关于在struts.xml文件中的各个节点的配置顺序问题

本文介绍了在Struts2框架中遇到的配置顺序问题,详细解释了<global-results>和<default-action-ref>等元素的正确配置顺序,并分享了解决部署错误的经验。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

今天在struts2中的<global-results>以及<default-action-ref>配置时遇到了一下问题,希望初学者注意一下:

先直接上配置文件:

 

<package name="login" namespace="/user" extends="struts-default">

		<!--
			global-results表示一个全局的结果集,即在该包下的任何一个action中所共享
			result结果集.若果想让该结果集被其他包共享,需要继承该package即可
		-->
		<global-results>
			<result name="mainpage">/loginSuccess.jsp</result>
		</global-results>

		<!--
			default-action-ref表示在该namespace中没有找到相应的action的时候,就会选择默认的 action来进行执行
		-->

		<default-action-ref name="default" />

		<action name="default">
			<result>
				/default.jsp
 			</result>
		</action>

		<action name="login2" class="com.lgh.LoginAction">
			<result name="login">
				/loginError.jsp
			</result>
		</action>
	</package>

但是在使用IDE部署的时候,出现如下错误:

Caused by: org.xml.sax.SAXParseException; 
systemId: file:/D:/Program%20Files%20(x86)/apache-tomcat-6.0.37-windows-x64/apache-tomcat-6.0.37/webapps/Struts2_1600_GlobalResult/WEB-INF/classes/struts.xml; 
元素类型为 "package" 的内容必须匹配 "(result-types?,interceptors?,default-interceptor-ref?,default-action-ref?,default-class-ref?,global-results?,global-exception-mappings?,action*)"。

关键是红色字段的错误提示,他告诉我们package的内容必须按照
 result-types---->interceptors
---->default-interceptor-ref
---->default-action-ref
---->default-class-ref
---->global-results
---->global-exception-mappings
---->action*
的顺序进行配置struts.xml文件。 所以我按照该顺序重新编写后,问题果然得到了解决。

而且,经过查看struts2.3.dtd文件,中也确实是如此的定义了package下的 子元素(result-types,interceptors..)必须按照给定的顺序出现0次或1次。

<!ELEMENT package (result-types?, interceptors?, default-interceptor-ref?, default-action-ref?, default-class-ref?, global-results?, global-exception-mappings?,
 action*)>




资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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