tomcat-5.0.28在https模式下IE8无法下载文件问题解决

CentOS 6 Apache SSL 配置实战:兼容 OpenSSL 1.0.1e-FIPS 的 HTTPS 部署指南 HTTPS 是现代 Web 通信的安全基石,其核心依赖于 SSL/TLS 协议栈、数字证书体系与 Web 服务器的协同工作。在 CentOS 6 这类长期维护但内核与加密库陈旧的系统中,OpenSSL 1.0.1e-fips 构成关键约束——它强制启用 FIPS 模式,禁用 SHA-1 以外的弱哈希、拒绝传统 RSA 私钥格式,并原生不支持 TLS 1.2。这导致常见错误如 'no required ssl certificate was sent' 和 'unable to get local issue 阅读详情

tomcat-5.0.28在https模式下IE8无法下载文件问题解决


注:

IE8无法下载文件,在IE11下没问题


 此web.xml中的security-constraint写法:
  
在tomcat-5.0.28中以http形式访问其web应用时【无法】自动跳转https
  
在tomcat-5.5.20中以http形式访问其web应用时【可以自动跳转到https】


 
环境
 tomcat-5.0.28(
配置https),jdk1.6
 
web
应用web.xml安全相关配置:
 <security-constraint>
  <web-resource-collection>
   <web-resource-name>OPENSSL</web-resource-name>
   <url-pattern>/*</url-pattern>
  </web-resource-collection>
  <user-data-constraint>
  <transport-guarantee>CONFIDENTIAL</transport-guarantee>
  </user-data-constraint>
 </security-constraint>


问题:
 web
应用,在https模式下进行访问,IE8下无法下载页面中链接中指定的文件,但是在IE11中却无此问题
  jsp
页面中的文件链接形如:
   <a href="${cp }/xxxx/setup.exe">
下载xx</a>
  
问题解决:
 
书写一个文件下载Filter,并进行response.setHeader相关设置后,IE8在https模式下可以下载web应用中的文件
 
Filter
代码:
public class FileSSLFilter implements Filter {
 private static final Logger logger =Logger.getLogger("logger");
 
 public void init(FilterConfig filterConfig) throws ServletException {
  logger.info(">>>>>>>> FileSSLFilterinit.....");
 }


 public void doFilter(ServletRequest request,ServletResponse response,
   FilterChain chain) throws IOException, ServletException {
  HttpServletRequest httpServletRequest = (HttpServletRequest) request;
  HttpServletResponse httpServletResponse = (HttpServletResponse)response;
 
  //
通过https访问.xxx格式文件时
  if (httpServletRequest.getScheme() == "https"
    &&httpServletRequest.getRequestURI().endsWith(".exe"))
  {
   httpServletResponse.setHeader("Expires", "0");
   httpServletResponse.setHeader("Pragma","public");
   httpServletResponse.setHeader("Cache-Control", "must-revalidate,post-check=0, pre-check=0");
   httpServletResponse.setHeader("Cache-Control","public");
  }
 
  chain.doFilter(request, response);
 }


 public void destroy() {
  logger.info(">>>>>>>> FileSSLFilterdestroy...........");
 }
}


web.xml中增加:
 <filter>
  <filter-name>FileSSLFilter</filter-name>
 <filter-class>com.hispeed.model.filter.FileSSLFilter</filter-class>
 </filter>
 <filter-mapping>
  <filter-name>FileSSLFilter</filter-name>
  <url-pattern>/*</url-pattern>
 </filter-mapping>





Ubuntu 18.04部署Tomcat 9实战:JVM调优与systemd服务精控 Apache Tomcat 是 Java Web 应用最主流的 Servlet 容器,其运行稳定性高度依赖底层操作系统与 JVM 的协同。在 Linux 环境中,尤其是长期服役的 Ubuntu 18.04 这类 EOL 系统,Tomcat 的部署远不止于解压启动——它涉及 systemd 服务管理机制、JVM 内存模型与 Linux OOM Killer 的博弈、文件权限与 AppArmor 安全策略的适配,以及 JDK 版本兼容性引发的 GC 行为差异。本文聚焦 Tomcat 9 在 Ubuntu 18. 阅读详情

