Struts2 - 上传任意多个文件

156 篇文章 2 订阅

Struts2 - 上传任意多个文件

一、上传单个文件

在Struts1.x中已经提供了用于上传文件的组件。而在Struts2中提供了一个更为

容易操作的上传文件组件。所不同的是,Struts1.x的上传组件需要一个

ActionForm来传递文件,而Struts2的上传组件是一个拦截器(这个拦截器不用

配置,是自动装载的)。

要用Struts2实现上传单个文件的功能非常容易实现,只要使用普通的Action即

可。但为了获得一些上传文件的信息,如上传文件名、上传文件类型以及上传文

件的Stream对象,就需要按着一定规则来为Action类增加一些getter和setter方

法。

在Struts2中,用于获得和设置java.io.File对象(Struts2将文件上传到临时路

径,并使用java.io.File打开这个临时文件)的方法是getUpload和setUpload。

获得和设置文件名的方法是getUploadFileName和setUploadFileName,获得和设

置上传文件内容类型的方法是getUploadContentType和setUploadContentType。

下面是用于上传的动作类的完整代码:

package action;
   import java.io.*;
  import com.opensymphony.xwork2.ActionSupport;

   public class UploadAction extends ActionSupport   {
      private File upload;
      private String fileName;
      private String uploadContentType;
            public String getUploadFileName()
      {
          return fileName;
      }

       public void setUploadFileName(String fileName)
      {
          this.fileName = fileName;
      }

       public File getUpload()
      {
          return upload;
      }

       public void setUpload(File upload)
      {
          this.upload = upload;
      }

      public void setUploadContentType(String contentType)
      {
          this.uploadContentType=contentType;
            }

            public String getUploadContentType()
      {
          return this.uploadContentType;
      }

      public String execute() throws Exception      {            

java.io.InputStream is = new java.io.FileInputStream(upload);         

java.io.OutputStream os = new java.io.FileOutputStream("d:\\upload\\"

+ fileName);  
         byte buffer[] = new byte[8192];
            int count = 0;
          while((count = is.read(buffer)) > 0)          {             

os.write(buffer, 0, count);          }
          os.close();
          is.close();
          return SUCCESS;
      }
  }

  在execute方法中的实现代码就很简单了,只是从临时文件复制到指定的路径

(在这里是d:\upload)中。上传文件的临时目录的默认值是

javax.servlet.context.tempdir的值,但可以通过struts.properties(和

struts.xml在同一个目录下)的struts.multipart.saveDir属性设置。Struts2

上传文件的默认大小限制是2M(2097152字节),也可以通过struts.properties

文件中的struts.multipart.maxSize修改,如struts.multipart.maxSize=2048

表示一次上传文件的总大小不能超过2K字节。

下面的代码是上传文件的JSP页面代码:

 < %@ page language="java" import="java.util.*" pageEncoding="GBK"%>
 < %@ taglib prefix="s" uri="/struts-tags"%>
  < html>
     < head>
         < title>上传单个文件< /title>
     < /head>
      < body>
         < s:form action="upload" namespace="/test"            

enctype="multipart/form-data">
             < s:file name="upload" label="输入要上传的文件名" />     

       < s:submit value="上传" />
         < /s:form>
      < /body>
 < /html>

 也可以在success.jsp页中通过< s:property>获得文件的属性(文件名和文件

内容类型),代码如下:

< s:property value="uploadFileName"/>

二、上传任意多个文件

在Struts2中,上传任意多个文件也非常容易实现。首先,要想上传任意多个文

件,需要在客户端使用DOM技术生成任意多个< input type=”file” />标签。

name属性值都相同。代码如下:

< html>
     < head>
         < script language="javascript">
  function addComponent()
  {
          var uploadHTML = document.createElement( "< input

type='file'  name='upload'/>");
          document.getElementById("files").appendChild(uploadHTML);   

      uploadHTML = document.createElement( "< p/>");         

document.getElementById("files").appendChild(uploadHTML);
  }
  < /script>
     < /head>
     < body>
         < input type="button" οnclick="addComponent();" value="添加文

件" />         < br />
         < form οnsubmit="return true;"

action="/struts2/test/upload.action"             method="post"

enctype="multipart/form-data">
             < span id="files">
 < input type='file' name='upload' />                 < p />          

  < /span>
             < input type="submit" value="上传" />
         < /form>
     < /body>
  < /html>

 上面的javascript代码可以生成任意多个< input type=’file’>标签,name

的值都为file(要注意的是,上面的javascript代码只适合于IE浏览器,

firefox等其他浏览器需要使用他的代码)。至于Action类,和上传单个文件的

Action类基本一至,只需要将三个属性的类型改为List即可。代码如下:

package action;
   import java.io.*;
  import com.opensymphony.xwork2.ActionSupport;

   public class UploadMoreAction extends ActionSupport
  {
      private java.util.List< File> uploads;
      private java.util.List< String> fileNames;
      private java.util.List< String> uploadContentTypes;
       public java.util.List< String> getUploadFileName()
      {          return fileNames;      }

      public void setUploadFileName(java.util.List< String> fileNames)

     {          this.fileNames = fileNames;      }

      public java.util.List< File> getUpload()      {          return

uploads;      }

       public void setUpload(java.util.List< File> uploads)      {    

     this.uploads = uploads;      }

       public void setUploadContentType(java.util.List< String>

contentTypes)      {          this.uploadContentTypes = contentTypes; 

     }

       public java.util.List< String> getUploadContentType()      {   

      return this.uploadContentTypes;      }

       public String execute() throws Exception      {          if

(uploads != null)
          {
              int i = 0;
              for (; i <  uploads.size(); i++)
              {
                  java.io.InputStream is = new

java.io.FileInputStream(uploads.get(i));                 

java.io.OutputStream os = new java.io.FileOutputStream(               

          "d:\\upload\\" + fileNames.get(i));
                  byte buffer[] = new byte[8192];
                  int count = 0;
                  while ((count = is.read(buffer)) > 0)               

  {                      os.write(buffer, 0, count);                 

}
                  os.close();
                  is.close();
              }
          }
          return SUCCESS;
      }  }

  在execute方法中,只是对List对象进行枚举,在循环中的代码和上传单个文

件时的代码基本相同。如果读者使用过struts1.x的上传组件,是不是感觉

Struts2的上传功能更容易实现呢?在Struts1.x中上传多个文件时,可是需要建

立带索引的属性的。而在Struts2中,就是这么简单就搞定了。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值