GAE集成SpringMVC

摘要:

本教程,主要展示GAE如何集成Spring 3.0 MVC REST框架,同时,实现一个小案例。

所使用技术和工具:
  1. 1. Eclipse-Jee-Juno (version 4.2)
  2. 2. JDK 1.6
  3. 3. Google Plugin for Eclipse
  4. 4. Google App Engine Java SDK 1.7.4
  5. 5. Spring 3.1.0

 

备注:

在学习本教程之前,您可能需要了解SpringMVC开发技术,同样你也可能需要阅读下我上一篇博文 [GAE 教程] 初识GAE

 

  • 项目集成Spring 3.0 MVC REST 需要依赖以下jar
    1. 1. aopalliance-1.0.jar
    2. 2. commons-logging-1.1.1.jar

    3. 3. spring-aop-3.1.0.RELEASE.jar

    4. 4. spring-asm-3.1.0.RELEASE.jar

    5. 5. spring-beans-3.1.0.RELEASE.jar

    6. 6.spring-context-3.1.0.RELEASE.jar

    7. 7. spring-context-support-3.1.0.RELEASE.jar

    8. 8. spring-core-3.1.0.RELEASE.jar

    9. 9. spring-expression-3.1.0.RELEASE.jar

    10. 10. spring-web-3.1.0.RELEASE.jar

    11. 11. spring-webmvc-3.1.0.RELEASE.jar

  • >>准备好Jar包以后,将这些jar包拷贝到项目的war/WEB-INF/lib 中

    复制所需jar包到项目

  • >>导入后,通过Configure Build Path…配置引用下这些包就好了

导入依赖包

  • >>配置SpringMVC,首先我们需要在war/WEB-INF/ 下创建一个Spring XML bean的配置文件 {YourServletName}-servlet.xml,用来定义bean 和 试图解析器
    
      
    1. <beans xmlns="http://www.springframework.org/schema/beans"
    2. xmlns:context="http://www.springframework.org/schema/context"
    3. xmlns:mvc="http://www.springframework.org/schema/mvc" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    4. xsi:schemaLocation="
    5. http://www.springframework.org/schema/beans
    6. http://www.springframework.org/schema/beans/spring-beans-3.0.xsd
    7. http://www.springframework.org/schema/context
    8. http://www.springframework.org/schema/context/spring-context-3.0.xsd
    9. http://www.springframework.org/schema/mvc
    10. http://www.springframework.org/schema/mvc/spring-mvc-3.0.xsd">
    11. <!-- 对web包中的所有类进行扫描,以完成bean的创建和自动依赖注入功能 -->
    12. <context:component-scan base-package="com.javawill" />
    13. <!-- 对模型视图的名称的解析 -->
    14. <bean
    15. class="org.springframework.web.servlet.view.InternalResourceViewResolver">
    16. <property name="prefix">
    17. <value>/WEB-INF/jsp/</value>
    18. </property>
    19. <property name="suffix">
    20. <value>.jsp</value>
    21. </property>
    22. </bean>
    23. </beans>
  • >>同时,我们需要将Spring 集成到我们的web.xml中,有的人可能IDE无法显示web.xml的内容,只需要刷新web.xml 文件(注意是文件,不是内容)
    
