Java WEB开发中对jstl的应用一（标签库引用）

janejava janejava 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 1.4k累计阅读 1.5k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19年
关注
原创 最新推荐文章于 2026-04-02 09:18:23 发布 1.4k 阅读 AI 写同款· GEO 优化 ›
Java Web开发的JSTL与EL标签库实战 JSTL的核心标签库是JSTL中最为常用的部分，它提供了一组标准的标签用来处理常见的任务，如遍历集合、条件判断、URL处理等。核心标签库的使用极大地简化了JSP页面的代码，提升了页面的可读性和维护性。以上代码片段展示了核心标签库中的标签，用于遍历一个列表并输出每个元素的名称。其中，prefix属性定义了一个前缀，用于在页面中引用标签库中的标签；uri属性指定了标签库的位置，而是实际的遍历标签。 阅读详情
  创建标签库引用文件taglibs.inc
采用本地标签库的 taglibs.inc 文件
 
<%--struts 库标签  --%>
<%@ taglib uri = "/WEB-INF/struts-html.tld" prefix = "html" %>
<%@ taglib uri = "/WEB-INF/struts-logic.tld" prefix = "logic" %>
<%@ taglib uri = "/WEB-INF/struts-bean.tld" prefix = "bean" %>
<%@ taglib uri = "/WEB-INF/struts-menu.tld" prefix = "menu" %>
<%--struts menu 库标签  --%>
<%@ taglib uri = "/WEB-INF/struts-menu-el.tld" prefix = "menu-el" %>
<%@ taglib uri = "/WEB-INF/pager-taglib.tld" prefix = "pg" %>
<%--JSTL 库标签  --%>
<%@ taglib uri = "/WEB-INF/c.tld" prefix = "c" %>
<%@ taglib uri = "/WEB-INF/fmt.tld" prefix = "fmt" %>
<%@ taglib uri = "/WEB-INF/sql.tld" prefix = "sql" %>
<%@ taglib uri = "/WEB-INF/fn.tld" prefix = "fn" %>
 
采用远程标签库的 taglibs.inc 文件
 
<%--struts 库标签  --%>
<%@ taglib uri = "http://struts.apache.org/tags-html" prefix = "html" %>
<%@ taglib uri = "http://struts.apache.org/tags-logic" prefix = "logic" %>
<%@ taglib uri = "http://struts.apache.org/tags-bean" prefix = "bean" %>
<%--struts menu 库标签  --%>
<%@ taglib uri = "http://struts-menu.sf.net/tag" prefix = "menu" %>
<%@ taglib uri = "http://struts-menu.sf.net/tag-el" prefix = "menu-el" %>
<%@ taglib uri = "http://jsptags.com/tags/navigation/pager" prefix = "pg" %>
<%--JSTL 库标签  --%>
<%@ taglib uri = "http://java.sun.com/jsp/jstl/core" prefix = "c" %>
<%@ taglib uri = "http://java.sun.com/jstl/fmt" prefix = "fmt" %>
<%@ taglib uri = "http://java.sun.com/jstl/sql" prefix = "sql" %>
<%@ taglib uri = "http://java.sun.com/jstl/function" prefix = "fn" %>
 
在 jsp 文件中引用 taglibs.inc 文件
<%@ > page language = "java" pageEncoding = "gb2312" %
<%@ > include file = "/common/taglibs.inc" %

 

  在web.xml配置文件中的<web-app>节点下增加下面的配置信息

    < jsp-config >
       <!--       struts 的 HTML 标签 -->
       < taglib >
           < taglib-uri > http://struts.apache.org/tags-html </ taglib-uri >
           < taglib-location > /WEB-INF/struts-html.tld </ taglib-location >
       </ taglib >
      
       <!--       struts 的逻辑 标签 (logic)-->
       < taglib >
           < taglib-uri > http://struts.apache.org/tags-logic </ taglib-uri >
           < taglib-location > /WEB-INF/struts-logic.tld </ taglib-location >
       </ taglib >
       <!--       Struts 的 Bean 标签 -->
       < taglib >
           < taglib-uri > http://struts.apache.org/tags-bean </ taglib-uri >
           < taglib-location > /WEB-INF/struts-bean.tld </ taglib-location >
       </ taglib >  
       <!--       JSTL 标签 -->
       < taglib >
           < taglib-uri > http://java.sun.com/jsp/jstl/core </ taglib-uri >
           < taglib-location > /WEB-INF/c.tld </ taglib-location >
       </ taglib >
       <!--       page 标签 -->
       < taglib >
           < taglib-uri > http://jsptags.com/tags/navigation/pager </ taglib-uri >
           < taglib-location > /WEB-INF/pager-taglib.tld </ taglib-location >
       </ taglib >
      
