防“双”击数据重复提交

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 119平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄11年

关注

转载最新推荐文章于 2026-06-04 15:12:20 发布 119 阅读 AI 写同款· GEO 优化 ›

曾经做了一个网上礼品投票系统。按客户要求，每人只能进入该系统投票一次，且每次最多只能投20票。怎末识别某用户他已经投过票了，当用户登入投票界面，在load方法里做判断，如果投票结果的数据表里有该用户投票数据，则投票按钮不可见，否则投票按钮可见。逻辑是这样没错，但是后来我在统计投票结果的时候发现，竟然有用户投80票、30票……怎末会这样？……最后得知，“服务器也有累的时候，当它累了，则信息提交延迟，就有可能造成数据重复提交”，啊原来那些用户就钻了这个空子呢。

问题要怎末解决呢？我们要想办法防止“重复”点击提交。下面是我的解决方法：

1.界面文件代码如下：

2.界面需要引用如下JS函数：

3.后台CS代码如下：

转载于:https://www.cnblogs.com/BritneyComeOn/archive/2009/05/15/1457349.html

收录于

当前文章被以下社区和专栏收录：

原文链接：http://www.cnblogs.com/BritneyComeOn/archive/2009/05/15/1457349.html>

手把手教你用Verilog实现AT24C64的I2C读写（附完整仿真流程）本文详细介绍了如何使用Verilog HDL设计AT24C64 EEPROM的I2C控制器，并配合ModelSim完成完整的仿真验证流程。内容涵盖I2C协议解析、Verilog状态机设计、AT24C64读写操作实现，以及仿真波形分析和调试技巧，为FPGA开发者提供了一套完整的EEPROM控制解决方案。阅读详情

相关推荐

从IMU到机器人定位：手把手教你用ESKF（Error-State Kalman Filter）搞定传感器融合

本文详细介绍了如何使用ESKF（Error-State Kalman Filter）实现IMU与多传感器的融合，解决机器人定位中的积分漂移问题。通过代码示例和Gazebo仿真案例，展示了ESKF在自动驾驶和移动机器人中的核心应用，包括误差状态建模、预测过程实现和观测更新策略，帮助开发者掌握这一高效滤波技术。

weixin_33275503的博客 281

WPF防止事件连续多次响应

在处理一些交互事件的时候，很容易出现单击或双击，不小心触发了多次的问题。目前没有找到很好的处理办法。于是想着自己封装一个类。

君子居易 2334

OpenResty无损升级内嵌nginx版本0DAY漏洞

OpenResty无损升级内嵌nginx版本，nginx

qq1071643762的博客 6903

Java实现防重复提交

欢迎访问我的个人博客:www.ifueen.com 防重复提交的重要性？在业务开发中，为什么我们要去想办法解决重复提交这一问题发生？网上的概念很多：导致表单重复提交，造成数据重复，增加服务器负载，严重甚至会造成服务器宕机，那么为什么会造成这种现象？前台操作的抖动，快速操作，网络通信或者后端响应慢，都会增加后端重复处理的概率，就拿我亲身经历来说，因为业务逻辑，需要进行一个"关注"操作，但是写好业务之后在测试时连续点击几下，重复地进行关注和取消关注操作，因为操作过于频繁，而服务器走过来的响应速度没有那么快地进

f2315895270的博客 8734

从三个角度理解知识图谱

2012年谷歌首次提出“知识图谱”这个词，由此知识图谱在工业界也出现得越来越多，对于知识图谱以及相关概念的理解确实也是比较绕。自己在研究大数据独角兽Palantir之后开始接触知识图谱，也算对其有了一定了解，这里从三个角度总结一下怎么去理解知识图谱。几个基本概念：本体、实体、知识库、知识图谱 1、本体是概念的集合，是大家都公认的概念框架，一般不会改变如“人”、“事”、“物”、 “地”、“组...

JavaChaoCo的博客 6901

双向可控硅控制后续篇：过零检测电路、丢波、斩波、定时

双向可控硅功率控制技巧，掌握AC负载的控温控速等。

qq_42289734的博客 3万+

java 防重复提交

qq_42320804的博客 2440

vivado下ECO操作-不重新综合实现修改属性并生成.bit

ECO即engineer change order，即工程变更指令，可以对设计做局部小改动并只对改动部分重新布局布线并生成.bit。在一个工程动辄编译几个小时情况下，可以在调试中节省大量时间。比如我们在调试中，需要改变时钟占空比或者相位，需要改变寄存器初值等等，此时用ECO暂时改动，待验证后在重新编译无疑是最有效率的方法。实现ECO通常有两种方式，一是通过vivado界面完成，另一种方法就是tcl脚本。所有的ECO操作都可以通过tcl操作完成，有的操作用vivado界面无法完成，只能通过tcl。以下主要

4656

redis实现接口防重复提交

redis 接口防重技术点：redis/aop 说明：简易版本实现防止重复提交，适用范围为所有接口适用，采用注解方式，在需要防重的接口上使用注解，可以设置防重时效。场景：在系统中，经常会有一些接口会莫名其妙的被调用两次，可能在幂等接口中不会存在太大的问题，但是非幂等接口的处理就会导致出现脏数据，甚至影响系统的正确性。选型参考：在常见的防重处理分为多种，粗分为前端处理，后端处理前端处...