      
    1. <?xml version="1.0" encoding="utf-8" standalone="no"?>
    2. <web-app xmlns="http://java.sun.com/xml/ns/javaee"
    3. xmlns:web="http://java.sun.com/xml/ns/javaee/web-app_2_5.xsd"
    4. xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" version="2.5"
    5. xsi:schemaLocation="http://java.sun.com/xml/ns/javaee http://java.sun.com/xml/ns/javaee/web-app_2_5.xsd">
    6. <!-- spring mvc的servlet,加载WEB-INF/baifeibai-servlet.xml的配置文件,以启动Spring MVC模块 -->
    7. <servlet>
    8. <servlet-name>baifeibai</servlet-name>
    9. <servlet-class>org.springframework.web.servlet.DispatcherServlet</servlet-class>
    10. <load-on-startup>1</load-on-startup>
    11. </servlet>
    12. <servlet-mapping>
    13. <servlet-name>baifeibai</servlet-name>
    14. <url-pattern>*.do</url-pattern>
    15. </servlet-mapping>
    16. <context-param>
    17. <param-name>contextConfigLocation</param-name>
    18. <param-value>/WEB-INF/baifeibai-servlet.xml</param-value>
    19. </context-param>
    20. <!-- spring容器启动监听器 -->
    21. <listener>
    22. <listener-class>org.springframework.web.context.ContextLoaderListener</listener-class>
    23. </listener>
    24. <welcome-file-list>
    25. <welcome-file>index.html</welcome-file>
    26. </welcome-file-list>
    27. <servlet>
    28. <servlet-name>SystemServiceServlet</servlet-name>
    29. <servlet-class>com.google.api.server.spi.SystemServiceServlet</servlet-class>
    30. <init-param>
    31. <param-name>services</param-name>
    32. <param-value />
    33. </init-param>
    34. </servlet>
    35. <servlet-mapping>
    36. <servlet-name>SystemServiceServlet</servlet-name>
    37. <url-pattern>/_ah/spi/*</url-pattern>
    38. </servlet-mapping>
    39. </web-app>
  • >>现在我们看看我们项目的新结构,并实现一个简单的业务,通过Controller 定义一个变量值,并在JSP上展现出来

    项目结构

  • >>定义Controller.java
    
      
    1. /**
    2. * Create by Javawill in 2013-1-10
    3. */
    4. package com.javawill.example.spring.controller;
    5. import org.springframework.stereotype.Controller;
    6. import org.springframework.ui.Model;
    7. import org.springframework.web.bind.annotation.RequestMapping;
    8. /**
    9. * GAE集成SpringMVC Controller 实例
    10. * @author <a href="mailto:iflytekwill@qq.com">Javawill</a>
    11. * @version 1.0
    12. */
    13. @Controller
    14. public class SpringController {
    15. @RequestMapping("/example/welcome.do")
    16. public String Welcome(Model model, String inputval){
    17. if ( inputval == null || ("".equals(inputval))) {
    18. inputval = "您可以试试在下面的输入框输入值,测试下Spring的传参!";
    19. } else {
    20. inputval = "您之前输入的值为:" + inputval;
    21. }
    22. model.addAttribute("hello", "您好,欢迎您来到GAE+SpringMVC学习项目演示网站!");
    23. model.addAttribute("msg", inputval);
    24. return "example/spring/welcome";
    25. }
    26. }
  • >>JSP页面代码
    
      
    1. <%@ page language="java" contentType="text/html; charset=UTF-8"
    2. pageEncoding="UTF-8"%>
    3. <%@ taglib prefix="c" uri="http://java.sun.com/jsp/jstl/core"%>
    4. <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
    5. <html>
    6. <head>
    7. <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
    8. <title>Javawill 演示案例</title>
    9. </head>
    10. <body>
    11. <h2>${hello }</h2>
    12. ${msg }
    13. <form action="<c:url value='/example/welcome.do' />" method="post">
    14. 输入值:<input id="inputval" name="inputval" />
    15. <input type="submit" value="确定" />
    16. </form>
    17. </body>
    18. </html>

页面展现效果

输入值以后的效果

=================================================================== 本教程系列为本人写技术博客练笔之作,高手请无视,转载请点明出处!
===================================================================

49、Linux内核内存管理:MGLRU、DAMON与OOM杀手详解 本文详细解析了Linux内核内存管理中的三大核心机制:MGLRU(多代LRU)页面追踪与回收机制、DAMON数据访问监控工具及其在内存优化中的应用,以及OOM(内存不足)杀手的工作原理和触发方式。同时,文章还介绍了VM overcommit_memory策略的设置及其对内存分配的影响,帮助开发者和系统管理员更好地理解Linux内存管理机制,从而优化系统性能和稳定性。 阅读详情

相关推荐

告别手动下载!用Python脚本5分钟搞定NREL风速数据(附完整API调用代码)