相关推荐

Ubuntu 12.04手动部署Tomcat 7完整指南

Servlet容器是Java Web应用运行的核心基础设施,其本质是遵循Servlet规范、提供HTTP请求处理与生命周期管理的Java进程环境。理解Tomcat的启动原理、JDK版本兼容性、用户权限隔离及配置文件加载机制,是掌握Java Web基础架构的关键。在老旧系统维护、嵌入式教学或遗留系统迁移等场景中,手动部署(而非apt安装)能精准控制CATALINA_HOME、JAVA_HOME路径和server.xml监听行为,避免因符号链接解析失败、默认端口暴露或服务脚本权限缺陷导致的500/404/连接拒

weixin_34174105的博客 545

Tomcat 配置完毕之后无法下载虚拟目录里的资源文件问题

今天开始做Tomcat服务器一些问题的时候,准备自己动手下载自己放在虚拟目录文件,结果发现一个问题就是当我点击文件下载之后出现下面情况: 然后我点击浮夸那首歌之后显示: 然后 我纠结了好久 因为我的Tomcat里的设置 server.xml和web.xml文件都没问题,而且我也上网查了很多资料,也修改了很多地方始终没发现问题,最后无意搞了几首名字为外文歌曲,就是歌曲不含有中文的 才...

20386053 295

Spring Boot文件上传下载实战:从MultipartFile到大文件分块传输

文件上传与下载是Web应用开发中的基础功能,涉及客户端与服务器之间的数据交换。其核心原理基于HTTP协议,通过multipart/form-data格式对文件进行编码传输。在Java生态中,Spring MVC框架提供了MultipartFile接口作为统一的文件抽象层,极大地简化了开发。这项技术的工程价值在于能够高效、安全地处理用户生成内容、系统间文件交换等场景。针对大文件传输,分块上传与断点续传技术可以有效避免内存溢出和网络中断导致的重传问题。本文聚焦Spring Boot框架,深入解析了Multipa

weixin_34413103的博客 400

Tomcat 部署后文件无法下载

1、如果文件是中文名,则去tomcat server.xml文件中加上 URIEncoding="UTF-8" 即 <Connector port="8080" redirectPort="8443" URIEncoding="UTF-8" /> 重启tomcat,问题解决。 2、ftp协议 20、21端口被关闭了

得已 1484

TongWeb8实战避坑指南:从Spring Boot部署到集群配置,这20个高频问题别再踩坑了

本文详细解析了TongWeb8在企业级应用部署中的20个高频问题,涵盖Spring Boot部署模式选择、License管理、集群配置等核心场景。通过实战案例和优化建议,帮助开发者规避常见陷阱,提升TongWeb8的部署效率和系统性能,特别适用于国产中间件技术栈的企业应用场景。

cuikuangru5755的博客 417

Ubuntu 12.04 VPS 上安装 Grails 2.5.6 完整指南

Grails 是一个基于 Groovy 和 JVM 的全栈 Web 框架,其核心优势在于约定优于配置、内建 GORM 与快速开发能力;其运行依赖特定版本的 JDK(如 Grails 2.x 严格要求 JDK 1.7),而 Ubuntu 12.04 作为已终止支持的 LTS 版本,提供了高度稳定的旧版内核与系统库环境,常用于遗留系统维护、教育实验及资源受限的 VPS 场景。在该环境下部署 Grails 的技术价值在于:以最小侵入方式复用陈旧基础设施,避免高风险操作系统升级;通过手动安装 Oracle JDK

weixin_30299709的博客 401

ie中 https(SSL)不能下载问题解决方案 - javaee

前几天在把几个web应用配置为https (SSL)时出现了一个问题 搞了几天 查了资料才解决 我在csdn的论坛上也提了这个问题可以没有人回答,这里就不详细描述问题了 问题查看:http://topic.csdn.net/u/20120320/11/7bdeb2a1-231c-4302-b051-4e02d139d572.html 问题剖析:这是ie的一个bug,详见:http://

