关于struts2 和velocity 配置后,t…

在web开发中视图层可以是jsp,velocity,freemarker等,在控制层现在最流行的是struts2,这个就不介绍了,现在介绍一下velocity。

Velocity是一个基于java的模板引擎(template  engine)。它允许任何人仅仅简单的使用模板语言(template  language)来引用由java代码定义的对象。

当Velocity应用于web开发时,界面设计人员可以和java程序开发人员同步开发一个遵循MVC架构的web站点,也就是说,页面设计人员可以只关注页面的显示效果,而由java程序开发人员关注业务逻辑编码。Velocity将java  代码从web页面中分离出来,这样为web站点的长期维护提供了便利,同时也为我们在JSP和PHP之外又提供了一种可选的方案。

Velocity的能力远不止web站点开发这个领域,例如,它可以从模板(template)产生SQL和PostScript、XML,它也可以被当作一个独立工具来产生源代码和报告,或者作为其他系统的集成组件使用。  Velocity也可以为Turbine  web开发架构提供模板服务(template  service)。Velocity Turbine提供一个模板服务的方式允许一个web应用以一个真正的MVC模型进行开发。

在struts2中用token用来防止数据重复提交的,如果使用jsp做视图层,那么直接可以使用struts2的标签,但是如果使用velocity作为视图层,就没有办法使用struts2标签了,这样数据的重复提交就没有很好的办法处理了,通过我自己的实践,发现velocity是可以使用struts2中的token,但是必须进行一些配置,具体的配置如下:

关于struts2  和velocity  配置后,token的使用:

1、添加velocity的toolbox.xml工具集到struts2的配置文件中

<constant  name="struts.velocity.toolboxlocation"  value="WEB-INF/toolbox.xml"  />
2、在toolbox.xml添加。

<tool>
    <key>TokenHelper</key>
    <scope>request</scope>
    <class>org.apache.struts2.util.TokenHelper</class>
</tool>
3、在vm页面使用token

<input  type="hidden"  name="struts.token.name"  value="token"  />
<input  type="hidden"  name="token"  value="$TokenHelper.setToken("token")"  />
或者在VM_global_library.vm里添加

#macro(token  $value)
<input  type="hidden"  name="struts.token.name"  value="token"  />
<input  type="hidden"  name="token"  value="$value"  />
#end
vm页面直接#token($TokenHelper.setToken("token"))这样调用即可。

4、struts2的配置文件的action里拦截器。

<interceptor-ref  name="token"/>
<interceptor-ref  name="defaultStack"  />
<result  name="invalid.token"  type="velocity">/Admin/invalidToken.vm</result>
通过上述配置后velocity模版就能使用struts2中用token来防止数据的重复提交,就能和struts2无缝的结合了。
  • 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