本文详细介绍了如何使用Python脚本自动化获取NREL风速数据,从API密钥申请到数据保存的全流程。通过完整的API调用代码和实战技巧,帮助研究人员和开发者高效下载全球高精度风速数据,告别繁琐的手动操作,提升工作效率。

weixin_33724059的博客 297

体验GAE springMVC

      把gae java的教程例子改了一下,用springMVC写的,目前只是个半成品,现在bug是点击submit才能看到所有留言,点击两次submit才能看到自己发的留言。         因为是springMVC是第一次接触,写的不好,东西是今天上悄悄改的,页面也没仔细弄,下午还得去忙工作。有时间再改吧。       怎么配置gae spring 参考的是这篇帖子http://s...

lee 152

three.js开发3D地图记录(二)

添加地图点击事件,点击区域,地图区域改变颜色并浮起来。

anwebDesigner的博客 1694

[GAE教程]初识 Google App Engine

http://javawill.iteye.com/blog/1767200

走马观花 1000

保姆级教程:手把手带你玩转英飞凌TC397开发板的板载资源(CAN FD、LCD、SD卡)

本文提供英飞凌TC397开发板的全面开发指南,涵盖CAN FD通信、LCD显示、SD卡文件系统和以太网通信等核心功能。通过详细的代码示例和硬件连接说明,帮助开发者快速上手并充分利用开发板的丰富资源,实现高效嵌入式系统开发。

weixin_33726313的博客 241

张正友标定法_单目-线激光三维扫描系统中光刀平面的标定

单目-线激光三维扫描系统中光刀平面的标定线结构光有结构简单、精度高、测速快等特点,被广泛应用于三维重建领域。线结构光三维扫描系统由一个相机和一个线结构光投射器构成,线结构光投射器将线结构光投射到被测物体表面,相机采集带有线激光的被测物体图像,根据相机和线激光投射器间的相对位置关系,使用激光三角法计算出激光线上的点在相机坐标系下的坐标。激光三角法原理如下图所示,线激光投射的扇形区域可以看作是一个平面...

weixin_39616379的博客 1074

SpringMVC3 在GAE 获取 Session

/***returnsthecurrenthttpsessionobject**@returnsession*/@OverridepublicHttpSessiongetSession(){ServletRequestAttributesattr=(ServletRequestA...

weixin_30617695的博客 66

kaggle项目:纽约出租车行程时间NYC Taxi Trip Duration

纽约出租车形成时间预测(NYC Taxi Trip Duration)是Kaggle中的一个Playground竞赛。比赛数据集基于2016年纽约市黄色出租车行程记录数据,需要建立一个模型,根据单个行程属性,预测测试集中每次行程的持续时间。Kaggle项目模型XGBoost,评价指标RMSLE。

weixin_42113929的博客 2790

springmvc中加载jdo配置文件

google app engine 支持java了,所以这几天一直在搞鼓这东西,   本人喜欢用spring框架,恰好它又支持,正合心意   但是弄了3天,spring的DispatcherServlet工作的有点问题,   暂时不弄了,转向去搞GAE的数据库,GAE的数据库只能用jdo   但是平时没用过jdo,用spring配置操作就更不用说了   今天在网上狂搜了一下,找...

imAtlas 183

AD620仪表放大器模组实战:从调零到信号放大的完整指南

本文详细介绍了AD620仪表放大器模组的实战应用,从调零到信号放大的完整指南。AD620模组以其专业级性能和易用性成为微弱信号放大的首选,集成了AD620芯片、LM358运放和7660电源转换芯片。文章提供了调零技巧、增益设置方法以及单端与差分输入的正确连接方案,并通过心电信号采集和称重传感器等实际案例展示了其广泛应用。

weixin_29290379的博客 376

九天揽月带你玩转Ardupilot 的EKF2纸老虎(1)

目录 目录 摘要 1.kalman基础知识储备 摘要 本文主要记录自己学习ardupilot的ekf2代码的过程,相信很多人想移植或者学习ekf2,看到眼花缭乱的代码无从下手。九天揽月将带你玩转Ardupilot 的EKF2纸老虎 1.kalman基础知识储备 (1)先来看下最基础也是最重要的线性kalman 总结:不要害怕kalman,只要你可以懂得线性kal...

陌城烟雨 1万+

为什么做java的web开发我们会使用struts,springMVC和spring这样的框架?

