【Flowable | 第二篇】使用Flowable实现请假流程

在这里插入图片描述

文章目录

  • 3.使用Flowable实现请假流程
    • 3.1部署测试环境
    • 3.2工作流/我的任务菜单
    • 3.3设计请假流程
    • 3.4绑定业务表
    • 3.5申请请假
    • 3.6节点审批人审批
      • 3.6.1审批动作
      • 3.6.2流程状态

3.使用Flowable实现请假流程

3.1部署测试环境

  1. 我们使用开源的若依框架,来实现Flowable请假流程
  2. 线上演示地址:http://43.138.9.96/(账号:admin;密码:admin123)
  3. 后端部署:
    1. 代码地址:https://gitee.com/dromara/RuoYi-Vue-Plus.git
    2. 配置数据库
    3. 启动SpringBoot
  4. 前端部署:
    1. 代码地址:https://gitee.com/JavaLionLi/plus-ui.git
    2. npm install 命令安装依赖
    3. npm run dev 命令启动

3.2工作流/我的任务菜单

在这里插入图片描述

  1. 工作流目录(上一张图右边):
    1. 流程分类:定义流程所属的类别,例如OA、请假、预算申请等待
    2. 模型管理:用于设计流程,包括设置任务节点审批人、节点监听器等等
    3. 流程定义:一个流程模型部署之后,就是定义好了的流程,基于这个定义好的流程,我们可以开启很多流程实例
    4. 流程监控:可以查到所有流程实例以及待办任务(上帝视角)
    5. 表单管理:可新增表单(填写表单名、路由地址),用于设计流程时候,给第一个节点绑定表单(作用:审批人,点击办理任务时,可通过该路由跳转到对面的页面,并展示对应的审批数据)
  2. 我的任务目录(左边):可以查看我的发起、待办、已办、抄送 的流程

3.3设计请假流程

  1. 工作流——>模型管理——>新增模型——>设计流程

  2. 定义请假流程模型,并定义用户任务节点(绑定审核人、业务表)

  3. 如图:

    1. 申请请假节点绑定表单

      image-20240713162327297

    2. 组长审批节点 绑定用户编号为1的用户:admin

      image-20240713162422178

3.4绑定业务表

image-20240713162817005

3.5申请请假

  1. 申请人填写请假表单并提交

image-20240713162929910

3.6节点审批人审批

  1. 我的待办——>办理——>查看请假申请数据

  2. 审批人可以查看流程图、审批记录

  3. 流程图:

    image-20240713163622295

  4. 审批记录:

    image-20240713163646667

3.6.1审批动作

  1. 提交:提交任务,交给下一个任务节点
  2. 委托:将任务分给新的审批人处理,此时委派人不能审核,等新的审批人处理后,该任务还是会回到委派人手上(向前加签)
  3. 转办:将任务转办给别的人员审核,任务的分配人更改成新的审核人,新的审核人审核人,该任务不会回到原来的转办人上(向后加签)
  4. 终止:结束请假流程
  5. 退回:可退回该节点前面的任意一个节点

在这里插入图片描述

3.6.2流程状态

  1. 草稿:申请人已经填写表单了,但是还没有发起流程
  2. 待审核:申请填写表单并发起流程
  3. 已完成:所有审批节点都已审批完成,整个流程结束
  4. 已退回:其中一个节点的审批人将流程退回到前面的任意一个节点
  5. 已撤销:申请人撤销申请

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/46087.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

17102 “一条路径图”的最大独立集问题

这个问题可以通过动态规划来解决。我们可以定义一个数组f,其中f[i]表示从最左边的节点沿着一条路径到节点vi为止,具有的独立集最大权值之和。然后我们可以通过比较f[i-1],f[i-2]w[i]和w[i]的值,来更新f[i]。 以下是解题步骤&…

应用数学与机器学习基础 - 多任务学习篇

序言 在人工智能的浩瀚星空中,深度学习作为一颗璀璨的明星,正引领着技术革命的新浪潮。随着数据量的爆炸性增长和计算能力的飞跃,深度学习模型在诸多领域展现出了前所未有的性能与潜力。而多任务学习(Multi-Task Learning, MTL&a…

量化交易的高效实施方法

量化交易因其高效性和科学性,在现代金融市场中受到越来越多的关注。高效实施量化交易策略不仅需要先进的技术支持,还需要精确的策略设计和严格的风险管理措施。以下是一些实现高效量化交易的关键方法。 首先,策略开发是量化交易的核心。成功…

Memcached负载均衡:揭秘高效缓存分发策略

标题:Memcached负载均衡:揭秘高效缓存分发策略 在分布式缓存系统中,Memcached通过负载均衡技术来提高缓存效率和系统吞吐量。负载均衡确保了缓存请求能够均匀地分配到多个缓存节点上,从而防止任何一个节点过载。本文将深入探讨Me…

从 Pandas 到 Polars 十五:对于特征工程,Polars的透视表(pivot)功能表现非常强大

最近在我的机器学习流程中,我发现自己会用自己编写的Polars表达式来替换一些更简单的scikit-learn指标,如均方根误差。这种方法省去了将数据复制到不同格式的麻烦,并确保我能够保持Polars的正常优势,如并行化、优化和扩展到大型数…

