tapestry的SessionState的研究小结

本文介绍如何在 Tapestry 中利用 @SessionState 实现单点登录(SSO)功能,包括用户登录验证、数据共享及退出登录的过程。

有关 tapestry @SessionState 的研究过程总结

   如果再 tapestry 中想实现页面数据共享,那么可以采用 SSO SSO 主要用 @SessionState 进行描述 ,下面我将做一个 例子 , 实现过程就是在 login 页面输入用户名和密码登陆之后跳转到 welcome 页面:

 

页面类: Login.java

import org.apache.tapestry5.annotations.Property;

import org.apache.tapestry5.annotations.SessionState;

public class Login {

    @Property

    private String userName ;

    @Property

    private String password ;

    // @SessionState 表示 SSO  数据共享

    @SessionState

    private String user ;

   

    Class<?> onSuccess(){

       System. out .println( " 进入了类 Login onSuccess " );

       if ( "abc" .equals( userName )&& "123" .equals( password )) {

           this . user = userName ;

           return Welcome. class ;

       }

       return null ;

    }

}

Login.tml:

< html   xmlns:t = "http://tapestry.apache.org/schema/tapestry_5_1_0.xsd" >

   < p >

     < t:form t:id = "loginForm" >

       < div >

                       用户名: < t:textfield value = "userName" ></ t:textfield >

       </ div >

       < div >

                     ** 码: < t:passwordfield value = "password" ></ t:passwordfield >

       </ div >

       < input type = "submit" value = "   " ></ input >

     </ t:form >

   </ p >

</ html >

Welcome.java:

import org.apache.tapestry5.annotations.SessionState;

public class Welcome {

    @SessionState

    private String theUser ;

    public String getTheUser() {

       return theUser ;

    }

}

 

Welcom.tml:

< html   xmlns:t = "http://tapestry.apache.org/schema/tapestry_5_1_0.xsd"

       xmlns:p = "tapestry:parameter" >

           欢迎 ${theUser}!  

</ html >    

 

  功能我们已经实现,接下来我们实现退出功能,我们思考一下 退出肯定是要把 共享的数据 清空。那么 我们怎么清空了?我们一起来看看 API 里面的说明:

An SSO field may have a companion field, of type boolean, used to see if the SSO has been created yet. If another field exists with the same name, suffixed with "Exists" (i.e., "sso" for the SSO field, and "ssoExists" for the companion field) and the type of that field is boolean, then access to the field will determine whether the SSO has already been created. This is necessary because even a null check ("sso != null") may force the SSO to be created. Instead, check the companion boolean field ("asoExists").

 

  解释:在 SSO 中有一个可能有一个组合字段,它的类型为 boolean ,用它可以查看 SSO 是否被创建。如果在其它存在字段名字中,有以 ”Exists” 为后缀的 (eg: 如果有一个 SSO 字段为 ”sso” ,那么组合字段名字就是 ”ssoExists”) 并且它的类型为 boolean ,当访问它的时候将确定 SSO 是否被创建。这是因为如果 sso =null 表示 SSO 已经被创建。

 

即可以用 xxxExists 来检测 SSO 是否被创建,还可以得出就是 sso 被赋值为 null 表示被清空了。由此我们得出 在退出的时候我们可以 SSO 描述的字段赋值为 null 。我们添加方法:

void   onActionFromLogout(){

       this . theUser = null ;

}

页面修改为:

< html   xmlns:t = "http://tapestry.apache.org/schema/tapestry_5_1_0.xsd"

       xmlns:p = "tapestry:parameter" >

           欢迎 ${theUser}!

    < t:actionlink t:id = "logout" > 退出 </ t:actionlink >

</ html >

 

  可能让大家遗憾的是,报错了。说什么 ApplicationStateManager 没有实现什么接口,其实原因就是 因为 SSO 没有被创建,但是我们又要从中去取值而导致的。 现在我们要做的就是在取值的事实先检测 SSO 是否被创建。 大家回过去看下我刚才给大家看的 API ,之后看看解说。

  由此我们知道我们需要在页面定义个   private  Boolean  theUserExists ;, 为了能在页面可以使用我们设置为只读的属性:

在页面类添加

  private boolean theUserExists;

 

public boolean isTheUserExists(){

       return this . theUserExists ;

}

页面改为:

< html   xmlns:t = "http://tapestry.apache.org/schema/tapestry_5_1_0.xsd"

       xmlns:p = "tapestry:parameter" >

  < t:if test = "theUserExists" >

           欢迎 ${theUser}!

    < t:actionlink t:id = "logout" > 退出 </ t:actionlink >

    < p:else >

       < t:pagelink page = "Login" > 登录 </ t:pagelink >

    </ p:else >

  </ t:if >   

</ html >

  Ok, 到这里我们研究结束。因为我也才刚刚进入对 tapestry 的初学过程。完全告 API 进行学习和研究。 Tapestry 的中文文档很少,提供出来希望可以帮助到大家。但是对于 SSO 具体解析过程我还是有些说不清楚,待我继续研究。

 

   作者:龙映安

   所属公司: 云软网络

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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