sky_demo的博客 2508

数据仓库实践：从ITR流程讲指标体系建设

从 ITR 流程或者其他客服反馈流程的考核过程可见，实际工作中不可能只通过单个指标评价一个业务过程，需要从多个维度梳理业务，并把多个高度相关的指标组织起来，以避免只考虑其中某个指标从而摧毁整个业务过程的结果，指标体系=指标+体系。

the_singing_towers的博客 2265

UE5实现建筑剖切效果

专注GIS开发 8460

SpringBoot接口防抖(防重复提交)

在Web系统中，表单提交是一个非常常见的功能，如果不加控制，容易因为用户的误操作或网络延迟导致同一请求被发送多次，进而生成重复的数据记录。从测试的结果上看，防抖是做到了，但是随着缓存消失、锁失效，还是可以发起同样的请求，所以要真正做到接口幂等性，还需要业务代码的判断、设置数据库表的UK索引等操作。其次，两次请求提交的参数比对，不一定要全部参数，选择标识性强的参数即可；Redisson的核心思路就是抢锁，当一次请求抢到锁之后，对锁加一个过期时间，在这个时间段内重复的请求是无法获得这个锁，也不难理解。

奔走的蚂蚁的博客 1996

锂电池充电器电路设计里面有电路

锂电池充电器电路设计里面有电路 3.7V升压到5V电路设计。

AOP+自定义注解token令牌和参数防重复提交实战

重复提交带来的问题会导致表单重复提交，造成数据重复或者错乱核心接口的请求增加，消耗服务器负载，严重甚至会造成服务器宕机通过引入redis服务端token令牌或者参数AOP方式达到防重复提交

点滴记忆，分享成长之路 3209

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")

SIMATIC S7-1200, S7-1500 PID 控制[手册]

面试官：你们项目中是怎么做防重复提交的？

面试经历记得刚毕业的时候，有一次去参加面试。上来面试官问我：“你们项目中是怎么做防重复提交的？” 一开始听到这个问题是蒙圈的，支支吾吾半天没回答出来。然后面试官直接来一道算法题，喜闻乐见地面试失败。多年过去，虽然很少接触到控台应用，但是近期对于防止重复提交却有了一点自己的心得。在这里分享给大家，希望你工作或者面试中遇到类似的问题时，对你有所帮助。本文将从以下几个方面展开：（1）重复提交产生的原因（2）什么是幂等性（3）针对重复提交，前后端的解决方案（4）如果实现一个防重复提交工具产生原

5353

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

RuoYi重复提交：防重复请求拦截器

RuoYi重复提交：防重复请求拦截器【免费下载链接】RuoYi ???? 基于SpringBoot的权限管理系统易读易懂、界面简洁美观。核心技术采用Spring、MyBatis、Shiro没有任何其它重度依赖。直接运行即可用项目...

gitblog_00617的博客 841

前端和后端防止数据重复提交

同事打卡时OA系统卡了一下，疯狂点击签到按钮，结果发现出现多条同时间的打卡记录。所以要解决这种短时间内重复提交数据的问题。第一时间想到的是在前端做预防，直接设置签到按钮点击后一秒内变灰，不能点击。后来在网上查了一下，发现还有几种方式可以实现，下面列一下。一、先了解一下幂等性幂等（idempotent、idempotence）是一个数学与计算机学概念，常见于抽象代数中，即f(f(x)) =...

会一点前端、会一点Java、会一点Python 1万+

如何处理HTTP接口中的防重复提交

点击上方IT牧场，选择置顶或者星标技术干货每日送达关于防重复提交由于本人从事电商开发工作，项目中面对C端用户或多或少都会接触到提交保存或者修改的请求，例如创建订单，物流包裹签收...

ITMuch的专栏 1644

防重复提交思路

只有一个针对锁的获取：acquiretryAcquire传入信息。至于锁的释放，则交给实现者自己实现。

harmful_sheep的博客 1151

springboot 防止重复提交

.markdown-body { line-height: 1.75; font-weight: 400; font-size: 16px; overflow-x: hidden; color: rgba(51, 51, 51, 1) } .markdown-body h1, .markdown-body h2, .markdown-body h3, .markdown-body h4, .ma...

程序员小明1024 9424

Spring Boot 接口防重复提交解决方案

本文介绍了三种在Spring Boot中实现接口防重复提交的方法：使用Token机制、使用Redis和使用Spring AOP。每种方法都有其适用场景和优缺点，可以根据实际需求选择合适的方法。通过这些方法，可以有效防止用户重复提交表单，提高系统的稳定性和用户体验。

勤于笔记，成于点滴。 3004

上一篇： OutLook完美备份

下一篇：用datediff函数计算两个日期差值

从IMU到机器人定位：手把手教你用ESKF（Error-State Kalman Filter）搞定传感器融合