会话技术-----Cookie

本文介绍了会话技术的基础概念,重点讲解了Cookie和Session两种客户端与服务器端会话技术的使用方法、原理及注意事项。通过实例展示了如何在Servlet中操作Cookie,以及它们在存储、共享和生命周期管理上的特点。
摘要由CSDN通过智能技术生成

会话技术:
1.会话:一次会话中包含多次请求和响应。
2.一次会话:浏览器给服务器第一次发送请求,会话建立,直到有一方断开。
3.功能:在一次会话的范围内的多次请求之间,共享数据。
4.有两种方式:
(1)客户端会话技术:Cookie
(2)服务器端会话技术:Session

Cookie

1.概念:
客户端会话技术,将数据保存在客户端。

2.简单使用(步骤):

(1)创建Cookie对象

 Cookie c=new Cookie(String name,String value);

(2)发送Cookie对象

response.addCookie(Cookie对象);

(3)获取Cookie,拿到的是一个存放cookies的数组

Cookie[] cookies = request.getCookies();
//第一个Servlet,用于创建cookie并发送cookie对象
@WebServlet("/CookieDemo1")
public class CookieDemo1 extends HttpServlet {
    protected void doPost(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
        //1.创建cookie
        Cookie c=new Cookie("msg","你好");
        //2.发送Cookie对象
        response.addCookie(c);

    }

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

    }
}
//第二个servlet,用于获取cookies
@WebServlet("/CookieDemo2")
public class CookieDemo2 extends HttpServlet {
    protected void doPost(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
        //3.获取Cookie
        Cookie[] cookies = request.getCookies();
        if(cookies!=null){
            for (Cookie cookie : cookies) {
                String name = cookie.getName();
                String value = cookie.getValue();
                System.out.println(name+":"+value);
            }
        }

    }

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

    }
}

运行结果:
结果
3.cookie的实现原理

基于响应头set-cookie和请求头cookie实现

4.cookie的相关细节

  • 一次可不可以发送多个cookie?

可以发送多个。
创建多个Cookie对象,使用Response调用多次addCookie方法发送cookie即可。

  • cookie在浏览器中可以保存多长时间?

1.默认情况下,当浏览器关闭,cookie消失
2.可以设置cookie的持久化保存:
setMaxAge(int seconds)
(1)正数:表示持久化在硬盘的文件中,并指定cookie存活时间,时间到后,cookie文件自动失效 c.setMaxAge(30);表示30秒后cookie自动消失.
(2) 负数:默认值。
(3)零:删除cookie信息。

  • cookie能不能存储中文?

在tomcat8之前,cookie不能直接存储中文数据。需要将中文数据转码,一般采用URL编码(%E3)
在tomcat8之后,cookie支持中文数据。但是特殊字符还是不支持,建议使用URL编码存储,URL编码解析。

  • cookie的共享问题?

1.假设在一个tomcat服务器中,部署了多个web项目,那么在这些web项目中cookie能不能共享?
默认情况下不能共享。
但是可以设置cookie的获取范围。想要在一个服务器下多个web项目共享cookie,可以这只cookie的获取范围为当前的虚拟目录setPath(String path)===setPath("/")

2.不同的tomcat服务器间cookie共享问题?
如果设置一级域名相同,那么多个服务器之间cookie可以共享setDomain(String path)

setDomain(".baidu.com"),那么tieba.baidu.com和news.baidu.com中cookie可以共享

5.Cookie的特点和作用

1.存储数据在客户端浏览器。
2.浏览器对于单个cookie 的大小有限制(4kb)以及对同一个域名下的cookie数量也有限制(20个)。
3.作用:
cookie一般用于存储少量且不太敏感的数据。
在不登录的情况下,完成服务器对客户端身份的识别

6.cookie案例:记住上一次的访问时间

需求:访问一个servlet,如果是第一次访问,则提示:你好!欢迎您首次访问;如果不是第一次,则提示:你好!欢迎您回来,上次访问时间是:显示时间字符串。

  • 0
    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