密码必须含有一个小写字母一个大写字母一个特殊符号,并且不能含有空格

密码规则之数字、小写、大写、特殊字符,至少满足3个。 JS实现密码校验规则: 数字、字母、小写、大写、特殊字符,以上条件至少满足3个。 立即下载

密码必须含有一个小写字母一个大写字谜一个特殊符号,长度不小于8,并且不能含有空格。

var  r=/^((?=.*[a-z])(?=.*[A-Z])(?=.*\W).\S{7,})$/ 
        var t1="aaaaaaaaa";
        var t2="AAAAAAAAAAAAAA"             -->f
        var t3="AAAaaaaaAA"                 -->f
        var t4="dddsdsAA@"                  --> true
        var t5="\;234sadAS.,"               -->true
        var t6="|dsfsd dsf    ASA@"
        console.log(r.test(t6))   --->false
//说明下划线不属于特殊字符。 正则中/w 指的是[a-zA-Z_], /W指的是[^a-zA-Z_]

最终项目中使用:

请输入8-15位密码,必须包含大写字母、小写字母和特殊字符:
/^(?!\s)((?=.*[a-zA-Z])(?=.*[a-z])(?=.*[A-Z])(?=.*[\W_]).\S{7,14})$/
后来改成把特殊字符改成数字了:
/^(?!\s)((?=.*[a-zA-Z])(?=.*[a-z])(?=.*[A-Z])(?=.*[\d]).\S{7,})$/
最后又改成数字或者特殊字符了TMD
 /^(?!\s)((?=.*[a-zA-Z])(?=.*[a-z])(?=.*[A-Z])(?=.*[\d|\W_]).\S{7,})$/
很好理解,一个括号一个条件,就是你要是4选1,那就麻烦了,得写多长,或者用js一个个的截取验证,也没那种瘠薄客户这样要求吧,现在讲究体验都很简单,除非特别的公司要求

参考链接:

  1. 正则基础之——贪婪与非贪婪模式

  2. StackOverFlow 参考
    http://stackoverflow.com/questions/9477906/password-must-be-8-characters-including-1-uppercase-letter-1-special-character

AUTOSAR 3万字面试题全面解析(持续更新) ECU抽象层(EAL)是AUTOSAR架构中的一部分,它位于微控制器抽象层(MCAL)之下,但通常与MCAL一起被提及。EAL的目标是提供一个统一的接口来访问和管理ECU(Electronic Control Unit,电子控制单元)的硬件资源,包括处理器、存储器和外围设备。通过这种抽象,EAL使得上层软件能够以一种标准化的方式与ECU硬件交互,而不需要关心具体的硬件实现细节。EAL解决了硬件异构性带来的问题,即不同ECU可能采用不同类型的处理器和硬件配置。 阅读详情

相关推荐

新手必看:如何用T265和ROS实现无人机室内精准定位(附PX4参数配置)

本文详细介绍了如何使用Intel Realsense T265和ROS实现无人机室内精准定位,包括硬件准备、ROS数据流架构设计、PX4参数配置及系统验证。特别针对视觉SLAM技术在室内环境中的应用,提供了从零搭建到进阶优化的全流程解析,适合无人机开发新手快速上手。

weixin_30642561的博客 404

【无标题】

Oracle网站密码规则 忘记Oracle密码,其实根据密码规则提示,就能试出来,自己平时设置的就那几个密码,在这里总结下,方便诸位和自己找回。 密码必须同时包含大小写字母 至少 1 个数字和特殊字符 不得包含您的电子邮件地址或与之相同 长度必须至少为 8 个字符。 ...

liuyong1992的博客 538

PHP 对接建行生活订单推送接口

php对接建行订单推送

qq_43647026的博客 559

长度为8-16个字符,且必须包含字母、数字及符号,不区分大小写的正则校验

方法二:在rules中写三个校验分别校验。

m0_64785232的博客 1830

SAP ABAP实战:如何用CVI_EI_INBOUND_MAIN批量更新BP邮箱(附完整代码)

本文深入解析了SAP ABAP中CVI_EI_INBOUND_MAIN函数在业务伙伴(BP)邮箱地址批量维护场景下的应用。通过详细讲解数据结构构建、关键参数(如任务参数'5')配置及完整代码示例,为开发者提供了一套高效、稳定的批量更新解决方案,并分享了性能优化与错误处理的最佳实践。

weixin_29228781的博客 76

R语言层次聚类(hierarchical clustering):数据缩放、PCA聚类结果可视化、fpc包的clusterboot函数通过bootstrap重采样的方法评估hclust层次聚类的稳定性

