`
log_cd
  • 浏览: 1106168 次
  • 性别: Icon_minigender_1
  • 来自: 成都
社区版块
存档分类
最新评论

Buffalo.BOCLASS与Buffalo.Form.formToBean,session

阅读更多
1.客户端 js 的数组来映射服务器端的 Map 对象
(1).service
public  Map object(Map arg)   {
               return  arg;
    } 

(2).js
< script language = " javascript " > 
var buffalo  =   new  Buffalo(endPoint)

function sendObject()   {
    var a  =    {} ;
    a[Buffalo.BOCLASS]  =   " java.util.Map " ;
    a[ " a " ]  =   " A " ;
    a[ " b " ]  =   true ;
    a[ " c " ]  =   123.4 ;
    var u  =    {} ;
    u[Buffalo.BOCLASS]  =   " net.buffalo.demo.simple.User " ;
    u.id  =   234 ;
    u.name  =   " <xml here>& " ;
    u.age  =   17 ;
    u.sex  =   false ;
    u.memo  =   " very beautiful " ;
    a[ " u " ]  =  u;
    buffalo.remoteCall( " simpleService.object " ,[a], function(reply)   {
        alert( " return user memo: "   +  reply.getResult()[ " u " ].memo);
    } );
} 
 </ script > 


2.将表单序列化为一个dto(Data Transfer Object)对象

(1).dto对象
public class User {
    private int id;
    private String name;
    private int age;
    private boolean sex;
    private String memo;
    
    public User() {
    }
}


(2).js
<script language="javascript">
var buffalo = new Buffalo(endPoint);

function doAnotherSubmit() {
    var userObj = Buffalo.Form.formToBean("form1", "net.buffalo.demo.form.User");
    buffalo.remoteCall("userService.createUser", [userObj], function(reply){
        $("form_infomsg").innerHTML="Form has been submited, username is: " + reply.getResult().username;
    })
}
</script>


3.buffalo中使用session

(1).Buffalo为那些需要使用session, request,servletContext对象的服务提供了BuffaloService类,任何服务只需要继承这个类就可以获得容器对象,如request,session, context等。
例:
import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpSession;
import net.buffalo.server.BuffaloService;
class LoginService extends BuffaloService{
   public boolean login(String username, String password) { 
   HttpServletRequest request = (HttpServletRequest)getRequest(); 
   HttpSession session = request.getSession();

   if (username == "foo" && password="bar") { 
      session.setAttribute("username", username); 
      return true; 
    } 
     else 
       {return false;}
  }
}


(2). 从Buffalo2.0开始,你方便地可以get/set session/cookie/context的值。通过使用RequestContext类,你能以更加轻松的方式全权控制它们的生命周期值。
// Get a thread-safe request context
context = net.buffalo.request.RequestContext.getContext();

// Get session value
Map session = context.getSession();
String username = (String)session.get("username");
// Update the session value, will refresh the session immediately
session.put("username", "newUsername");

// cookie
Map cookieMap = context.getCookie();
Cookie cookie = cookieMap.get("cookieName");
// update cookie
Cookie c = new Cookie("name", "value");
cookieMap.put(c.getName(), c);

// ServletContext
Map application = context.getApplication();
Object value = application.get("key");
...

注:
1.2.4之前需要继承一个BuffaloService,从1.2.4开始就不需要继承了,引入了线程安全的BuffaloContext对象,只需要通过BuffaloContext.getContext()即可获得一个线程安全的引用,并且对Request的各种属性进行操作。
Map BuffaloContext.getContext().getSession()
Map BuffaloContext.getContext().getApplication()
Map BuffaloContext.getContext().getCookie()
分享到:
评论

相关推荐

    DebuggingWithGDB 6.8-2008

    1 A Sample gdb Session . . . . . . . . . . . . . . . . . . . . . . 7 2 Getting In and Out of gdb . . . . . . . . . . . . . . . . 11 2.1 Invoking gdb . . . . . . . . . . . . . . . . . . . . . . . . . ....

    强化学习——电网运营和维护的强化学习,用于电网优化运营和维护Matlab代码.rar

    1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    cmd-bat-批处理-脚本-MakeToolWindow.zip

    cmd-bat-批处理-脚本-MakeToolWindow.zip

    “华为杯”第十八届中国研究生数学建模竞赛参赛论文

    “华为杯”第十八届中国研究生数学建模竞赛是一项全国性赛事,致力于提升研究生的数学建模与创新实践能力。数学建模是将实际问题转化为数学模型,并运用数学方法求解以解决实际问题的科学方法。该竞赛为参赛者提供了展示学术水平和团队协作精神的平台。 论文模板通常包含以下内容:封面需涵盖比赛名称、学校参赛队号、队员姓名以及“华为杯”和中国研究生创新实践系列大赛的标志;摘要部分应简洁明了地概括研究工作,包括研究问题、方法、主要结果和结论,使读者无需阅读全文即可了解核心内容;目录则列出各章节标题,便于读者快速查找;问题重述部分需详细重新阐述比赛中的实际问题,涵盖背景、原因及重要性;问题分析部分要深入探讨每个问题的内在联系与解决思路,分析各个子问题的特点、难点及可能的解决方案;模型假设与符号说明部分需列出合理假设以简化问题,并清晰定义模型中的变量和符号;模型建立与求解部分是核心,详细阐述将实际问题转化为数学模型的过程,以及采用的数学工具和求解步骤;结果验证与讨论部分展示模型求解结果,评估模型的有效性和局限性,并对结果进行解释;结论部分总结研究工作,强调模型的意义和对未来研究的建议;参考文献部分列出引用文献,遵循规范格式。 在准备竞赛论文时,参赛者需注重逻辑清晰、论述严谨,确保模型科学实用。良好的团队协作和时间管理也是成功的关键。通过竞赛,研究生们不仅锻炼了数学应用能力,还提升了团队合作、问题解决和科研写作能力。

    一个检测俯卧撑和下蹲的检测系统

    希望这会对大家有用,共同发挥互联网精神!