科技云报道:产业为根大模型应用为擎,容联云推动企业营销服场景重塑

科技云报道原创。 “没有应用,光有一个基础模型,不管是开源还是闭源,一文不值。”在2024世界人工智能大会(WAIC 2024)现场,百度创始人、董事长兼首席执行官李彦宏直言。 国产大模型的种类越发丰富&#x…

纯净IP的重要性解析与测评分析

作为连接互联网世界的桥梁,IP地址的纯净度不仅关乎网络访问的速度与稳定性,更是影响着数据安全与隐私保护。今天,我们将带您深入探索纯净IP的重要性,并分享我们对芝麻HTTP与巨量IP这两家提供纯净SOCKS5代理服务的深度测评分析。 一…

AI算法15-弹性网络回归算法Elastic Net Regression | ENR

弹性网络回归算法简介 在机器学习领域中,弹性网络(Elastic Net)是一种结合了L1范数(套索回归)和L2范数(岭回归)的正则化方法。它综合了两者的优点,既可以实现特征选择,又…

ubuntu18修改文件打开数

Ubuntu18永久修改 最大文件打开数和最大线程数 1、查看操作系统: cat /etc/os-release2、查看当前用户设置: ulimit -a 或者: ulimit -nopen files 是当前最大文件打开数量 max user processes是当前最大线程数量 3、永久修改配置&#x…

【学习笔记】4、组合逻辑电路(下)

接前文《【学习笔记】4、组合逻辑电路(上)》 4.4.5 算术运算电路 1. 半加器和全加器 半加器和全加器是算术运算电路中的基本单元。半加器和全加器是1位相加的组合逻辑电路。 (1)半加器 半加器:只考虑两个加数本身,不考虑低位进…

【第27章】MyBatis-Plus之Mybatis X 插件

文章目录 前言一、安装指南二、核心功能1.XML 映射跳转2.代码生成3. 重置模板 三、JPA 风格提示四、常见问题解答1. JPA 提示功能无法使用?2. 生成的表名与预期不符? 五、代码生成模板配置1. 默认模板2. 重置默认模板3. 自定义模板内容3.1 实体类信息3.2…

暑期备考2024小学生古诗文大会:吃透历年真题和知识点(持续)

2024年上海市小学生古诗文大会的自由报名初赛将于10月19日(星期六)正式开始,还有3个多月的时间。 为帮助孩子们备考,我持续分享往年上海小学生古诗文大会真题,这些题目来自我去重、合并后的1700在线题库,每…

Python中的pytest的使用

使用pytest可以做测试 pip 安装 pip install pytest有可能得配置环境变量! 下面代码展示 文件名必须得是 test_ 开头 或者 _test 结尾 import pytestdef add(x, y):return x ydef test1():assert 3 add(1, 2)def test2():assert 2 add(1, 1)if __name__ __ma…

Python中的数据容器及其在大数据开发中的应用

在Python编程中,数据容器是存储和组织数据的基本工具。作为大数据开发者,了解并灵活运用各种容器类型对于高效处理大规模数据至关重要。今天,我们将从Set出发,探讨Python中的各种数据容器,以及它们在大数据处理中的应用…

思维+构造,CF 1059C - Sequence Transformation

一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 1059C - Sequence Transformation 二、解题报告 1、思路分析 n 1,2,3的情况从样例已知 考虑n > 4的情况 我们考虑要字典序最大,自然要最早出现非1的数,…

springboot+vue 开发记录(九)后端打包部署运行

本篇文章主要内容是后端项目写好了,怎么打包部署到服务器上运行。 文章目录 1. 在服务器上安装Docker2. 在Docker中装MySQL3. 在Docker中设置网桥,实现容器间的网络通信4. 修改后端配置文件5. 修改pom.xml文件6. 打包7. 编写DockerFile文件8. 上传文件到…

Java 如何不用再每次新建线程,直接使用公共线程池

前言 Hutool 是一个小而全的Java工具类库,通过静态方法封装,降低相关API的学习成本,提高工作效率,使Java拥有函数式语言般的优雅,让Java语言也可以“甜甜的”。 官网:https://www.hutool.cn/ 推荐说明 并发在Java中…

《昇思25天学习打卡营第17天|K近邻算法实现红酒聚类》

K近邻算法原理介绍 K近邻算法(K-Nearest-Neighbor, KNN)是一种用于分类和回归的非参数统计方法,最初由 Cover和Hart于1968年提出是机器学习最基础的算法之一。它正是基于以上思想:要确定一个样本的类别,可以计算它与所…

hot100

哈希 1.两数之和:求数组中两数的和为target,返回下标。用hash,key存数,value存下标,一次遍历,每次判断hash[taget-num]是否存在,存在就返回两个下标。 https://blog.csdn.net/midi666/article/…

WSGI 服务器教程:`full_dispatch_request` 方法解析

Python WSGI 服务器教程:full_dispatch_request 方法解析 在本文中,我们将详细解析一个用于 WSGI 服务器的 full_dispatch_request 方法。这个方法负责处理完整的请求调度,包括请求的前后处理、异常捕获和错误处理。我们将逐行解释该方法的工…