ChinFeng的专栏 4448

apache-tomcat-5.0.28.zip

apache-tomcat-5.0.28.zip,老版本tomcat,适用老项目

IIS7整合Tomcat9服务器,并搭建ASP+PHP+JSP完整运行环境

解压tomcat-connectors-1.2.49-windows-i386-iis.zip压缩包到C:\Web\tomcat-connectors-1.2.49-windows-i386-iis文件夹中。创建C:\Web文件夹,将php-7.1.33-nts-Win32-VC14-x86.zip解压到C:\Web\php-7.1.33-nts-Win32-VC14-x86文件夹中。打开php.ini,把;选中已禁用的“ISAPI-dll”,点击右边的“编辑功能权限”,勾选“执行”,点击确定。

ZLK1214的专栏 1574

Camera ITS测试

一、手机端设置: 将 CtsVerifier.apk 安装到设备上, 连接上linux主机。 二、主机端设置: 基础:CTS测试运行环境 然后,主机安装python2.7,及numpy/scipy/matplotlib/opencv 栈和 python 成像库。按照下面的命令依次安装: sudo apt­-get install python-­numpy sudo apt-­g...

wangubuntu的专栏 7786

Win10环境借助DockerDesktop部署Open web UI集成DeepSeek

Win10环境借助DockerDesktop部署Open web UI集成DeepSeek,并借助DuckDuckGo实现联网查询

虎鲸不是鱼 1701

芯片制造行业如何通过JavaWeb解析半导体测试数据分片下载的信创兼容方案?

兼容性:从IE8到现代浏览器的全面支持大文件处理:20GB文件的分片、断点续传文件夹上传:保留层级结构的复杂处理加密:传输和存储的双重加密性能:大文件的高效处理可靠性:断点续传和进度保存使用简化版加密算法(实际项目不安全)IE8的文件夹上传需要用户手动输入路径部分功能在IE8下体验降级完整代码已经准备好,但由于篇幅限制无法全部展示。欢迎加入我们的QQ群(374992201)获取完整代码和部署文档。群里还有更多资源分享和项目合作机会!记住,程序员的头发是有限的,但知识是无限的。

2501_90646763的博客 163

详细Ubuntu 22.04 配置最新UR机械臂仿真环境(ros2-humble, ur-sim, ur-ros2-driver)

使用ubuntu22.04.01和ur-sim, ur-driver进行ur机械臂的仿真

verloge的博客 1万+

tomcat 部署及优化

阿里云修改服务器密码后,有时候需要重启生效。 进入linux centeos 服务器后 第一步:安装jdk 先搜索自己对于的版本,看是否存在,如果有,直接安装。 yum search java-1.8 sudo yum install java-1.8.0 第二步:安装tomcat 到这个镜像去找:http://mirrors.hust.edu.cn/apache/tomcat/ 复制下链接用...

zhanglinlang的专栏 780

反激系列-详细到每个容阻的原理之RCD吸收(1)

1、漏感尖峰电压会被RCD吸收,漏感能量一定,电容越大,电容充电的电压就越低,吸收能力就越强,MOS漏极的电压就越低。2、在漏感能力释放完之后(这个过程一般只有一个周期的3%时间),是要通过R1释放掉电容吸收的能量的,把电容的电压降下来方便下一次漏感尖峰来之前再进行吸收。3、电容容量和电阻需要合理搭配,容量足够即可,足够能吸收漏感尖峰电压,不至于超过MOS耐压。电阻需要足够小,小到在放电阶段把电容电压下降到MOS的电压平台。

Cuxiaoweiba的博客 3万+

【经验&技巧】如何在ADS中导入示波器的时域波形?

