LoginUser sysUser = (LoginUser)SecurityUtils.getSubject().getPrincipal();
这句代码获取的登录账号的全部信息
sysUser.getUsername();
获取username
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
800+累计阅读
818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7年
LoginUser sysUser = (LoginUser)SecurityUtils.getSubject().getPrincipal();
这句代码获取的登录账号的全部信息
sysUser.getUsername();
获取username
jeecg-boot项目中 获取当前登录用户的信息
jeecg-boot项目中 获取当前登录用户的信息
jeecg-boot前端获取当前登录的用户
jeecgboot前端获取当前登录用户的信息
Jeecgboot集成Maxkey实现单点登录(SSO)实战指南
单点登录(SSO)是企业级应用集成的关键技术,通过统一认证中心实现多系统间的无缝登录体验。其核心原理基于OAuth2、SAML等标准协议,利用令牌交换机制完成跨系统身份验证。在Java生态中,Spring Security提供了完善的OAuth2客户端支持,而Maxkey作为开源IAM解决方案,集成了多种认证协议。本文以Jeecgboot快速开发平台为例,详细讲解如何通过OAuth2协议与Maxkey进行深度集成,包括用户信息同步、权限映射等关键实现。该方案适用于需要统一身份管理的企业级应用场景,能显著提升
SecurityUtils.getSubject().getPrincipal() 为null
出现这个问题就是当前请求没有用户登录 1.确实没有登录 页面是通过一个连接,或者是iframe签入进来的 2.登录了但是shiro的拦截器配置了无需认证即可访问 filterChainDefinitionMap.put("/activiti_process/**", "anon"); 比如我后台的访问路径为:127.0.0.1:8080/jeecg-boot/activiti_process/listData LoginUser sysUser = (LoginUser) ...
JeecgBoot高危SQL注入漏洞CVE-2024-48307复现与深度解析
SQL注入是一种常见且危害极大的Web安全漏洞,其原理在于攻击者能够通过构造恶意输入,篡改应用程序后端数据库查询语句的逻辑,从而执行非授权的数据库操作。这种漏洞的技术价值在于它直接绕过了应用层的身份验证与权限控制,可能导致敏感数据泄露、数据篡改甚至服务器被完全控制。在低代码开发平台、企业管理系统等需要动态查询和报表统计的应用场景中,SQL注入风险尤为突出。本文聚焦于JeecgBoot低代码开发平台中一个高危的SQL注入漏洞(CVE-2024-48307),该漏洞源于其通用统计查询接口`getTotalDat
JeecgBoot数据库密码重置实战:绕过前端加密直接修改用户密码
在系统运维与后台管理中,用户密码的安全存储与验证是核心安全机制。现代应用普遍采用加盐哈希(如MD5加盐或BCrypt)对密码进行加密存储,其原理是将用户密码与一个随机生成的盐值(Salt)组合后,通过单向散列函数生成不可逆的密文,以此抵御彩虹表等攻击,提升安全性。这项技术的工程价值在于,即使数据库泄露,攻击者也难以逆向破解原始密码。在实际的运维场景,如紧急账号恢复、数据迁移或后台管理功能缺失时,管理员可能需要绕过标准流程,直接在数据库层面完成密码重置。这要求运维人员必须精确理解系统的加密逻辑,通过逆向分析代
jeecgboot后端java及前端vue无参数获取当前登录用户名等信息
后端在controller中,注意,必须为带请求的接口,定时任务无法获得此信息。前端pc端默认获取方法。
JeecgBoot集成AI问答模型的安全风险与纵深防御实践
在企业级应用开发中,集成AI大模型进行智能问答已成为提升效率的常见需求。其核心原理是通过API调用或本地部署,使模型基于给定上下文生成自然语言回复。这项技术能极大改善信息检索与交互体验,但同时也引入了全新的安全挑战。从工程实践角度看,AI模型本质上是一个不可信的外部服务,其输入输出可能成为攻击面,典型风险包括Prompt注入导致指令劫持、模型输出泄露敏感数据、以及因缺乏权限校验引发的越权访问。这些隐患在JeecgBoot这类以快速开发著称的低代码平台中尤为突出,因为开发者容易聚焦于功能实现,而忽视AI组件与
从 0 到 1 跑通 JeecgBoot 工作流:Flowable 流程引擎实战指南