R语言层次聚类(hierarchical clustering):数据缩放、PCA聚类结果可视化、fpc包的clusterboot函数通过bootstrap重采样的方法评估hclust层次聚类的稳定性

data+scenario+science+insight 831

JDK下载安装

文章目录1.选择对应版本2.选择对应安装文件3.登录账号4.安装5.配置环境变量6.测试安装结果 Java官网的JDK下载页面可能会发生变化,这是最新的下载页面链接: https://www.oracle.com/java/technologies/downloads/archive/ 1.选择对应版本 (包含所有JDK的历史版本) 2.选择对应安装文件 (我这里是windows开发环境所以我下载这个) 3.登录账号 点击下载之后会转跳登录页面 没有就注册一个,因为账号密码格式要求严格,所以经常出

什么都干的派森 758

关于密码的正则表达式

例一: 要求: 1.密码长度最少8位 2.大写字母,小写字母,数字,特殊符号必须四选三 首先给出全部四种的匹配表达式:[a-zA-Z0-9\W_]{8,} 其中\W 匹配任意不是字母,数字,下划线,汉字的字符。 然后使用排除法,排除其中只选一种或只选两种的情况,剩下的就是选了三种的情况了。 有:大写+小写,大写+数字,大写+特殊符号,小写+数字,小写+特殊符号,数字+特殊符号。共这6种组合...

dyh19911008的专栏 1万+

195、大模型蒸馏与压缩:知识蒸馏与VLA模型轻量化

折腾完这一整套流程,最大的感悟是:知识蒸馏不是简单的模型压缩,而是知识迁移的工程艺术。每一步都有坑,每个参数都可能影响最终性能。给后来者的建议是:先别急着上蒸馏,把teacher模型的推理延迟和显存占用测清楚,确定瓶颈在哪里——是计算量太大还是内存带宽不够,这决定了你该用蒸馏还是量化还是剪枝。蒸馏训练时一定要监控每一层的特征对齐loss,别只看总loss。如果某一层的对齐loss特别高,说明student在这一层学歪了,需要调整该层的损失权重或者增加该层的投影头容量。

sundong_81的博客 110

Java使用POI生成柱状图导出到word文档(柱状图)

本篇文章主要介绍,如何使用Apache POI组件生成柱状图导出到word文档中,具体步骤看下文。 一、实现效果 Java使用POI技术生成柱状图导出到word文档中,最终生成的柱状图如下所示: 二、环境准备 编程语言:Java 第三方依赖:Apache POI Apache POI依赖代码如下所示: <dependencies> <dependency> <groupId>org.apache.poi</groupId.

✅ Java 开发工程师 7366

密码必须包含字母大小写、数字、特殊字符,且不能少于8位

js 密码正则表达式

weixin_49885784的博客 4147

《基于FPGA的数字信号处理》专栏的导航与说明

《基于FPGA的数字信号处理》专栏的导航与说明

孤独的单刀 4158

密码格式 密码强度 正则表达式

密码长度8——16个字符,且区分大小写; 不能使用空格、中文 密码需要使用大写字母、小写字母、数字及特殊符号中至少三种的组合 change = (e) => { const Epwd = e.target.value; const chinese = /[\u4E00-\u9FA5\uF900-\uFA2D\u0020]/; // 包含大小写字母、数字、特殊字符至少3个组合大于8个字符 c...

ast_5921的博客 948

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

HDU 2043 密码

Problem Description 网上流传一句话:“常在网上飘啊,哪能不挨刀啊~”。其实要想能安安心心地上网其实也不难,学点安全知识就可以。 首先,我们就要设置一个安全的密码。那什么样的密码才叫安全的呢?一般来说一个比较安全的密码至少应该满足下面两个条件: (1).密码长度大于等于8,且不要超过16。 (2).密码中的字符应该来自下面“字符类别”中四组中的至少三组。 这四个字符类别分别为: ...

im_rookie的博客 765

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

密码正则(自定义正则)

正则记录

weixin_66709443的博客 885

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

密码强度(原创)

第一行输入一个正整数 N(4≤N≤10),表示密码的个数接下来的 N 行,每行输入一个宁符串 Si​(8<=Si​的长度<=16),表示一个密码,密码中可能包合数子、大写字母、小写字母、特殊符号这 4 种字符类型,且不含空格字符。网站提示,密码必须由 8∼16 个字符组成,可以包含数字、大写字母、小写字母、特殊符号这4种字符类型。共 N 行,每行输出一个整数 Ri​ ( Ri只能是 0、1、2 ),依次表示对应密码 si​ 的强度。3.只包含 1 种类型字符的密码是弱密码。

