spring + Struts 整合 (一)

好久没有做web,一直混在swing中,下面主要是记录这次搭建web框架的一点学习记录,请大家不要喷我,谢谢。  

说明:该方式主要是在struts的action中获取spring容器中的bean

首先需要在web.xml中增加一个监听代码如下:

  <!-- Spring ContextConfigLocation -->
 <context-param>
  <param-name>contextConfigLocation</param-name>
  <param-value>classpath:ctxconf/spring/applicationContext.xml</param-value>
 </context-param>
 
  <!-- Spring ContextLoader Listener -->
 <listener>
  <listener-class>org.springframework.web.context.ContextLoaderListener</listener-class>
 </listener>

 

然后在cation中获取spring的bean,而不用去new

 方法一

 /**
  * @param request
 * @return
  */
 public WebApplicationContext getSeriverContext(HttpServletRequest request){
  
  WebApplicationContext wac =  WebApplicationContextUtils.getRequiredWebApplicationContext(this.getSeriverContext(request)); 
       return wac ;
 }

 

 public UserDao getUserDao (HttpServletRequest request){
 return (UserDao ) this.getSeriverContext(request).getBean("userDao");
}

方法二

 /**
  * 
 * @return
  */

 public WebApplicationContext getSeriverContext(){

  ServletContext servletContext = this.getServlet().getServletContext();
  WebApplicationContext ctx = WebApplicationContextUtils.getWebApplicationContext(servletContext);

 return ctx;

}


 public LoginDAO getLoginDAO(){
 return (LoginDAO) this.getSeriverContext().getBean("loginDAO");
}

 上面主要是spring的上下文监听在服务启动的时候就已经初始化好放在ServletContext 中,我们可以从ServletContext获取上下文。

 

 这种方式主要是跟spring耦合太紧密,不过特别的好理解,spring跟struts分工比较明确,所有的DAO层都交给spring来管理,控制给struts来做。

下次再补充吧,还有好多的事情要做写得不是很清楚。

 

  • 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。 四、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