从示波器中导出的时域波形数据,需要按照固定的格式进行修改,并通过Display dataset对话框导入ADS。

一只豌豆象的博客 1572

nginx+tomcat

重启nginx并访问不存在的页面进行测试并验证是在指定目录生成新的日志文件。

2503_91797885的博客 633

Hermes接入IMA知识库全攻略:将知识库装进你的Hermes智能体

本文详细介绍了如何将IMA知识库功能接入Hermes Agent平台,实现一站式笔记管理和知识库操作。主要内容包括:获取IMA访问凭证、下载技能包、配置凭据(支持文件和环境变量两种方式)、验证配置有效性,以及实际应用演示(查询知识库列表、创建笔记并添加到知识库)。文章还提供了常见问题解决方案,如认证失败处理、版本更新等。通过该集成,用户可在Hermes中直接调用IMA的笔记创建、知识库管理等强大功能,提升工作效率。

小石头的专栏 641

windowXP下搭建nginx-1.7.10和apache-tomcat-8.0.18的集群

首先搞定三个不同的tomcat, 修改conf目录中的server.xml文件,保持tomcat的server端口和connection端口不同即可 第一个: 第二个: connectionTimeout="20000" redirectPort="8423" /> 其他几个tomcat做相同的改动,只是端口应该不同; 测试这三个tomcat是否成功。同时启动tomc

蚂蚁的专栏 2985

【STM32项目】基于STM32设计的震动马达超声波电机高频震动——高级定时器PWM互补输出带死区控制__资料编号3

实现高级定时器互补输出带死区控制,实现震动/超声波电机/马达,高频震动。使用 STM32F103 芯片输出两路互补 PWM,并带有死区和刹车控制功能。定时器 1 通道 1 及其互补通道输出PWM,且带死区控。当定时器 1 的刹车输入引脚被拉高时,产生刹车时间,即定时器 8 停止输出 PWM。当刹车输入引脚被拉高时,通道 1 和通道 2 将从有波形输入状态转换成无效电平状态。

嵌入式阿齐Archie 6742

【云原生进阶之容器】第六章容器网络6.6.2--Cilium部署

部署Cilium非常简单,可以通过单独的yaml文件部署全部组件(目前我使用了这个方式部署了1.7.1版本),也可以通过Helm Chart一键完成。重要的是部署环境和时机:官方建议所有部署节点都使用Linux最新稳定内核版本,这样所有的功能都能启用。作为一个Kubernetes网络组件,它应该在部署Kubernetes其他基础组件之后,才进行部署。

junbaozi的专栏 793

lvs,haproxy,keepalived,nginx,tomcat介绍和实验

lvs,haproxy,keepalived,nginx,tomcat介绍和实验

2301_81717288的博客 1059

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

kkFileViewOfficeEdit 常见问题排查:Chrome 兼容、中文路径、回调失败等 10 个高频坑

kkFileViewOfficeEdit 是一款整合了 OpenOffice 的文件在线预览及 OFFICE(Word、Excel、PPT)在线编辑开源项目,只需配置 Redis 即可快速部署,通过 `/onlinePreview` 与 `/onlineEdit` 两个接口就能接入业务系统。然而在实际使用中,不少新手会在 Chrome 兼容模式、中文路径乱码、保存回调失败等问题上反复踩坑。本文总结

gitblog_00986的博客 342

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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")

Nginx下配置SSL证书 调转到IIS、tomcat二级站点

最近由于客户需要,购买了商业SSL证书需要配置! 由于我的网站主域名是部署在IIS下,所以先讲解下IIS下的配置过程; 后面由于二级域名的系统在tomcat下,所以又将SSL迁移到了Nginx下! 整体结构如下图:    先百度两个名词概念(具体可以另行查阅): HTTPS(Hyper Text Transfer Protocol over Secure Socket Layer):...

weixin_30498807的博客 694

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: header(头域)中缓存设置的详解(关于Cache-control和Pragma)
下一篇: tomcat下web应用http访问自动跳转为https形式访问
jackpk
博客等级 码龄19年 326粉丝 85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