一个会一点点编程的男孩 5048

每天一道C语言编程:合格密码的判定

每天一道C语言编程:合格密码的判定

weixin_69884785的博客 1918

XDOJ密码强度

密码强度 类别 字符串处理 时间限制 1S 内存限制 256Kb 问题描述 每个人都有很多密码,你知道你的密码强度吗?假定密码由大写字母、小写字母、数字和非字母数字的符号这四类字符构成,密码强度计算规则如下: 基础分:空密码(密码长度为零)0分,非空密码1分 加分项1:密码长度超过8位,+1分 加分项2:密码包含两类不同字符+1分,包含三类不同字符+2分,包含四类不同字符+3分 按照此规则...

kkzzjx 3992

如何设置强劲的密码

密码是用于访问信息或计算机的字符的字符串。口令通常长于密码,以增加安全性,并包含多个单词,创建一个短语。密码和口令有助于防止未经授权的人访问文件,程序和其他资源。当您创建一个密码或口令时,你需要使它很强大,这意味着很难猜出或破解。 在无线网络中,一个Wi- Fi保护访问(WPA)安全性的关键支持使用一个口令。这口令被转换成一个用于加密,这是对你不可见的关键。 另外,我们先来看一下下面的案例:2009年底,一个交友网站被黑,丢失了所有的数据,在公布的密码当中,使用得最多的是以下几种: 1、数字逻辑123、12

shadow bear 2479

Python---编程检查并判断密码字符串的安全强度

编程检查并判断密码字符串的安全强度 password=input("请输入你的密码:") p=list(password) x=0 for i in p: if i == " ": x=1 if x==1:print("密码格式不对")#密码中不能包含空格 elif password.isdigit()==True or password.isalpha()==True:#...

beyond谚语的博客 1万+

H - 密码

网上流传一句话:“常在网上飘啊,哪能不挨刀啊~”。其实要想能安安心心地上网其实也不难,学点安全知识就可以。 首先,我们就要设置一个安全的密码。那什么样的密码才叫安全的呢?一般来说一个比较安全的密码至少应该满足下面两个条件: (1).密码长度大于等于8,且不要超过16。 (2).密码中的字符应该来自下面“字符类别”中四组中的至少三组。 这四个字符类别分别为: 1.大写字母:A,B,C…Z; 2.小写...

Destinylang的博客 725

判断密码是否合法

problem description: (1).密码长度大于等于8,且不要超过16。 (2).密码中的字符应该来自下面“字符类别”中四组中的至少三组。 这四个字符类别分别为: 1.大写字母:A,B,C…Z; 2.小写字母:a,b,c…z、 3.数字:0,1,2…9; 4.特殊符号:~,!,@,#,$,%,^; 思路:要求1容易实现,要求2需要分 ...

qq_42894715的博客 3165

密码安全强度检测

密码安全强度检测 密码强度 function checkPasswordStrength(password_id,strength_id,p){ if(typeof password_id != 'string' || null==(p=document.getElementById(password_id))) return; var opt = {

maci_hotesion的专栏 1129

JS密码复杂性校验(密码必须是字母大写,字母小写,数字,特殊字符中任意两种组合,且不能少于8位)

function checkPass(s){    if(s.length &lt; 8){             return 0;   } var ls = 0; if(s.match(/([a-z])+/)){       ls++;    } if(s.match(/([0-9])+/)){        ls++;  } if(s.match(/([A-Z])+/)){   ...

zjxbllg2008的专栏 1万+

学长的安全密码

信息学院ACM实验室的学长编程序非常厉害,但他的生活很随意,特别是他设置的银行卡密码太简单,一点都不安全,为此他重设了密码。那什么样的密码才是安全的呢?(2)密码中的字符应该来自下面“字符类别”中四组中的至少三组。, @ , #, $, %, ^ 请你帮助学长判断他的密码是不是一个安全的密码。输入数据第一行是一个整数M,接下输入M行字符串,每行字符串就是一串密码(长度最大可能为50),密码仅包括上面的四类字符。对于每行的字符串密码,判断这个密码是不是一个安全的密码,是的话输出YES,否则输出NO。

2402_86997774的博客 177
上一篇: mvc dropdown显示与赋值
下一篇: 前三位必须是大写字母的正则,长度限制5位
chanzig
博客等级 码龄15年 5粉丝 39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