J2EE

heroreturn heroreturn 博客等级 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 1.7k累计阅读 1.7k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22年
关注
原创 最新推荐文章于 2026-05-06 17:06:59 发布 1.7k 阅读 AI 写同款· GEO 优化 ›
J2EE中文版 J2EE中文API.CHM ，如果出现打开是乱码问题，可以修改IE浏览器编码方式 立即下载
什么是J2EE
　　J2EE，即Java 2 Enterprise Edition，是建立在Java 2平台上的企业级应用的解决方案。J2EE技术的基础便是Java 2平台，不但有J2SE平台的所有功能，同时还提供了对EJB，Servlet，JSP，XML等技术的全面支持，其最终目标是成为一个支持企业级应用开发的体系结构，简化企业解决方案的开发，部署和管理等复杂问题。事实上，J2EE已经成为企业级开发的工业标准和首选平台。
　　J2EE并非一个产品，而是一系列的标准。市场上可以看到很多实现了J2EE的产品，如BEA WebLogic，IBM WebSphere以及开源的JBoss等等。

J2EE的体系结构
　　J2EE使用多层的分布式模型，为企业应用提供了良好的可伸缩性，灵活性和易维护性。J2EE把一个应用分为表示层，业务层，持久层等多层模型，各个应用组件根据它们所在的层分布在不同的机器上。

J2EE的主要技术
　　由于使用多层模型，中间件技术处于J2EE中最核心的地位。和传统的C/S模型相比，业务层被独立划分了出来，使得表示逻辑可以独立于业务逻辑变化。以下是J2EE中最核心的技术：
　　 Servlet/JSP技术：Servlet是一种能输出HTML的Java小服务，同传统的CGI和ASP相比，Servlet用纯Java编写，运行在Servlet容器中，速度非常快，是整个Java Web开发的基础。JSP本质上仍是Servlet，不同的是JSP在页面中嵌入Java代码，执行前先被自动编译成Servlet，由于能使用可视化的HTML编辑器，因此JSP更适合做Web页面。 详细内容>>
　　 EJB技术：Enterprise JavaBeans是一种符合特定规范的可重用的Java组件，用于实现业务逻辑和O/R映射。对开发者而言，编写EJB组件就像编写一个简单的单线程的JavaBean，只需实现特定的接口，但是容器有能力管理和调度这些EJB组件，实现多线程，事务，集群等复杂的功能。最新的EJB 2.1规范定义了三种EJB：Session Bean，Entity Bean和MessageDriven Bean。 详细内容>>
　　JDBC技术：详细内容>>
　　JMS技术：详细内容>>
　　JTS/JTA技术：详细内容>>
　　JCA技术：详细内容>>

J2EE新技术
　　J2EE目前仍在快速发展中。新的企业解决方案被不断添加到或即将添加到J2EE标准中，以下是最新最热门的J2EE技术：
　　 Portal：Portal是企业门户解决方案，它仍是基于Servlet/JSP的Web技术。Portal提供以客户为中心的Web视图，不同身份的客户登陆Portal后，将看到为自己定制的Web界面。开发人员将专注于各个Web组件（被称为Portlet），然后通过Portal服务器将各个Portlet动态装配起来，大大提高了Web视图组件的可重用性。详细内容>>
　　 Workflow：工作流技术是复杂的企业流程逻辑解决方案。详细内容>>

搭建J2EE开发环境
　　学习J2EE之前，我们必须要搭建一个J2EE的开发平台，包括J2EE服务器和IDE。由于Java的跨平台特性，在Windows和Linux平台上的开发基本类似。我们推荐以下几种J2EE服务器：
　　 SUN J2EE SDK 1.3：这是SUN的免费J2EE SDK开发包，包括一个实现了J2EE标准的控制台界面的服务器和J2EE文档，配合ANT脚本，简单易上手，缺点是没有IDE配合，编译和部署稍嫌麻烦。推荐初学者学习使用，以便详细了解开发，部署的细节，如果配合SUN的 The J2EE Tutorial学习则效果更好。 详细内容>>
　　 BEA WebLogic Server 8.1：BEA WebLogic Server 8.1是功能非常强大的J2EE服务器，同样提供开发版免费使用，配合BEA自己的IDE Workshop，非常适合在WebLogic平台上开发J2EE应用。推荐对J2EE有一定理解的开发人员使用。 详细内容>>
　　 IBM WebSphere 5.0：详细内容>>
　　JBoss 3.2：详细内容>>
　　常用的IDE工具有：
　　JBuilder：详细内容>>
　　Eclipse：详细内容>>
　　Workshop：详细内容>>
　　WSAD：详细内容>>

