servlet03 request对象

本文深入解析HTTP请求对象的功能,包括获取客户机信息、处理请求参数、解决乱码问题、请求转发与包含,以及作为域对象使用的方法。重点介绍了请求对象在Web开发中的关键作用。

1 Request
代表HTTP请求的对象
1.1 Request继承关系
ServletRequest接口 – 通用request接口, 提供了一个request对象应该具有的功能.
|
|-- HttpServletRequest接口 – 继承了ServletRequest接口, 并在父接口的基础上提供了很多和HTTP协议相关的方法.

1.2 Request对象提供的功能
1.2.1 获取客户机的基本信息和获取请求头信息
getRequestURL – 获取发送请求的完整url
getRequestURI – 获取请求行中的请求资源路径
getRemoteAddr – 获取客户机的IP地址
getMethod – 获取请求方式
getHeader(String name) – 根据请求头的名称获取对应的值

(1) getRequestURL

(2) getRequestURI

(3) getRemoteAddr

(4) getMethod

(5) getHeader

1.2.2 获取请求参数!!!
getParameter(String name) – 根据请求参数的名称获取参数值
getParameterValues(String name) – 根据请求参数的名称获取所有参数值组成的数组
getParameterMap() – 获取所有请求参数组成的map集合

(1) getParameter

(2) getParameterValues

(3) getParameterMap

 请求参数乱码问题: 在向服务器提交请求参数时, 如果参数中包含中文参数, 就会出现乱码问题. 其原因是:
(1)浏览器在发送数据时使用utf-8码表: 如果浏览器在打开网页时使用的是utf-8, 浏览器就会使用相同的编码来发送请求参数.
(2)服务器在接收数据时使用iso8859-1码表: 如果没有明确的通知服务器使用哪一个编码, 服务器会使用默认的编码, 即iso8859-1来接收请求参数.
两端使用的编码不一致所以就出现了乱码
 解决方式一: 通过手动编解码来解决乱码问题.

在Servlet中具体代码实现如下:

测试结果:

 解决方式二:
(1) 如果是POST提交:
request.setCharacterEncoding(“utf-8”); //这行代码可以通知服务器使用utf-8码表来接收请求实体内容中的数据. 因为POST提交的请求参数就在请求实体内容中, 所以这行代码对POST提交的参数乱码会起作用.

(2)如果是GET提交, 这行代码将不会起作用, GET提交的请求参数是在请求资源路径后面通过问号进行拼接, 不在请求实体内容中, 因此不会起作用!
所以针对GET提交的参数乱码, 可以采用上面的手动编解码来解决, 或者是修改服务器的核心配置文件(server.xml文件),修改如下:

1.2.3 实现请求转发

请求重定向(302+localhost): 实现资源的跳转
请求转发: 是服务器内部(同一个web应用内)的资源跳转.
请求转发的实现:
request.getRequestDispatcher(“/所转发到资源的地址”).forward(request, response);

请求转发的特点:
(1) 转发是一次请求对应一次响应
(2) 地址栏地址不会发生变化
(3) 转发过程中request(和response)对象都是同一个

请求转发的细节问题:
(1)在转发的过程中, 如果向response缓冲区写入了数据, 在转发之前response中的数据会被清空.

(2)在转发的过程中, 如果向response缓冲区写入了数据并且强制发送给了浏览器, 转发将会失败

(3)在同一个Servlet中不能转发多次(A不能同时转发给B和C), 但是可以多重转发(比如A转发给B, B转发给C)
1.2.4 作为做域对象使用!!!
什么是域对象: 如果一个对象具有一个可以被看见的范围, 利用该对象上的map在整个范围内可以实现资源的共享.
request.setAttribute(String name, Object value);
– 往request域中(map)添加一个域属性
request.getAttribute(String name);
– 根据属性名获取request域中的属性值
request.removeAttribute(String name);
– 根据属性名删除request域中的属性
request.getAttributeNames();
– 获取request域中所有的属性名称组成的枚举.

生命周期: 一次请求开始创建request对象, 一次请求结束销毁request对象

作用范围: 整个请求链

主要功能: 在整个请求链中实现数据的共享

 案例(实现请求转发+作为域对象使用): 查询个人资料功能
(1) 创建一个index.jsp页面, 提供查询个人资料的入口.

(2) 创建一个show.jsp页面, 负责显示个人资料.

(3) 创建一个Servlet, 负责根据用户的请求查询当前用户的个人资料

(4)将用户的个人资料带到show.jsp进行展示.

1.2.5 实现请求包含
所谓的请求包含是服务器内部资源合并的现象.
如果浏览器访问服务器中的某一个ServletA, ServletA在处理请求时不能够独立的处理这次请求, 需要ServletB帮忙一同处理这次请求, 这是可以在ServletA将ServletB包含进来, 结果是由ServletA和ServletBy共同来处理该请求, 处理的结果也会合并在一起, 响应给浏览器. 例如: 在RequestDemo7中包含RequestDemo8
在RequestDemo7中的代码:

在RequestDemo8中的代码:

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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