Jakarta EE 具体模块的拆解 —— Jakarta Portlet Bridge (Jakarta Faces 与 Portlet 容器之间的桥梁机制)。

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

Jakarta Portlet Bridge 概述

Jakarta Portlet Bridge 是 Jakarta EE 生态中一个关键模块,负责在 Jakarta Faces(原 JavaServer Faces)和 Portlet 容器之间建立桥梁。它允许开发者将基于 Jakarta Faces 的 Web 应用无缝集成到 Portlet 环境中,解决了传统 Portlet 开发中视图层技术受限的问题。通过该模块,开发者可以在 Portlet 容器中复用 Jakarta Faces 的组件、生命周期和事件模型,同时兼容 Portlet 规范(如 JSR 286)。

核心功能与架构

双向生命周期协调
Portlet Bridge 需要协调 Jakarta Faces 和 Portlet 容器的生命周期差异。例如:

  • Portlet 的 RENDER_PHASE 需触发 Jakarta Faces 的 Restore View 和 Render Response 阶段。
  • Portlet 的 ACTION_PHASE 需映射到 Jakarta Faces 的 Invoke Application 阶段。

上下文隔离与状态管理
每个 Portlet 实例运行在独立的 Jakarta Faces 上下文中,避免组件 ID 冲突。Bridge 通过 PortletFacesUtil 工具类管理跨容器的状态保存与恢复。

事件与导航处理
Bridge 将 Portlet 的客户端事件(如 ResourceRequest)转换为 Jakarta Faces 的 FacesEvent,并通过 NavigationHandler 处理跨 Portlet 的视图跳转。


集成示例代码

配置 Portlet 描述符

在 portlet.xml 中声明 Bridge 的 Portlet 类:

<portlet>
    <portlet-name>facesPortlet</portlet-name>
    <portlet-class>javax.portlet.faces.GenericFacesPortlet</portlet-class>
    <init-param>
        <name>javax.portlet.faces.defaultViewId.view</name>
        <value
### Jakarta Portlet Bridge 概述

Jakarta Portlet Bridge 是 Jakarta EE 生态中一个关键模块,负责在 Jakarta Faces(原 JavaServer Faces)和 Portlet 容器之间建立桥梁。它允许开发者将基于 Jakarta Faces 的 Web 应用无缝集成到 Portlet 环境中,解决了传统 Portlet 开发中视图层技术受限的问题。通过该模块,开发者可以在 Portlet 容器中复用 Jakarta Faces 的组件、生命周期和事件模型,同时兼容 Portlet 规范(如 JSR 286)。

### 核心功能与架构

**双向生命周期协调**  
Portlet Bridge 需要协调 Jakarta Faces 和 Portlet 容器的生命周期差异。例如:
- Portlet 的 `RENDER_PHASE` 需触发 Jakarta Faces 的 `Restore View` 和 `Render Response` 阶段。
- Portlet 的 `ACTION_PHASE` 需映射到 Jakarta Faces 的 `Invoke Application` 阶段。

**上下文隔离与状态管理**  
每个 Portlet 实例运行在独立的 Jakarta Faces 上下文中,避免组件 ID 冲突。Bridge 通过 `PortletFacesUtil` 工具类管理跨容器的状态保存与恢复。

**事件与导航处理**  
Bridge 将 Portlet 的客户端事件(如 `ResourceRequest`)转换为 Jakarta Faces 的 `FacesEvent`,并通过 `NavigationHandler` 处理跨 Portlet 的视图跳转。