      
       <!--       struts menu 标签 -->
       < taglib >
           < taglib-uri > http://struts-menu.sf.net/tag </ taglib-uri >
           < taglib-location > /WEB-INF/struts-menu.tld </ taglib-location >
       </ taglib >
       <!--       struts menu 的 EL 标签 -->
       < taglib >
           < taglib-uri > http://struts-menu.sf.net/tag-el </ taglib-uri >
           < taglib-location > /WEB-INF/struts-menu-el.tld </ taglib-location >
       </ taglib >
       <!--       JSTL 的 fmt 标签 -->
       < taglib >
           < taglib-uri > http://java.sun.com/jstl/fmt </ taglib-uri >
           < taglib-location > /WEB-INF/fmt.tld </ taglib-location >
       </ taglib >
       <!--       JSTL 的 SQL 标签 -->
       < taglib >
           < taglib-uri > http://java.sun.com/jstl/sql </ taglib-uri >
           < taglib-location > /WEB-INF/sql.tld </ taglib-location >
       </ taglib >
       < taglib >
           < taglib-uri > http://java.su.com/jstl/function </ taglib-uri >
           < taglib-location > /WEB-INF/fn.tld </ taglib-location >
       </ taglib >
      
    </ jsp-config >
收录于
JSTL

当前文章被收录于：

JSTL
2 篇文章 0 人学习
订阅专栏 查看详情
标签
#web开发 #java #struts #menu #bean
#html
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。
Java Web开发中的JSTL标签库与jar包解析 本文还有配套的精品资源，点击获取 简介：JSTL（JavaServer Pages Standard Tag Library）标签库为JSP页面提供了处理常见任务的标准方法，涉及迭代、条件判断、XML处理等。核心组件 jstl.jar 与 standard.jar 的使用对Web应用至关重要，前者包含JSTL的核心标签库实现，后者提供EL支持。J... 阅读详情

相关推荐

掌握JSTL标签库：简化Web开发的jar包资源

JSTL（JavaServer Pages Standard Tag Library）标签库是一组用于JavaServer Pages (JSP)的自定义标签，旨在简化JSP页面中的常见任务，如迭代、条件判断、数据格式化和国际化等。相比原生的JSP指令和脚本元素，JSTL标签以一种更清晰、更易于维护的方式提供相同的功能。本章节将概述JSTL标签库的起源、基本概念及其在Web应用开发中的重要性。字符串是数据处理中的基础元素，fn库提供了多种函数来处理和操作字符串。

weixin_42527589的博客 1079

关于<taglib>的uri的一点总结

      在早期的jsp开发中，是使用java代码来控制逻辑和显示的，但这样会给前端开发人员带来些麻烦并且代码的可读性也会降低。为了解决上述情况，标签库被创造出来了。标签库的目的在于让开发人员能像使用html标签一样的标签来完成前端的逻辑控制和内容显示，而把那些繁琐、复杂的java代码隐藏在背后，返还jsp文件的干净整洁。   标签库的组成       一个标签库一般由两大部分组成：jar...

iteye_5704的博客 1142

JSTL标签库详解与实战应用指南

JSTL（JavaServer Pages Standard Tag Library）是一套用于简化JSP页面开发的标准标签集合，旨在替代脚本片段（scriptlet）实现更清晰、可维护的视图层逻辑。它通过XML风格的标签封装常见编码模式，如循环、条件判断、数据格式化和国际化处理，显著提升开发效率与代码可读性。

weixin_42598278的博客 1063

[Java | Web] JavaWeb——JSTL标签库

JSTL 标签库，全称是 JSP Standard Tag Library，JSP 标准标签库。是一个不断完善的开放源代码的 JSP 标签库。EL 表达式主要是为了替换 jsp 中的表达式脚本，而 JSTL 则是为了替换代码脚本。依靠这两个替代，使得整个更为简洁。

