Java Web解决Post和Get混合乱码

本文介绍了一种通过DealGetEncodingFilter过滤器处理HTTP GET请求中参数编码的方法。该过滤器能够解析请求中的参数字符串,使用指定的编码方式(如UTF-8)进行解码,并对参数进行统一编码处理,确保客户端传递的参数能够在服务器端正确解析。

主要用两个方法:getQueryString()和getParameterMap()

package com.scjmjd.struts.filter;



import java.io.IOException;
import java.net.URLDecoder;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;


import javax.servlet.Filter;
import javax.servlet.FilterChain;
import javax.servlet.FilterConfig;
import javax.servlet.ServletException;
import javax.servlet.ServletRequest;
import javax.servlet.ServletResponse;
import javax.servlet.http.HttpServletRequest;


public class DealGetEncodingFilter implements Filter{


private FilterConfig filterConfig = null;

@Override
public void destroy() {
this.filterConfig = null;  
}


@SuppressWarnings("unchecked")
public void doFilter(ServletRequest request, ServletResponse response,
FilterChain chain) throws IOException, ServletException {

String encoding = this.filterConfig.getInitParameter("encoding");

request.setCharacterEncoding(encoding);

response.setContentType("text/html;charset="+encoding);

HttpServletRequest httpRequest = (HttpServletRequest)request;

//获取GET参数字符串
String getParamStr = httpRequest.getQueryString();


//放置GET参数的键和值(存在多个值)
Map<String, List<String>> getParamMap = new HashMap<String, List<String>>();

if(getParamStr != null){

String [] getParamArr = getParamStr.split("&");

for(int i=0;i<getParamArr.length;i++){

String [] keyVal = getParamArr[i].split("=");

if(getParamMap.get(keyVal[0]) == null){


List<String> listVal = new ArrayList<String>();

listVal.add(keyVal[1]);

getParamMap.put(keyVal[0], listVal);

}else{

List<String> listVal = getParamMap.get(keyVal[0]);

listVal.add(keyVal[1]);

}
}
}



//获取所有参数
Map<String, Object> paramMap =httpRequest.getParameterMap();

//遍历Get传送的键值
for(String key : getParamMap.keySet()){

String [] paramVals = (String[])paramMap.get(key);


List<String> getParamVals = getParamMap.get(key);

for(int n=0;n<paramVals.length;n++){

//System.out.println("prep"+paramVals[n]);

for(int m=0;m<getParamVals.size();m++){

//System.out.println("all"+paramVals[n]+"\t"+"only"+getParamVals.get(m));

//尝试将所有参数转码
String paramValEncode = new String(paramVals[n].getBytes("iso-8859-1"),encoding);

//尝试地址栏参数转码
String getParamvalEncode = URLDecoder.decode(getParamVals.get(m),encoding);

//尝试转码后的字符是否一样
if(paramValEncode.equals(getParamvalEncode)){

//System.out.println("prep"+paramVals[n]);
//转换编码
paramVals[n] = new String(paramVals[n].getBytes("iso-8859-1"),encoding);

//System.out.println("next"+paramVals[n]);
}
}
}
}

        chain.doFilter(request, response);  

}

@Override
public void init(FilterConfig filterConfig) throws ServletException {
// TODO Auto-generated method stub
this.filterConfig = filterConfig;
}

}


<filter>  
    <filter-name>CharacterEncoding</filter-name>  
    <filter-class>com.scjmjd.struts.filter.DealGetEncodingFilter</filter-class>
    <init-param>  
        <param-name>encoding</param-name>  
        <param-value>UTF-8</param-value>  
    </init-param>  
</filter>  
<filter-mapping>  
    <filter-name>CharacterEncoding</filter-name>  
    <url-pattern>/*</url-pattern>  
</filter-mapping> 

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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