Java for Web学习笔记(一一七):Spring Data(5)分页例子(下)

jsp代码

下面是代码的片段,导读如下:

  • 显示页序号:comments.totalPages是总页数,链接格式为/ticket/view/${ticket.id}?paging.page=xxx&paging.size=xxxx,paging.page和paging.size或转换为controller方法中的Pageable参数,如果没有采用缺省的
  • 显示该页内容,存放在comments.content中。
    <h3><spring:message code="title.ticketView.comments" /></h3>
    <c:choose>
    	<c:when test="${comments.totalElements == 0}">
    		<i><spring:message code="message.ticketView.noComments" /></i><br /><br />
    	</c:when>
    	<c:otherwise>
    		<spring:message code="message.ticketView.comments.page" /> :: 
	    	<c:forEach begin="1" end="${comments.totalPages}" var="i">
	    	    <c:choose>
		    		<c:when test="${(i - 1) == comments.number}">
		    			${i}
		    		</c:when>
		    		<c:otherwise>
		    			<a href="<c:url value="/ticket/view/${ticket.id}">
		    						<c:param name="paging.page" value="${i}" />
		    						<c:param name="paging.size" value="10" />
		    					</c:url>">${i}</a>	
		    		</c:otherwise>
		    	</c:choose> 		 
	    	</c:forEach><br/>
    		<c:forEach items="${comments.content}" var="comment">
    			<i><c:out value="${comment.customerName}" /> </i>
    			(<wrox:formatDate value="${comment.dateCreated}" type="both"
                                 timeStyle="short" dateStyle="medium" />)<br />
                <c:out value="${comment.body}" /><br /><br />
    		</c:forEach>    		
    	</c:otherwise>
    </c:choose>

java代码

仓库接口代码

我们创建TicketCommentEntity,在cn.wei.flowingflying.customer_support.site.repositories中创建相关的仓库接口:

public interface TicketCommentRepository extends CrudRepository<TicketCommentEntity, Long>{
	// 新增接口,输出为Page<E>
	Page<TicketCommentEntity> getByTicketId(long ticketId, Pageable p);
}

相关的Service代码

@Validated
public interface TicketService {  
    ......
    @NotNull Page<TicketComment> getComments(@Min(value = 1L, message = "{validate.ticketService.getComments.id}") long ticketId,
                                             @NotNull(message = "{validate.ticketService.getComments.page}") Pageable page);
}
@Service
public class DefaultTicketService implements TicketService{
	@Inject TicketRepository ticketRepository;
	......
	@Override
	public @NotNull Page<TicketComment> getComments(
			@Min(value = 1, message = "{validate.ticketService.getComments.id}") long ticketId,
			@NotNull(message = "{validate.ticketService.getComments.page}") Pageable page) {
		//这里假定用于UI显示的TicketComment和用户数据库存放的TicketCommentEntity有差异,这是常见的情况。而convert()是用于转换的方法。
		List<TicketComment> comments = new ArrayList<>();
		Page<TicketCommentEntity> entities = this.commentRepository.getByTicketId(ticketId, page);
		entities.forEach(e->comments.add(convert(e))); 
		
		return new PageImpl<>(comments, page, entities.getTotalElements());
	}
}

相关的controller代码

//显示信息。转换器会自动将请求中的参数转换为Pageable page参数
@RequestMapping(value = "view/{ticketId}", method = RequestMethod.GET)
public ModelAndView view(Map<String,Object> model, Pageable page, @PathVariable("ticketId") long ticketId){
	Ticket ticket = this.ticketService.getTicket(ticketId);
	if(ticket == null)
		return getListRedirectModelAndView();
	model.put("ticketId", ticketId);
	model.put("ticket", ticket);
	model.put("comments", this.ticketService.getComments(ticketId, page));
	model.put("commentForm", new CommentForm()); //这是下面添加comment的form,相关代码从略
	return new ModelAndView("ticket/view");
}

相关链接: 我的Professional Java for Web Applications相关文章
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