---

### 集成示例代码

#### 配置 Portlet 描述符
在 `portlet.xml` 中声明 Bridge 的 Portlet 类:
```xml
<portlet>
    <portlet-name>facesPortlet</portlet-name>
    <portlet-class>javax.portlet.faces.GenericFacesPortlet</portlet-class>
    <init-param>
        <name>javax.portlet.faces.defaultViewId.view</name>
        <value
船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

sram设计流程+memory compiler整理

→。

qq_50761108的博客 1万+

Hello World,一个简单的JSR 168 portlet

Hello World,一个简单的JSR 168 portlet<br /><br />级 别: 初级<br />杨 江 (yjiang@cn.ibm.com ), IBM Innovation Center for Business Partners 技术顾问, IBM<br />2004 年 2 月 01 日本文以Hello World为例,介绍如何使用JSR 168 API编写portlet,打包成portlet应用,部署portlet应用到portlet容器上。最后给出JS

一一 812

宇树机器人G1二次开发:语音对话、打断与激活功能实现指南

宇树机器人G1是一款功能强大的四足机器人,其开放的SDK和API为开发者提供了广阔的二次开发空间。其中,语音交互是提升机器人智能化水平和用户体验的关键功能。本文将详细介绍如何在宇树机器人G1上进行二次开发,实现。语音打断允许用户在机器人说话时随时中断并输入新指令,这是提升交互自然度的关键功能。三大核心功能,帮助你构建更自然、更智能的人机交互系统。语音识别是将用户的语音输入转换为文本的过程。识别文本后,需要理解用户意图并生成回复。将文本回复转换为语音输出。

m0_52645558的博客 664

Jakarta EE 具体模块的拆解 —— Jakarta Portlet (门户组件)

摘要: Jakarta Portlet 4.0规范正从JavaEE迁移至JakartaEE平台,核心变更包括:将包命名空间从javax.portlet更新为jakarta.portlet,XML命名空间同步迁移,并适配JakartaEE 10的依赖项(如Servlet)。此版本主要聚焦兼容性调整,不兼容旧版二进制,需重新编译代码。未来可能新增功能,当前目标是为开发者提供平滑迁移路径。Portlet作为模块化Web组件,通过容器管理生命周期(操作、渲染等阶段),其输出片段由门户聚合为完整HTML界面。最低要求

RR1335 之代码才是动力源 799

013:无人机航线规划的概念

航线规划是无人机任务规划的核心环节,它决定了无人机在整个任务执行过程中的飞行路径。航线规划需要考虑多种因素,包括飞行时间、飞行距离、能源消耗、飞行安全等。

qq_31762031的博客 2443

【AUTOSAR-IpduM】-3.1-配置一个发送Tx Dynamic Container PDU(Multiple-PDU)

手把手教您如何配置一个Tx Dynamic Container PDU(Multiple-PDU),动态容器复用帧。并附上测试LOG帮助您进一步加深理解。

「汽车电子助手」的博客 1770

portlet示例_Portlet概念详细示例教程–第II部分

portlet示例At the Portlet concepts detailed Tutorial – PART I, we’ve explained a lot details about concepts like PortletRequest, PortletResponse, RenderRequest, ActionRequest, RenderResponse, ActionRepo...

从零开始的教程世界 1390

基于STM32的六足机器人控制系统设计(项目资料ID:27)

六足机器人控制系统综合分析其结构、步态与控制算法,融合云端服务、Wi-Fi、蓝牙、语音识别及手势识别等多种技术,设计了多元化控制模式,并针对不同应用场景提出了差异化的构建方案。系统硬件采用分层设计,分为主控板与舵机控制板:主控板以 STM32F103VET6 为核心,负责各类控制模式的数据处理与状态显示;舵机控制板采用 STM32F103R8T6,专注于舵机角度的精确控制,两板通过串口实现数据交互。

以培养嵌入式工程师为己任 1万+

Jakarta EE 具体模块的拆解 —— Jakarta Portlet Bridge (Jakarta Faces 与 Portlet 容器之间的桥梁机制)

Jakarta Portlet Bridge规范定义了Jakarta Faces应用在Portlet容器中运行的桥梁机制。该规范通过协调JSF与Portlet的生命周期,使开发人员可以在保持Portlet多阶段请求-响应模型的同时,使用Facelet视图、导航规则等JSF特性。目前7.0版本主要进行从JavaEE到JakartaEE的迁移工作,包括将javax.包名更新为jakarta.,并确保与Jakarta EE 10兼容。这一变更需要重新编译代码,不保持二进制兼容性。规范要求最低Java SE 11运

RR1335 之代码才是动力源 992

基于反事实的因果推理Causal inference based on counterfactuals--一万六千字文献详细解读(因果关系的推理应用)【全文总结】

基于反事实的因果推理Causal inference based on counterfactuals--一万六千字文献详细解读(因果关系的推理应用)【全文总结】---来自一位即将入学的准研一,也希望这篇文章能够激励自己不断走下去!!

qq_46044325的博客 4442

MimicKit 人形机器人强化学习全身模仿控制算法使用教程

本文介绍了MimicKit运动模仿算法框架的使用指南。主要内容包括:1)安装IsaacGym和依赖项;2)训练模型命令及参数说明;3)测试模型的方法;4)分布式训练配置;5)使用TensorBoard可视化日志;6)动作数据格式说明。该框架支持DeepMimic、AMP、ASE、ADD等算法,包含PPO、AWR等强化学习算法,适用于物理仿真角色动画控制研究。

机器人控制与仿真应用 1202

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 228

使用AutoDL云服务器训练YOLO计算机视觉网络模型(AutoDL+Xftp+VS Code),附详细操作步骤

AutoDL AI算力云是一个提供人工智能算力服务的云平台。丰富的GPU资源:提供多种GPU型号,包括NVIDIA的A100A800L40V100RTX 4090RTX 3090等,能满足我们在不同场景下的需求,无论是进行大规模的AI训练还是复杂的科学计算等任务,都可以找到合适的GPU资源。灵活的付费方式:支持按量付费包日包周包月等多种付费模式。对于短期的实验或不确定时长的项目,可以选择按量付费;如果有长期稳定的算力需求,预付费或包周包月则可能更划算,可以根据自己的需求和预算进行选择。集成主流框架:集成了。

Limiiiing的博客 958

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 402

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 248

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 503

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 203

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 201

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 560

AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

johnsong2009的博客 575

大模型 Embedding 与向量相似度详解

Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

T3165919332的博客 92

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 280

终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 642

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

weixin_42963026的博客 339

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 214
上一篇: 鸿蒙开发1--Hello World(开发环境及IDE)。
下一篇: 【PS】Adobe Photoshop PS 2025超详细使用教程。
普通网友
博客等级 码龄1年 0粉丝 5原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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