struts2使用笔记

从一个action直接跳到另一个action中,struts提供了两种结果类型可以实现:chain,redirect.
两者的区别在于chain可以保存参数,而redirect则不可以。
http://blog.csdn.net/chenssy/article/details/7960599
写法:<package name="mystruts1" extends="struts-default" namespace="/mystruts1">
<!-- 第一个Action -->
<action name="test_*" class="com.action.TestAction" method="{1}">
<result name="text_chain" type="chain">result_resultChain</result>
<result name="text_redirect" type="redirect">result_resultRedirect</result>
</action>

<!-- 第二个Action -->
<action name="result_*"  class="com.action.ResultAction" method="{1}">
</action>
</package>




当然不是绝对的使用另一种方法可以实现redirect带参数
写法<result name=”success” type=”redirectAction”>
<param name=”actionName”>testAction</param>
<param name=”id”>${id}</param>//从这个action的值栈中取值
</result>






使用ognl表达式时


当使用ognl表达式时 我们可以使用iterator标签进行嵌套,可以将两层的iterator进行一起使用,在使用上一个iterator的中元素需要在本iterator中使用用#标记就可以获取上一个iterator中的元素。
在xml文件中使用ognl是使用${},而是在html文件中使用的是%{}。
值栈(value stack)是包括map栈与对象栈(list)。
Struts会将parameters request,session,application,attr压入map栈中
每创建一个action会创建一个值栈
Action返回时会将属性值放在对象栈中,使用%{#}无法取到对象栈的值,但是如果使用%{}是先找对象栈而后去找map栈(其原因是map栈中含有_root索引)




 在struts.xml文件中使用namesapce的情况是当加上/WEB-INF是从文件的根目录(WEBRoot下)去查找,不使用是从当前的namespace目录下去查找的。
在html下不使用/表示的是从当前的目录下去查找,使用时从当前的域名下去查找当前的文件。


三大框架整合配置404页面
在web.xml中配置
<error-page>
  <error-code>404</error-code>
  <location>/test/java.jpg</location>
 </error-page>
<error-page>
  <error-code>500</error-code>
  <location>/test/java.jpg</location>
 </error-page>
可以使访问不到的jsp页面转到java.jpg
在struts.xml中配置文件
<package name="serveAll" namespace="" extends="struts-default">


   <action name="*">

       <result>/test/java.jsp</result>

   </action>

</package>
  • 1
    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