spring-mvc入门(四):视图与视图解析器(上)

四、视图与视图解析器

通常像spring mvc 这样的web框架都会有相应的定位视图技术,spring提供了视图解析器来解析ModelAndView模型数据到特定的视图上,spring提供了ViewResolver和View两个特别重要的接口,ViewResolver提供了从视图名称到实际视图的映射,View处理请求的准备的工作,并将该请求提交给某种具体的视图解析器
1.使用Excel作为视图(了解)
步骤一:建立后端控制器ExcelControl.java,主要代码如下:

package com.asm;
//...省略导入的相关类
public class ExcelControl extends AbstractController {
	@Override
	protected ModelAndView handleRequestInternal(HttpServletRequest request, HttpServletResponse response)	throws Exception {
		Map map = new HashMap();
		List wordList = new ArrayList();

		wordList.add("first");
		wordList.add("second");
		wordList.add("third");

		map.put("wordList", wordList);
		return new ModelAndView("exl", map);
	}
}

 步骤二:编写web.xml(参前面实例),编写配置spmvc-servlet.xml文件,主要代码如下:

<bean id="rbViewResolver"	class="org.springframework.web.servlet.view.ResourceBundleViewResolver">
	<property name="order" value="2" />
	<property name="basename" value="view" />
</bean>

<bean id="simpleUrlHandlerMapping"		class="org.springframework.web.servlet.handler.SimpleUrlHandlerMapping">
	<property name="mappings">
		<props>
			<prop key="/getExcel.do">excelControl</prop>		
		</props>
	</property>
</bean>

<bean id="excelControl" class="com.asm.ExcelControl"></bean>

 简析:ResourceBundleViewResolver视图解析器会在classpath中寻找properties属性文件,根据此bean配置的<property name="basename" value="view" />说明寻找的properties文件名为view.properties。<property name="order" value="2" />说明了此解析器在整个解析链接中的顺序。
步骤三:编写view.properties文件,主要代码如下:
exl.(class)=com.asm.ExcelViewBuilder
说明:在控制器中返回的视图名称exl——>return new ModelAndView("exl", map),所以这里要用exl.(class)。而exl视图会交给com.asm.ExcelViewBuilder进行预处理。
步骤四:编写AbstractExcelView.java,由于此类用到了生成Excel文件相关的jar包,所以应先下载poi-2.5.1.jar并导入。主要代码如下:

package com.asm;
//...省略导入的相关类
public class ExcelViewBuilder extends AbstractExcelView {
	protected void buildExcelDocument(Map model, HSSFWorkbook wb, HttpServletRequest req,	HttpServletResponse resp) throws Exception {
		HSSFSheet sheet;
		HSSFCell cell;

		sheet = wb.createSheet("Spring's Excel"); // 创建一张表;
		// sheet = wb.getSheetAt(0);//根据索引,得到第一张存在的表
		sheet.setDefaultColumnWidth((short) 10); // 设置列数为10:即A-J
		cell = getCell(sheet, 0, 0); //第二个参数-->excel表数字序号;第三个参数-->excel表字母序号,比如此处,构建A1单元格
		setText(cell, "Spring-Excel test"); // 把内容写入A1
		List words = (List) model.get("wordList");
		for (int i = 0; i < words.size(); i++) {
			cell = getCell(sheet, 2, i);// A3-B3-C3
			setText(cell, (String) words.get(i));
		}
	}
}

 

步骤五:启动服务器,输入 /getExcel.do ,将访问到 excel 文件。

 

简析执行过程:当后端控制器接受到前端控制派发的请求时,后端控制器会首先准备Model,这里即Map对象,然后返回exl视图。在返回视图前,会查找spmvc-servlet.xml配置文件,当查找名为exl的视图是由ResourceBundleViewResolver视图解析器进行解析时,这时根据此视图解析的解析规则,会对每个待解析的视图,ResourceBundle里(这时即view.properties文件)[视图名].class所对应的值就是实现该视图的类。 同样,[视图名].url所对应的值是该视图所对应的URL。当视图类成功完成视图的预处理工作后,会把此视图返回给客户端。

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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