Java Web———过滤器

本文介绍了Java Web中的过滤器技术,分析了过滤器的基本概念和作用,如拦截请求和响应,设置编码格式,以及权限控制。并提供了一个简单的过滤器创建步骤,包括init、doFilter和destroy方法的使用,以及对登录页面和字符集操作的拦截示例。
摘要由CSDN通过智能技术生成

过滤器小分析

过滤器有字面意思可知就是进行过滤,过滤掉不要的东西。
过滤器(Filter):就是对Web资源进行拦截,然后再进入到下一个过滤器或servlet处理,可是一个非常棒的技术
过滤器的操作是双向的,都是用来拦截request进行处理的,也可以对返回的response进行拦截处理。

简单视图:通过A、B、C、D四个过滤器进行层层过滤
在这里插入图片描述
简单要用到到过滤器的地方:
登录的时候
为了防止乱码,去统一设置编码格式
确定是否有访问权限控制

创建一个Filter:

在Servlet中我们一般都会对request和response中的字符集编码进行配置,还有在网页界面给数据库添加数据,如果过多字符集编码发生变化时修改起码会很麻烦,这些通用的字符集编码配置等工作我们可以放到Filter中来就会比较简单快捷许多。
快捷的创建Filter类
创建完成之后会自动为我们重写好
//@WebFilter("/*" //拦截所有资源 ) 需要进行拦截的资源
// destroy()方法一般用重写
//doFilter(ServletRequest req, ServletResponse resp, FilterChain chain)方法中进行过滤操作,然后交给下一个过滤器。 常用代码有获取请求、获取响应、获取session、放行、设置编码格式等等
// init(FilterConfig config)方法可以获得初始化参数,一般不用重写

在这里插入图片描述
1、Filter的创建
Filter的创建由服务器负责。当服务器启动时,服务器将创建Filter的实例对象,并调用其init方法,完成对象的初始化功能,init方法也只会执行一次。
2、所有的拦截操作在doFilter方法里进行,
3、当关闭服务器是调用destroy方法销毁。destroy方法在Filter的生命周期中仅执行一次。

简单的小例子

对登录页面进行拦截

@WebFilter("/*")
public class
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