TRPO 用共轭梯度法求解带约束的优化问题,需要计算 Hessian 矩阵(目标函数的二阶导数)。PPO(Schulman et al., 2017)用一阶优化 + 巧妙的目标函数设计达到 TRPO 的效果,成为深度 RL 和 RLHF 的标准算法。过大(如 10),说明新旧策略差异巨大,重要性采样失效,梯度估计方差爆炸。新策略分布:P("多喝水")=0.5, P("休息")=0.35, P("吃药")=0.15。旧策略分布:P("多喝水")=0.3, P("休息")=0.4, P("吃药")=0.3。

2501_94607093的博客 363

Arcgis建筑面shp由DSM和DEM获取高度拉伸并可视化

Arcgis建筑面shp由DSM和DEM获取高度拉伸并可视化

yilvyangguang520的博客 3990

Google App Engine教程

Google App Engine是一个用于在现有Google基础架构中托管Web应用程序的云计算平台,它易于扩展,管理和免费使用多达预定义的已消耗资源,并且支持Java。 有关其他费用,请参阅此GAE帐单 。 在本系列教程中,我们将向您显示一系列教程,以帮助您使用Java启动程序Google App Engine。 注意 所有GAE教程均使用“ Eclipse 3.7 + G...

一名可爱的技术搬运工 2407

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。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

浅谈SpringMVC(二)

SpringMVC

weixin_45341429的博客 770

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")

带有数据存储区低级API的Google App Engine + Spring MVC,CRUD示例

GAE数据存储 请参阅此官方“ 使用datstore指南 ”以了解什么是GAE数据存储。 请参阅以下代码段,以使用低级API对Google App Engine数据存储区Java执行CRUD。 加 以“名称”为关键字将客户存储到数据存储中。 Key customerKey = KeyFactory.createKey("Customer", "your name");...

一名可爱的技术搬运工 259

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

SpringMVC-请求参数

5-请求参数的绑定 5.1支持的数据类型 基本类型参数 基本类型和 String 类型 POJO 类型参数 实体类,以及关联的实体类 数组和集合类型参数 List 结构和 Map 结构的集合(包括数组) 5.2 使用要求 基本类型或者 String 类型 参数名称必须和控制器中方法的形参名称保持一致。(严格区分大小写) POJO 类型 ,或者它的关联对象 要求表单中参数名称和 POJO 类的属性名称保持一致。并且控制器方法的参数类型是 POJO 类型。 集合类型 方式一: 要求集合类型的请求参

hxy1625309592的博客 223

SpringMVC-ajax初探

springMVC-ajax初探 ajax Ajax即Asynchronous Javascript And XML(异步JavaScript和XML)在 2005年被Jesse James Garrett提出的新术语,用来描述一种使用现有技术集合的‘新’方法,包括: HTML 或 XHTML, CSS, JavaScript, DOM, XML, XSLT, 以及最重要的XMLHttpRequest。 使用Ajax技术网页应用能够快速地将增量更新呈现在用户界面上,而不需要重载(刷新)整个页面,这使得程序

菜鸡的博客 237

Ajax异步请求和SpringMvc的参数交互

在项目很早阶段,其实是没有所谓异步请求,全部基于form表单方式进行数据的提交和处理。或者查询数据也是通过模板渲染的方式进行替换返回的。所以我们在学习javaweb阶段就一定要学习:jsp 其实jsp本身就是一个模板引擎机制。通过EL表达式和标签从而将java内存中的数据提取替换,最终通过reponse流输出。

weixin_58423755的博客 730

部署web项目SpringMVC工程到Linux服务器

Linux服务器部署war包 补入这篇博客。

u010804417的博客 1936

Java语言SpringMvc整合FreeMarker静态页面生成

说明:FreeMarker是静态页面生成框架,本文章主要写了两个案例且都是基于SpringMvc框架。一个是生成伪静态,一个是生成静态页面。只写具体功能,不做太多解释,代码是干货,想多深入自己慢慢研究。准备工作:现在pom.xml文件中引入FreeMarker包&lt;!--freemarker--&gt; &lt;dependency&gt; &lt;groupId&gt;org.freem...

点点的博客 536
上一篇: [GAE教程]初识 Google App Engine
iflytekwill
博客等级 码龄14年 0粉丝 4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