册，然后拿到自己的personal serial number 不建议使用，网上没有3.2版本的中文使用方法

在本作业中，我们主要探讨了如何配置IntelliJ IDEA环境以及使用Scala和Apache Spark实现PageRank算法。PageRank是Google早期用于网页排名的核心算法，它通过迭代计算每个网页的重要性，从而提供搜索引擎的搜索结果排序。 首先，我们需要搭建一个win10系统上的开发环境，包括安装Scala、Spark和Hadoop。完成环境搭建后，可以通过访问`http://127.0.0.1:4040/jobs/`来监控Spark作业的运行状态，确保环境配置成功。 接着，我们需要配置IntelliJ IDEA，这是一个强大的Java开发集成环境，也支持Scala等其他编程语言。配置IDEA主要包括安装Scala插件，设置Scala SDK，创建新的Scala项目，并配置Spark相关依赖。这样，我们就可以在IDEA中编写、编译和运行Scala代码。 PageRank算法是基于迭代的过程，它涉及到两个关键数据集：links和ranks。links数据集存储了页面之间的链接关系，例如(A, [B, C, D])表示页面A链接到B、C和D。而ranks数据集则记录了每个页面的PageRank值，初始时所有页面的PageRank值都设为1.0。 PageRank算法的主要步骤如下： 1. 初始化：将每个页面的PageRank值设为1.0。 2. 迭代计算：在每一轮迭代中，每个页面会将其PageRank值按照链接数量平均分配给相连的页面。假设页面p的PageRank值为PR(p)，链接数为L(p)，则p会给每个相邻页面贡献PR(p)/L(p)的值。 3. 更新PageRank：每个页面的新PageRank值由0.15的“随机跳跃”因子加上接收到的贡献值的0.85倍计算得出。这个公式保证了即使没有被其他页面链接的页面也能获得一定的PageRank值。 4. 迭代直到收敛：算法会重复上述步骤，通常在10轮迭代后，PageRank值会趋于稳定。 在给出的Scala代码中，我们创建了一个SparkConf对象，设置了应用程序名和主节点，然后创建了SparkContext实例。接着，我们使用Spark的parallelize方法创建了一个links的RDD，表示页面间的链接关系。初始ranks RDD中的PageRank值被设为1.0。接下来的for循环进行PageRank迭代计算，使用join、flatMap、reduceByKey等操作处理数据，最后将计算结果保存到"result"文件夹下。 运行结果会被保存在名为"part-000000"的文件中，这是Spark默认的输出格式，包含了每个页面及其对应的PageRank值。在IDEA环境下，可以直接查看这些输出结果，以便分析和验证PageRank算法的正确性。 总之，本作业涵盖了环境配置、Scala编程以及PageRank算法的实现，提供了从理论到实践的完整体验。通过这个过程，我们可以深入理解分布式计算的基本操作，以及PageRank算法如何评估网页的重要性。

编译好的libevent 2.1.12&openssl3