    用于分析和表示神经动脉血流的MATLAB模型.rar

    1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    cmd-bat-批处理-脚本-Run python script.zip

    cmd-bat-批处理-脚本-Run python script.zip

    基于MatlabSimulink的UKFEKF路面附着系数估计及仿真分析 MatlabSimulink

    内容概要:本文详细介绍了利用Matlab/Simulink平台,通过无迹扩展卡尔曼滤波(UKF/EKF)进行路面附着系数估计的方法及其仿真功能。文中首先阐述了Dugoff轮胎模型的构建方法,强调了避免代数环的重要性,并提供了具体的模块连接方式。接着,描述了7自由度整车模型的搭建步骤,特别是质心加速度和轮速之间的耦合关系。最后,深入探讨了UKF和EKF滤波器的配置细节,包括状态变量选择、观测值设定以及协方差矩阵的初始化等关键参数调整。仿真结果显示,在80km/h的速度下,UKF相比EKF的均方误差降低了18%,但CPU耗时增加了40%。 适合人群:从事车辆控制系统研究的专业人士,尤其是对卡尔曼滤波有一定了解的研究人员和技术人员。 使用场景及目标:适用于需要精确估计路面附着系数的应用场合,如汽车电子稳定程序(ESP)的设计与优化。通过提高附着系数估计的准确性,可以有效提升车辆行驶的安全性和稳定性。 其他说明:文章不仅提供了理论指导,还给出了实际操作的具体步骤和注意事项,帮助读者更好地理解和应用相关技术。

    实体建模技术研究进展.zip

    实体建模技术研究进展.zip

    基于4G通信的高负载电动汽车远程监控平台软件设计与开发.zip

    基于4G通信的高负载电动汽车远程监控平台软件设计与开发.zip

    IMG_20250521_201207.jpg

    IMG_20250521_201207.jpg

    cmd-bat-批处理-脚本-数学-isInteger.zip

    cmd-bat-批处理-脚本-数学-isInteger.zip

    基于改进DeepLabv3+的高分辨率遥感影像屋顶提取方法.pdf

    基于改进DeepLabv3+的高分辨率遥感影像屋顶提取方法.pdf

    cmd-bat-批处理-脚本-post-install.zip

    cmd-bat-批处理-脚本-post-install.zip

    基于遗传算法优化的BP神经网络预测模型代码及注释

    遗传算法优化BP神经网络(GABP)是一种结合了遗传算法(GA)和BP神经网络的优化预测方法。BP神经网络是一种多层前馈神经网络,常用于模式识别和预测问题,但其容易陷入局部最优。而遗传算法是一种模拟自然选择和遗传机制的全局优化方法,能够有效避免局部最优 。GABP算法通过遗传算法优化BP神经网络的权重和阈值,从而提高网络的学习效率和预测精度 。 种群:遗传算法中个体的集合,每个个体代表一种可能的解决方案。 编码:将解决方案转化为适合遗传操作的形式,如二进制编码。 适应度函数:用于评估个体解的质量,通常与目标函数相反,目标函数值越小,适应度越高。 选择:根据适应度保留优秀个体,常见方法有轮盘赌选择、锦标赛选择等。 交叉:两个父代个体交换部分基因生成子代。 变异:随机改变个体的部分基因,增加种群多样性。 终止条件:当迭代次数或适应度阈值达到预设值时停止算法 。 初始化种群:随机生成一组神经网络参数(权重和阈值)作为初始种群 。 计算适应度:使用神经网络模型进行训练和预测,根据预测误差计算适应度 。 选择操作:根据适应度选择优秀个体 。 交叉操作:对选择的个体进行交叉,生成新的子代个体 。 变异操作:对子代进行随机变异 。 替换操作:用新生成的子代替换掉一部分旧种群 。 重复步骤2-6,直到满足终止条件 。 适应度函数通常以预测误差为基础,误差越小,适应度越高。常用的误差指标包括均方根误差(RMSE)或平均绝对误差(MAE)等 。 GABP代码中包含了适应度函数的定义、种群的生成、选择、交叉、变异以及训练过程。代码注释详尽,便于理解每个步骤的作用 。 GABP算法适用于多种领域,如时间序列预测、经济预测、工程问题的优化等。它特别适合解决多峰优化问题,能够有效提高预测的准确性和稳定性 。

    太阳高度角和方位角建模及核桃树阴影变化分析.pdf

    太阳高度角和方位角建模及核桃树阴影变化分析.pdf

    cmd-bat-批处理-脚本-param2.zip

    cmd-bat-批处理-脚本-param2.zip

    前端开发Uniapp日期时间选择器:实现分钟动态步长设置

    Uniapp原生适配日期时间选择器,可动态设置分钟显示间隔

    cmd-bat-批处理-脚本-日期-W32DOW.zip

    cmd-bat-批处理-脚本-日期-W32DOW.zip

    logo ant design 的

    logo ant design 的

Global site tag (gtag.js) - Google Analytics