joyride_run的博客 1155

Java Web开发中JSTL标签库核心依赖包详解

JSTL（JSP Standard Tag Library）是 Java Web 开发中用于增强 JSP 页面表现能力的标准标签库。它通过预定义的标签替代传统的 Java 脚本代码（如<% %>），使页面结构更清晰、逻辑更简洁。JSTL 不仅提升了代码的可维护性，还增强了页面的可读性，尤其适用于前后端协作开发。其核心功能涵盖条件判断、循环处理、URL构建、数据格式化与国际化等，适用于多种企业级 Web 应用场景。为了在项目中使用 JSTL，必须引入jstl.jar和。

weixin_42351520的博客 455

Java Web开发中JSTL库的全面指南

JSTL（JavaServer Pages Standard Tag Library）是一个用于JavaServer Pages (JSP) 的开源标签库，它为开发动态Web应用程序提供了一种快捷且易于使用的方法。JSTL通过简单的标签，使得在JSP页面中实现逻辑控制、数据格式化、国际化等变得轻而易举。的使用输出标签在JSTL核心标签库中扮演了格式化数字输出的角色。它常用于数字的格式化处理，比如将数字格式化为带有千位分隔符的格式，或者转换为货币格式等。应用示例假设我们有一个数字。

weixin_42513209的博客 578

JSTL标签库的导入与使用

JSTL标签库的导入与使用

姬鹏的博客 2051

taglibs-jar包

taglibs->web开发->jar包

简介：JSTL标签库及核心库常见标签与使用示例

简称为JSTL，是用于JavaServer Pages（JSP）的标签库，提供了一组自定义标签，用于简化在JSP页面中执行常见的任务，如条件判断、循环、格式化输出等。●scope：设置的变量的保存位置（即作用域，如果未设置 标签的 scope 属性，则默认情况下，变量会被存储在 page 作用域中。4. , , ：用于执行多个条件判断，类似于Java中的switch语句。●var：设置变量的名称，用于后续在页面中引用该变量。

m0_46639782的博客 764

避开这些坑，你的Python爬虫才能稳定爬取IEEE Xplore（含反爬策略与MongoDB存储实战）

本文详细介绍了如何构建稳定的Python爬虫系统以爬取IEEE Xplore学术论文，包括反爬策略、MongoDB存储优化和断点续传机制。通过动态等待时间算法、请求头指纹管理和会话保持策略，有效应对IEEE的反爬机制。同时，优化MongoDB数据结构和索引，提升存储效率。最后，强调法律合规与伦理考量，确保爬虫合法合规运行。

weixin_29031057的博客 1096

通达信烽火起爆指标公式

STICKLINE(IF(起爆666,-120,0),+33,0,3.4,0),COLOR007777;STICKLINE(IF(起爆666,-120,0),+33,0,1.8,0),COLOR009999;STICKLINE(IF(起爆666,-120,0),+33,0,1.2,0),COLOR00BBBB;STICKLINE(IF(起爆666,-120,0),+33,0,0.6,0),COLOR00DDDD;STICKLINE(起爆666,0,100,9999,0)*起爆,COLOR000000;

zhibiaogong的博客 3904

javaweb项目引入jstl

jsp当中引入jsp标准标签库

qq_41304029的博客 459

树莓派4B系统安装及SSH远程控制（简单易操作）

​自从2022年4月树莓派官网更新了RaspberryPiImager版本v1.7.2后，便不再支持自行建立ssh文件，并用默认用户名pi和密码raspberry的方式进行远程控制（亲测不行，输密码时一直access denied）。但是该版本软件提供了烧录系统前设置ssh用户及密码功能。本文记录了系统安装和SSH远程操作步骤。........................

机械人的代码路 5791

JSTL标签库

JSTL（Java Server Pages Standerd Tag Library，JSP标准标签库）包含用于编写和开发JSP页面的一组标准标签，它可以为用户提供一个无脚本环境。在此环境中，用户可以使用标签编写代码，而无须使用Java脚本。在JSP2.0中已将JSTL作为标准支持。使用JSTL可以取代在传统JSP程序中嵌入Java代码的做法，大大提高了程序的可维护性。 1、JSTL标签库简介...