JeecgBoot 是企业级低代码平台,它的工作流能力建立在 Flowable 流程引擎之上:在线画流程、挂接表单、提交审批一路走完。这篇文章按「接入 → 跑起来 → 打通表单 → 排坑」的顺序,带你完整走一遍 Flowable 的接入过程,把版本选型、中文显示、Shiro 认证、表单挂接这些最容易卡住的地方一次说清。 ## 一个请假流程,先把需求说清楚 动手之前,先想清楚工作流到底在解决什么
SQL注入漏洞复现:JeecgBoot积木报表模块安全分析与实战
SQL注入是一种将恶意SQL代码插入到应用输入参数中,从而操纵后端数据库查询的经典Web安全漏洞。其核心原理在于应用程序未对用户输入进行充分的验证与过滤,错误地将输入数据当作代码指令执行。这种漏洞的技术危害极大,可导致敏感数据泄露、数据篡改,甚至服务器被完全控制。在低代码开发平台和快速开发框架中,追求功能灵活性与开发效率时,此类安全问题尤为突出。通过分析JeecgBoot平台积木报表模块的`queryFieldBySql`接口,我们可以清晰地看到,**动态SQL拼接**和**缺乏参数化查询**是漏洞产生的直
JeecgBoot企业级低代码平台实战:从核心原理到生产部署全解析
低代码开发平台通过可视化建模和代码生成技术,将通用业务功能模块化封装,其核心原理在于通过预置模板和约束性架构,将开发者的精力从重复的底层编码中解放出来,聚焦于业务逻辑创新。这一技术价值在于能大幅提升企业级应用,尤其是后台管理系统的开发效率,降低技术门槛和项目成本。在应用场景上,它特别适合企业内部管理系统、需要快速验证的MVP项目以及外包类项目,能高效处理表单、权限、报表等标准化需求。本文以JeecgBoot这一基于Spring Boot和Ant Design Vue的流行低代码平台为例,深入探讨其在实际项目
JeecgBoot多租户权限管理深度解析:实战问题排查与最佳实践
JeecgBoot作为企业级低代码开发平台,其多租户架构为企业级SaaS应用提供了强大的数据隔离和权限管理能力。在实际部署中,管理员常遇到新建租户用户登录后菜单显示异常、权限分配失效等问题。本文将从技术原理、配置流程、问题排查到最佳实践,为系统管理员提供完整的解决方案。 ## 多租户权限架构深度解析 JeecgBoot采用基于租户-套餐-用户的三层权限模型,这是企业级SaaS系统的核心设计模式
PFC胶结模型实战:从线性到平行粘结的力学行为解析
本文深入解析了PFC中线性接触与平行粘结(pb模型)的核心差异与应用。平行粘结模型通过模拟胶结层的力学行为,能够有效传递拉力和抵抗弯矩,是模拟岩石、混凝土等胶结材料的关键。文章详细介绍了其变形与强度参数的设置、法向与切向行为的验证方法,并揭示了全量与增量力计算中易出现的“幽灵力”问题及其解决方案,为复杂模型的构建与调试提供了实用策略。
JeecgBoot Flowable 集成实战指南:从加依赖到审批流上线
这篇文章面向有 Spring Boot 基础但不熟悉 Flowable 的开发者,带你走一遍 JeecgBoot 工作流集成的最小路径:加依赖、改配置、验证、部署第一个流程,再逐个拆掉中文乱码、登录态冲突、多数据源干扰这三类高频故障,最后讲清 BPMN 表单挂接的三种模式。 ## 先说场景:什么时候该把 Flowable 装进 JeecgBoot [![JeecgBoot Flowable 工
基于STM32的红外测温系统设计
为了实现本次的毕业设计,我搜集了大量的文献与资料,通过这些资料了解到红外测温的优点,与实现所需的基本器件,并设计了几个方案,最终选择了STM32作为主控芯片,为此还查阅了关于STM32的资料,在此次设计中采用的是MLX90614医用红外测温模块,通过查阅其数据手册了解其测量精度高且自带温度补偿,所以选择了该传感器作为红外测温模块,本次设计到此已经基本完成,硬件部分和软件部分的设计已基本完成。
SiC双向车载充电器技术解析与V2G应用
碳化硅(SiC)功率器件凭借其高击穿电场强度、优异热导率和低开关损耗特性,正在重塑电力电子系统的设计边界。作为第三代半导体材料的代表,SiC MOSFET通过降低80%的开关损耗,使车载充电器(OBC)效率突破96.5%。在双向能量转换架构中,图腾柱PFC与CLLC谐振变换器的组合实现了ZVS软开关,配合三维集成散热方案使功率密度达54W/in³。这些技术进步直接支撑了V2G(车辆到电网)应用场景,使电动车成为虚拟电厂(VPP)的关键单元。通过智能充放电策略优化,电池循环寿命可提升至4000次以上,为电力市
3步解锁JeecgBoot:企业级AI低代码平台的终极入门指南
你是否曾为重复的CRUD开发而疲惫?是否在ERP、OA、CRM等业务系统的开发中耗费大量时间?JeecgBoot正是为解决这些痛点而生的企业级AI低代码平台。它集成了SpringBoot、Vue3、Mybatis-plus等主流技术栈,通过AI生成、OnlineCoding、代码生成、手工MERGE的创新模式,显著提升开发效率的同时保持高度灵活性。本文将带你从零开始,快速掌握这个强大平台的核心价值
