Response对象

本文详细介绍了Servlet中Response对象的使用,包括设置响应状态、头和体,重定向与转发的区别,以及服务器输出字符和字节数据的技巧。重点讲解了编码设置和生成验证码的过程,适合理解HTTP响应及前端开发实践。
摘要由CSDN通过智能技术生成

Response对象
功能:设置响应消息。

  1. 设置响应行

格式:HTTP/1.1 200 ok
设置状态码:setStatus(int sc)

  1. 设置响应头:setHeader(String name, String value)
  2. 设置响应体:

步骤:
1.获取输出流。
字符输出流:PrintWriter getWriter()
字节输出流:ServletOutputStream getOutputStream()
2.使用输出流:将数据输出到客户端浏览器。

具体应用:
1.重定向:资源跳转的方式

 response.sendRedirect("要跳转的地址");

重定向和转发的区别

重定向的特点 :redirect
1.地址栏发生变化。
2.重定向可以访问其他服务器的资源。
3.重定向是两次请求。不能使用request域来共享数据。

转发的特点:forward
1.地址栏没有变化。
2.转发只能访问当前服务器下的资源。
3.转发是一次请求,可以使用request对象来共享数据。

相对路径和绝对路径的写法
a.相对路径:不能确定唯一资源。
如:./index.html 不以/开头,以.开头路径

规则:找到当前资源和目标资源之间的相对位置关系
./:当前目录
…/:后退一级目录

b.绝对路径:可以确定唯一资源。
如:http://localhost/responseDemo2 以/开头的路径

规则:判断定义的路径是给谁用的?判断请求将来从哪儿发出
客户端浏览器使用:需要加虚拟目录(项目的访问路径)
建议虚拟目录动态获取:request.getContextPath()
服务器使用:不需要加虚拟目录

2. 服务器输出字符数据到浏览器
步骤:
a. 获取字符输出流
b. 输出数据
需要注意的问题:乱码

  1. PrintWriter pw = response.getWriter();获取的流的默认编码是ISO-8859-1
  2. 设置该流的默认编码
  3. 告诉浏览器响应体使用的编码

在获取流之前设置编码,简单形式:

response.setContentType("text/html;charset=utf-8");

3. 服务器输出字节数据到浏览器(与输出字符数据同理)

4. 验证码(我们手动写出一个验证码,代码只需要了解即可)
a.本质是一张图片
b.目的是为了防止表单恶意注册


        //2.美化图片
        Graphics g = image.getGraphics(); //画笔对象
        //2.1画背景
        g.setColor(Color.pink);
        g.fillRect(0,0,width,height);

        //2.2画边框
        g.setColor(Color.blue);
        g.drawRect(0,0,width-1,height-1);

        //2.3如何随机写验证码
        String str="ABCDEFGHIGKLMNabsdfghjkl123456";
        //生成随机角标
        Random random=new Random();

        for (int i = 1; i <=4; i++) {
            int index = random.nextInt(str.length());
            //获取字符
            char c = str.charAt(index);
            //写验证码
            g.drawString(c+"",width/5*i,height/2);
        }
        //2.4画干扰线
        g.setColor(Color.green);
        for (int i = 1; i <=10 ; i++) {
            //随机生成坐标点
            int x = random.nextInt(width);
            int x1=random.nextInt(width);

            int y = random.nextInt(height);
            int y1=random.nextInt(height);
            g.drawLine(x,y,x1,y1);
        }




        //3.将图片输出到页面展示
        ImageIO.write(image,"jpg",response.getOutputStream());

    }

    protected void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
        this.doPost(request,response);

    }
}
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
    <script>
        /*
        * 点击超链接 或者图片换一张
        * 1.给超链接和图片绑定单击事件
        * 2.重新设置src 属性值*/
        window.onload=function () {
            var img = document.getElementById("checkCode");
            //绑定单击事件
            img.onclick=function () {
                //时间戳
                var time = new Date().getTime();

                img.src="/login/checkCode?"+time;

            }
        }

        window.onload=function () {
            var href = document.getElementById("click");
            //绑定单击事件
            href.onclick=function () {
                //时间戳
                var time = new Date().getTime();

                img.src="/login/checkCode?"+time;

            }
        }
    </script>
</head>
<body>
<img id="checkCode" src="/login/checkCode" />
<a id="click" href="">看不清换一张</a>

</body>
</html>
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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