J2EE设计模式
J2EE是一个非常优秀的Java企业级框架，它已经应用了大量的优秀模式，如Facade，Proxy，Value Object，Business Delegate，DAO模式等等，我们将主要关注以下的J2EE核心模式：
Web层的MVC模式：详细内容>>
Facade模式：详细内容>>
Value Object模式：详细内容>>
DAO模式：详细内容>>

J2EE实例学习
　　SUN PetStore是一个基于J2EE的在线宠物店，作为J2EE的“标准示例”，PetStore实现了J2EE标准的三层模型，涉及了最主要的J2EE技术，是学习J2EE不可多得的好教材。您可以从 此处下载最新的PetStore源代码。 详细内容>>

实战J2EE
　　BEA WebLogic和IBM WebSphere是市场份额最大的J2EE服务器产品，您可以通过下面的系列教程学习基于BEA WebLogic和IBM WebSphere的企业级开发：
　　 BEA WebLogic教程
　　 IBM WebSphere教程
收录于
技术篇

当前文章被收录于：

技术篇
6 篇文章 0 人学习
订阅专栏 查看详情
标签
#websphere #weblogic #servlet #ejb #java
#ibm
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
j2ee个人博客系统 j2ee个人博客系统，自己第一次做，非常普通的ssh架构，里面包括java代码，sql文件，可以直接搭在tomcat上使用，仅供学习使用 立即下载

相关推荐

Flutter 完整学习文档 - 从入门到精通

Widget 就像乐高积木，Flutter 中所有的东西都是 Widget。一个按钮是 Widget，一段文字是 Widget，甚至布局、边距、对齐方式也是 Widget！"万物皆 Widget"

zwjapple的专栏 2316

J2EE和J2SE

J2SE和J2EE的关系

杨思默 1601

【Rcode】生存分析： KM & COX回归& 随机森林& nomogram

本文使用了R——survival包下的lung数据进行方法测试： 1）KM 2) Cox回归：多因素 3）随机森林因子（根据cox回归结果） 4）nomogram （ 根据cox回归结果，建立了中位生存时间，1年5年生存率的概率计算） -------------------????????‍♀️本文只有干货，非常干！????----------------------------- 一、数据加载 #生存分析 library("survival") library("survminer") data("

weixin_43172152的博客 9273

MySQL字段类型

1经典:https://www.cnblogs.com/jennyyin/p/7895010.html#undefined 2 https://baike.baidu.com/item/mySQL/471251?fr=aladdin 3与其他的大型数据库,例如Oracle、DB2、SQL Server等相比，MySQL[1]自有它的不足之处，但是这丝毫也没有减...

weixin_30408675的博客 338

Chapter2、HDR流水线

HDR内容的获取（不同曝光时间的图片合成） 相机响应函数 HDR视频

qq_55621259的博客 2597

数字IC设计（8）之AHB-Lite总线（持续更新）

AHB总线全称Advanced High-performance Bus，意为先进高性能总线。推出该总线的目的是补充APB总线在性能上的不足，APB总线适合挂载低速外设，所以AHB总线用来挂载高性能的外设，这样子可以分工合作，节约资源。AHB总线可以实现多主多从的连接，此时需要设计仲裁机和matrix（矩阵），AHB-Lite一般用于一主多从，此时则不需要仲裁机和matrix，但是也可以用AHB-Lite来实现多主多从，就是设计多个layer，每个layer是一主多从，再把各个layer连起来；

qq_69440734的博客 2255

J2EE 学习

一、什么是 J2EE 二、 创建 webapp 项目 https://www.jianshu.com/p/455c7c11dfb2 https://blog.youkuaiyun.com/dream_an/article/details/49020211 三、 使用

qq_34416331的博客 790

Qt代码-软件商店

ui->statusBar->showMessage(QString("%1 已卸载").arg(app["name"].toString()));ui->statusBar->showMessage(QString("开始下载 %1...").arg(app["name"].toString()));QString("%1 已下载完成，是否立即安装？ui->statusBar->showMessage(QString("%1 下载完成").arg(app["name"].toString()));

寒寒豆豆软件公司的博客 111

仿mldn的我的智囊团项目（struts2+spring2.5+hibernate)

提问和回答模块耽搁了这么久；真郁闷呀 努力努力

sfish002的专栏 152

软考高级网络规划设计师教程（第3版）

"本书是由工业和信息化部教育与考试中心组织编写的考试用书，依据《网络规划设计师考试大纲》（2026年审定通过）编写。本书分为两篇：第一篇为网络规划与设计综合知识，其中第1章介绍计算机网络基础知识，第2章介绍网络互连与互联网，第3章介绍网络规划与设计的知识和方法，第4章介绍网络资源设备，第5章介绍网络安全技术，第6章介绍标准化和网络安全法规；第二篇为案例实践，其中第7章介绍网络规划案例，第8章介绍网络故障分析与处理案例，第9章介绍网络安全部署案例，第10章介绍网络规划与设计论文写作的指导思想和写作技巧。