python 爬虫 xpath 存储到数据库
参考
JeecgBoot 低代码平台 30 分钟跑通:代码生成器让 CRUD 不再手敲
做管理后台最磨人的不是业务逻辑,而是"建表 → 实体 → Mapper → Service → Controller → 列表页 → 表单页"这条重复流水线。JeecgBoot 是一个 Java 企业级低代码平台,主打代码生成器:导入一张表就能产出整套前后端增删改查代码,还内置在线表单、流程设计、报表大屏和一整套 AI 应用平台。这篇文章的目标很具体:30 分钟之内,在你电脑上把这个低代码平台从零
山东大学软件学院计算机组成原理课程设计实验二
文章目录一、实验时间二、实验内容1.设计异步模16加1计数器2.设计4位移位器3.超前进位16位ALU的设计 一、实验时间 2021年4月1日星期四,第五周 二、实验内容 1.设计异步模16加1计数器 基本功能:使用D触发器(dff元件)和异或门构建从0开始计数的模16加1计数器 对应的电路图(这里已经实现了预置初值的功能) 拓展功能: (1)实现模256加1计数器 (2)实现计数器预置初值的功能 这里复用了上面的模16加1计数器 这里异步触发器预置初值的功能是这样实现的: (1)首先将CLR端调为0,
超分算法 SwinIR: Image Restoration Using Swin Transformer
这篇文章结构比较简单,如果看过Swin-Transformer的话就没什么难点了。作者引入Swin-T结构应用于低级视觉任务,包括图像超分辨率重建、图像去噪、图像压缩伪影去除。网络由一个浅层特征提取模块、深层特征提取模块、重建模块构成。重建模块对不同的任务使用不同的结构。浅层特征提取就是一个3×3的卷积层。深层特征提取是k个RSTB块和一个卷积层构成。RSTB(Res- SwinIR: Image Restoration Using Swin Transformer[ICCV 2021]Abstract1.
JeecgBoot多租户权限配置实战指南:3个常见坑位与避坑方案
多租户权限配置是企业级低代码平台JeecgBoot的核心功能,但在实际部署中,开发团队常遇到租户用户登录后菜单显示异常、权限分配失效等问题。本文将通过实战场景分析,提供一套完整的排查方案和配置指南,帮助你快速定位并解决多租户权限配置难题。 ## 🔍 场景化问题:三个典型的多租户权限异常 **场景一:新建租户后用户登录看不到菜单** 小王在JeecgBoot中创建了一个新租户"科技公司",配
利用 Python 构建高效爬虫爬取国家标准文献——从基础到进阶
然而,由于许多标准文献需要从特定网站获取,手动下载既耗时又低效,因此构建自动化爬虫成为一种实用且高效的解决方案。本文从技术选型、网站分析、代码实现到反爬优化,全面讲解了如何爬取国家标准文献。国家标准文献(National Standards Literature)是国家对各领域统一规范的文件,涵盖了技术参数、测试方法、生产工艺等内容。因此,通过自动化爬虫技术进行文献爬取和管理,不仅能解放劳动力,还可以提高数据管理效率。在构建爬虫前,我们需要对目标网站进行分析,包括页面结构、请求方式以及可能的反爬机制。
30 分钟跑通 JeecgBoot 的 Flowable 工作流:从请假审批到上线
员工提交请假单、部门主管审批、HR 归档——如果这套流程还靠 if-else 硬编码,每改一次审批人就要发一次版。这篇文章以"请假审批"为例,带你完成 JeecgBoot 的 Flowable 流程引擎集成:依赖引入、工作流配置、Shiro 认证打通、在线流程设计器与流程表单挂接,跟着走一遍,半小时左右就能让一条完整的审批流程跑起来。 [及结果评估。还探讨了交互式推理方法、面临的不确定性处理等挑战、应用场景、未来发展方向、相关工具及实际案例,展现了该技术在智能交通等领域的重要性与发展潜力。
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。
Natron 的 G‘MIC Edges Offsets 节点:参数详解与实战指南
**G'MIC Edges Offsets(eu.gmic.EdgesOffsets)** 是 Natron 通过 OpenFX 宿主机制接入的 G'MIC 滤镜封装节点,用于从输入图像中检测边缘并将其转换为带偏移的艺术化边缘线稿。本文以 [eu.gmic.EdgesOffsets.rst](https://link.gitcode.com/i/572618b24d12565cae958d907d
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!
281
1292
2106

被折叠的 条评论
为什么被折叠?



