MonoRail学习笔记八:页面缓存的使用

本文介绍了MonoRail框架1.0RC3版本中新增的页面缓存功能,该功能通过CacheAttribute属性实现,并可根据参数变化自动更新缓存,显著提升了应用性能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

以前版本中MonoRail是不支持页面缓存的,在1.0 RC3版中加入了页面缓存的支持,有了页面缓存之后会对性能有很大的提升。
主要是通过加入了一个新的属性CacheAttribute.cs,其实后台也是同样使用了System.Web下的缓存处理的机制
(以前Yok也写过一篇实现MonoRail页面缓存,他是通过编写自己的缓存类来实现的,效果也不错)

使用方法很简单,如下所示:
下面列出了主要的文件,要使用缓存只是在Controller下红色的一条语句

测试Html文件
<!--<br /><br />Code highlighting produced by Actipro CodeHighlighter (freeware)<br />http://www.CodeHighlighter.com/<br /><br />--><html>
<head>
<title>测试页面</title>
</head>
<body>
<formaction="/index.rails"method="post">
ID:
<inputtype="text"name="id"value="1"/><br/>
姓名:
<inputtype="text"name="name"value="姓名"/><br/>
年龄:
<inputtype="text"name="age"value="22"/><br/>
生日:
<inputtype="text"name="birthday"value="2007-1-1"/><br/>
<inputid="Submit1"type="submit"value="submit"/>
</form>
</body>
</html>

Controller文件的Index方法:

[Cache(HttpCacheability.Public,Duration=360,VaryByParams="id,name")]
public void Index( int id, string name, int age,DateTimebirthday)
{
PropertyBag.Add(
"id",id);
PropertyBag.Add(
"name",name);
PropertyBag.Add(
"age",age);
PropertyBag.Add(
"birthday",birthday);
}

注意上面红色标示的代码
我这里只是列出了一种常用的方式,Duration表示缓存有效期是360秒,VaryByParams指定当id或者name的参数值改变了才重新生成此页面,否则不用调用此方法,直接使用缓存中的页面,HttpCacheability定义可以参照MSDN中的解释:
NoCache:设置 Cache-Control: no-cache 标头。如果没有字段名,则指令应用于整个请求,且在满足请求前,共享(代理服务器)缓存必须对原始 Web 服务器强制执行成功的重新验证。如果有字段名,则指令仅应用于命名字段;响应的其余部分可能由共享缓存提供。
Private:默认值。设置 Cache-Control: private 以指定响应只能缓存在客户端,而不能由共享(代理服务器)缓存进行缓存。
Public:设置 Cache-Control: public 以指定响应能由客户端和共享(代理)缓存进行缓存。
Server:指定响应仅缓存在源服务器上。与 NoCache 选项相似。客户机接收 Cache-Control: no-cache 指令,但文档是在原始服务器上缓存的。
ServerAndNoCache:应用 Server 和 NoCache 的设置指示在服务器上缓存内容,而对服务器以外的其他对象都显式否定其缓存响应的能力。
ServerAndPrivate:指示响应只能在服务器和客户端缓存。代理服务器不能缓存响应。

index.vm文件
<!--<br /><br />Code highlighting produced by Actipro CodeHighlighter (freeware)<br />http://www.CodeHighlighter.com/<br /><br />--><html>
<head>
<title>测试结果</title>
</head>
<body>
<form>
ID:$id
<br/>
姓名:$name
<br/>
年龄:$age
<br/>
生日:$birthday
<br/>
</form>
</body>
</html>

测试结果(在Index方法上设置断点):
第一次调用:进入断点,正常显示测试结果
第二次调用:(页面输入值不变),不进入断点,正常显示测试结果
第三次调用:(页面中年龄输入值改变),不进入断点,显示结果中年龄值还是之前的值
第四次调用:(页面中姓名输入值改变),进入断点,正常显示测试结果
第五次调用:(6分钟之后)),进入断点,正常显示测试结果
通过以上测试证明:MonoRail中的页面缓存是可以正常使用的,可以有效提高性能

实现机制简单分析:
在每个action执行之后,判断是否有Cache属性,如果有,就调用如下方法:

配置Asp.Net缓存机制
<!--<br /><br />Code highlighting produced by Actipro CodeHighlighter (freeware)<br />http://www.CodeHighlighter.com/<br /><br />-->voidICachePolicyConfigurer.Configure(HttpCachePolicypolicy)
{
policy.SetCacheability(cacheability);
policy.SetSlidingExpiration(slidingExpiration);
policy.SetValidUntilExpires(validUntilExpires);
policy.SetAllowResponseInBrowserHistory(allowInHistory);

if(duration!=0)
{
policy.SetExpires(DateTime.Now.AddSeconds(duration));
}


if(varyByCustom!=null)
{
policy.SetVaryByCustom(varyByCustom);
}


if(varyByHeaders!=null)
{
foreach(StringheaderinvaryByHeaders.Split(','))
{
policy.VaryByHeaders[header.Trim()]
=true;
}

}


if(varyByParams!=null)
{
foreach(StringparaminvaryByParams.Split(','))
{
policy.VaryByParams[param.Trim()]
=true;
}

}


if(etag!=null)
{
policy.SetETag(etag);
}

}

好像也蛮简单的-_-,直接根据参数调用HttpCachePolicy类中的相应方法就可以了

内容概要:该PPT详细介绍了企业架构设计的方法论,涵盖业务架构、数据架构、应用架构和技术架构四大核心模块。首先分析了企业架构现状,包括业务、数据、应用和技术四大架构的内容和关系,明确了企业架构设计的重要性。接着,阐述了新版企业架构总体框架(CSG-EAF 2.0)的形成过程,强调其融合了传统架构设计(TOGAF)和领域驱动设计(DDD)的优势,以适应数字化转型需求。业务架构部分通过梳理企业级和专业级价值流,细化业务能力、流程和对象,确保业务战略的有效落地。数据架构部分则遵循五大原则,确保数据的准确、一致和高效使用。应用架构方面,提出了分层解耦和服务化的设计原则,以提高灵活性和响应速度。最后,技术架构部分围绕技术框架、组件、平台和部署节点进行了详细设计,确保技术架构的稳定性和扩展性。 适合人群:适用于具有一定企业架构设计经验的IT架构师、项目经理和业务分析师,特别是那些希望深入了解如何将企业架构设计与数字化转型相结合的专业人士。 使用场景及目标:①帮助企业和组织梳理业务流程,优化业务能力,实现战略目标;②指导数据管理和应用开发,确保数据的一致性和应用的高效性;③为技术选型和系统部署提供科学依据,确保技术架构的稳定性和扩展性。 阅读建议:此资源内容详尽,涵盖企业架构设计的各个方面。建议读者在学习过程中,结合实际案例进行理解和实践,重点关注各架构模块之间的关联和协同,以便更好地应用于实际工作中。
资 源 简 介 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系, 详 情 说 明 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。 本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系,在此基础上重点分析了一种快速ICA实现算法一FastICA。物质的非线性荧光谱信号可以看成是由多个相互独立的源信号组合成的混合信号,而这些独立的源信号可以看成是光谱的特征信号。为了更好的了解光谱信号的特征,本文利用独立分量分析的思想和方法,提出了利用FastICA算法提取光谱信号的特征的方案,并进行了详细的仿真实验。 此外,我们还进行了进一步的研究,探索了其他可能的ICA应用领域,如音乐信号处理、图像处理以及金融数据分析等。通过在这些领域中的实验和应用,我们发现ICA在提取信号特征、降噪和信号分离等方面具有广泛的潜力和应用前景。
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