pan_junbiao的博客 7827

Ubuntu20.04下Docker无缝升级实战指南

本文提供了一份在Ubuntu20.04系统上安全、无缝升级Docker的实战指南。文章详细阐述了升级前的版本检查、数据备份等准备工作，逐步演示了通过APT包管理器进行升级或指定版本安装的操作步骤，并强调了升级后的验证与常见问题回滚方案，确保业务容器平稳过渡。

postgres8guard的博客 483

Yolov8损失函数改进：MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023

ELSEVIER 2023 MPDIoU新型边界框相似度度量助力yolov8，适用提升小目标、遮挡物性能提升

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体； 7778

JSTL标签库 | 深入解析JSTL标签库

JSTL标签库 | 深入解析JSTL标签库

m0_61933976的博客 3158

UNet 改进(19)：与ASPP结合的图像分割模型

这个代码实现了一个改进版的UNet模型，在传统的UNet架构基础上，引入了ASPP模块来增强模型捕获多尺度上下文信息的能力。​​UNet主干网络​​：经典的编码器-解码器结构，带有跳跃连接​​ASPP模块​​：位于瓶颈层，用于提取多尺度特征。

2401_82355416的博客 880

java学习——Jstl标签库大全

我们接着之前介绍的 Java学习——JSTL标签与EL表达式之间的微妙关系具体介绍一下jstl的使用。 一、环境设置1、相应的jar包下载java开发jstl.jar java开发standard.jar 2、引入标签库 在jsp文件的顶部加入以下内容： <%@ taglib uri="http://java.sun.com/jsp/jstl/core" prefix="c"%> <%@ ta

追梦 4605

计算机视觉卷积神经网络（CNN）基础：从LeNet到ResNet

计算机视觉卷积神经网络（CNN）基础：从LeNet到ResNet，在计算机视觉领域，卷积神经网络（Convolutional Neural Network，CNN）已然成为推动众多任务发展的核心力量。从早期简单的图像识别，到如今复杂的目标检测、语义分割、图像生成等任务，CNN 都展现出了卓越的性能。CNN 的发展历程见证了一系列经典模型的诞生，其中 LeNet 作为开山之作，为 CNN 的发展奠定了基础，而 ResNet 则通过创新性的设计，突破了传统神经网络的限制，使得网络能够构建得更深、性能更优。

不踩坑，不知道坑有多深；不总结，踩过的坑白踩。 14万+

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")

标准标签库 JSTL

一、JSTL简介   标准标签库 JSTL 的全名为 Java Server Pages Standard Tag Library。它是由 JCP（ Java CommnunityProcess）所指定的标准规范，它主要是给 Java Web 开发者提供了一个标准的通用标签库。通过 JSTL，可以部分地取代传统 JSP 程序中嵌入 Java 代码的做法，可以使得 JSP 页面程序的风格趋于统一，...

fanxiaobin 1987

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

[Java]JSTL标签库

Java Server Pages Standard Tag Libray(JSTL): JSP标准标签库，是一个定制标签类库的集合，用于解决一些常见的问题，例如迭代一个映射或者集合、条件测试、XML处理，甚至数据库和访问数据库操作等。 JSTL中最重要的标签，迭代集合以及格式化数字和日期几个标签。

m0_71229255的博客 1002

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

引入JSTL标签库

JSTL（JSP Standard Tag Library，JSP标准标签库）是一个不断完善的开源的JSP标签库，是一个实现Web应用程序中常见的通用功能的定制标记库集，这些功能包括迭代和条件判断、数据管理格式化、XML操作以及数据库访问。 一、为什么要使用JSTL？ 在JSP中，EL表达式是个很方便的工具，但是EL表达式功能很有限制(例如不能遍历集合等)，JSTL作为最基本的标签库，JS

hjl815的博客 1706

Tomcat与JavaWeb 9.0 JSTL标签库简介

自定义JSP标签时用来替代JSP中的Java程序片段的有效途径。大多数Web应用的JSP文件常常要实现一些通用的功能，比如重定向、文件包含、对日期和时间进行格式化输出，以及访问数据库等，此外，这些JSP文件还要实现一些通用的流程控制逻辑，比如用if-else语句来进行条件判断，在比如用while语句或for语句进行循环操作。为了提高Web应用的开发效率，SUN公司制定了一组标准标签库的规范，这组标...

MustangJy的博客 3022

jstl标签库

转自：http://elf8848.iteye.com/blog/245559 前言 ========================================================================= JSTL标签库，是日常开发经常使用的，也是众多标签中性能最好的。把常用的内容，放在这里备份一份，随用随查。尽量做到不用查，就可以随手就可以写出来。这算是Jav

黄维 988
上一篇： “Internet来宾帐户”的设置的问题
下一篇： Struts与表现层技术的结合
点赞 0
评论 0
书签 书签 4
janejava
janejava
博客等级 码龄19年 0粉丝 10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