鹿鸣天涯 3938

【二 Deepseek+Coze案例】【 2.2 Coze + Deepseek 实现小红书爆款笔记：打造专属Agent智能体】

摘要 本文介绍了如何利用Coze平台和Deepseek模型构建自动化Agent智能体，用于生成和优化小红书爆款笔记。文章首先分析了爆款笔记的核心特征，包括精准定位、吸引标题、实用内容、精美排版和热门标签。随后提出Agent智能体的功能需求，涵盖热点追踪、内容生成与优化、数据分析及自动发布等模块。在技术实现上，详细阐述了从环境配置、数据采集到内容生成与优化的全流程，并提供了Python代码示例，展示如何调用Coze函数获取热点数据及竞品笔记。该方案通过智能化的内容创作与运营策略，帮助用户高效打造高曝光的小红书

商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式 2277

我的智囊团构建全过程

ssh综合实战 （Struts+spring+hibernate) (Eclipse + mysql+Tomcate+ConnectionPool) 注意：在使用过程中连接是不关闭的，所以用连接池 表 user create table user ( id INT AUTO_INCREMENT PRIMARY KEY , userid ...

本事记的富伟徐 263

HAL STM32+EC11编码器实现增减调节及单击、双击、长按功能

HAL STM32+EC11编码器实现增减调节及单击、双击、长按功能

perseverance51博客 4235

J2EE(集合框架)

今天我们来学习J2EE的第一次课，我们将逐步带大家进入UML:统一建模语言我们先从这个图来逐步理解这些圆形代表的就是接口：conllection、list、set......这些矩形代表的就是类：vector、arrayList、Linkedlist.....这些空心三角形就表示继承关系，虚线箭头表示依赖关系由于需要详细了解的比较多，今天我们就先来了解左边的也就是下图：今天我们了解集合框架中的List我们知道List集合有以下特点：有序、元素可以重复我们通过实例来证明1.特点 我们看以下代码我

weixin_66939060的博客 1621

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

J2EE基础（Tomcat/Servlet/HTTP/JSP）

J2EE基础

Apiao9的博客 599

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")

J2EE的13种规范

J2EE的13种规范是什么

qq_44404197的博客 559

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

J2EE基础

前言：大家好，今天跟大家分享的是有关J2EE的一些知识，我会在下面把自己对于该知识的一些想法与理解写出来，如有疏漏，请大神多多指点。 明确学习目标：J2EE基础学完之后，自己会运用所学知识去写一个框架（MVC）去完成权限分配功能。 一、J2EE介绍 1、J2EE是一套全然不同于传统应用技术开发的架构，包含许多组件，主要可简化且规范应用系统的开发与部署，进而可提高可移植性、安全与再用价值。 二、开发工具介绍： 给大家展示思维导图： （通过几个开发工具的优缺点来进行比较）​​​​​​ ...

m0_53151031的博客 2326

J2EE架构简介

J2EE 体系结构简介J2EE （Java 2 Platform, Enterprise Edition）即Java2平台企业版，它提供了基于组件的方式来设计、开发、组装和部署企业应用。J2EE使用多层分布式的应用模型，这个多层通常通过三层或四层来实现： ①客户层，运行在客户计算机上的组件。 ② Web 层，运行在J2EE服务器上的组件。 ③业务层，同样是运行在J2EE服务器上的组件。

cuiyaoqiang的博客 3万+

J2EE架构

J2EE ：Java 2 平台企业版（Web应用） 架构分为： 1.客户端 浏览器（主要） ， 小程序 ，传统的客户端 2.Web层 Servlet/JSP 界面展示 涉及到的技术：HTML ,CSS, JavaScript 3.业务逻辑层 Service , dao, javabean (model) 4.信息系...

程序员小祝的博客 3536

J2EE是什么（二）

经过本次学习，我们知道了J2EE的整体架构以及一些核心的组件，更加理解了其伸缩性、灵活性和易维护性，这对我们以后的学习会有很大的帮助.当然，我们学过了这些基本的概念之后，最主要的还是要在实际运用中去体会，去总结，然后再返回来看这些东西，我们就会有很大的收获。这就是一个学习的过程，加油。

追梦 1万+
上一篇： ERP,MRP,SAP
下一篇： E时代的流行
点赞 0
评论 0
书签 书签 2
heroreturn
heroreturn
博客等级 码龄22年 1粉丝 33原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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