shiro 如何对用户登录密码进行校验的

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 5.5k累计阅读 5.6k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9年

关注

原创最新推荐文章于 2025-11-13 20:21:13 发布 5.5k 阅读 AI 写同款· GEO 优化 ›

SpringBoot集成shiro+redis+jwt多realm实现登录(支持密码、免密校验、多用户表校验) 本篇文章主要介绍 Shiro多realm，根据不同的登录类型指定不同的 realm。由于项目上需要支持原有的sys_user系统用户做登录验证，又要加上现在需要做微信端sys_wx_user的用户验证。实现的思路就是需要前端在请求头里加一个loginType字段来区分当前登录使用那个realm去做认证。而且这个多realm还可以做密码和免密校验。 1、目前需要两个Realm，第一个是默认的系统认证（DefaultUserRealm.java）这里和正常的shiro认证逻辑一致，主要是验证sys_us. 阅读详情

看下官方文档都有，SimpleAuthenticationInfo(Object principal, Object credentials, String realmName)，这里principal用于标识用户，比如用户账号，credentials用于验证，比如密码（这里可以是类似md5加密后的）。

比如用户jim，密码是123。登录时会以UsernamePasswordToken(jim,123)的传入，realm中有个CredentialsMatcher(可配置，可以对password进行加密)。根据这个Token和SimpleAuthenticationInfo的credentials做对比，就能进行验证。

收录于

shiro

当前文章被收录于：

shiro

2 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

GWAS与eQTL相结合，进一步筛选疾病相关基因欢迎关注”生信修炼手册”!在GWAS分析结果中，大部分显著的SNP位点都位于非编码区，很难直接挖掘这些位点的调控机制。通常假设与疾病关联的SNP位点通过调控基因表达来发挥作用，而eQTL... 阅读详情

相关推荐

Numpy快速入门（np）！看这一篇就够了

weixin_74009895的博客 2679

SpringSecurity用户密码验证过程

其中数据库加载用户信息是从spring缓存当中进行加载，如果缓存当中没有，再从数据库加载。

justlpf的专栏 795

Flutter加载本地HTML的优雅解决方案：轻松实现富文本展示

通过以上步骤，我们实现了Flutter加载本地HTML的完整流程，并简单介绍了如何通过WebView与HTML页面进行交互。HTML文件作为一种灵活、易维护的富文本展示方式，能有效提升Flutter应用的内容呈现能力。这种方法在展示新闻、资讯或帮助文档等内容时非常有用，能够让开发者灵活调整内容的样式和排版。希望这篇文章能对你在Flutter开发中的HTML加载有所帮助！

四楼没电梯的专栏 3644

Shrio框架实现自定义密码校验规则

java,springboot,shiro实现自定义用户认证

1195

完美解决 mysql 报错ERROR 1524 (HY000): Plugin ‘mysql_native_password‘ is not loaded

mysql 报错ERROR 1524 (HY000): Plugin 'mysql_native_password' is not loaded

xiaohua616的博客 4万+

【实战圣经】YOLOv8-pose姿态估计模型从训练到RK3588部署：让边缘端骨骼识别速度突破60FPS

本教程从“模型训练-转换-边缘部署”全链路拆解了YOLOv8-pose姿态估计方案在RK3588上的落地过程，每一步都经过实战验证。无论是智能健身的动作实时纠正，还是工业设备的关键部件姿态检测，这套流程都能让你以最低成本实现高精度、高实时性的姿态估计应用。如果你在实践中遇到模型转换报错、部署性能不达标等问题，可聚焦某一环节深入优化——毕竟，让AI在边缘端“精准捕捉每一个关键点”，才是技术驱动场景创新的核心。

m0_71589036的博客 251

用户名/密码认证

表单登录让我们来看看基于表单的登录在 Spring Security 中是如何工作的。首先，我们看到如何将用户重定向到登录表单。该图构建了我们的 SecurityFilterChain 图。首先，用户向未授权的资源/私有发出未经身份验证的请求。 Spring Security 的 FilterSecurityInterceptor 通过抛出 AccessDeniedException 表示拒绝未经身份验证的请求。由于用户没有经过身份验证，ExceptionTranslationFilter 启

呜呼哈 9493

无人机：DJI Matrice 200 Series_（13）.行业应用案例分析

在前一节中，我们介绍了DJI Matrice 200系列无人机的基本硬件配置和性能参数。本节将通过具体的行业应用案例，分析如何利用DJI Matrice 200系列无人机进行二次开发，以满足不同行业的需求。

zhubeibei168的博客 1448

shiro框架的密码校验（二）

前面的内容在这里 shiro框架简单介绍以及使用（一）上一篇简单介绍了一下shiro框架和账号验证，这篇简单写一下shiro密码校验的介绍和几种使用方式一、加密/加盐介绍什么是加密？什么是加盐？ 1.加密：加密是以某种特殊的算法改变原有的信息数据，这样的话即使你拿到了密文，但因为你不知道加密方式也没办法知道密文的内容。比如说电报，你监听到了发的电报，但是你不知道用的是那个密码本，一样无法知道电报内容是什么。 2.加盐：加盐是指将每口令同一个叫做”盐“值相关联，我们这里用于密码加盐，盐值一般都是随机

阿沐沐的博客 3185

增量学习入门：概念、代码示例与应用场景

在当今快速变化的数据环境中，传统的机器学习模型往往需要重新训练以适应新的数据。然而，这种方法不仅耗时耗力，还可能导致模型性能的不稳定。增量学习（Incremental Learning）作为一种新兴的学习范式，能够在新数据到来时动态更新模型，而无需重新训练整个模型。本文将详细介绍增量学习的基本概念、代码示例、应用场景以及需要注意的事项。增量学习作为一种高效的机器学习方法，能够在新数据到来时动态更新模型，具有广泛的应用前景。通过本文的介绍，相信你对增量学习有了初步的了解。

加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。 1152

【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

shiro单独验证密码是否正确

需求背景在做用户修改密码时，有的要填写原密码验证一次,但是发现用了shiro的密码加密有点复杂，不好做单独的密码验证。在网上找了许久只找到了做登录的验证。还好在shiro源码里找到有验证密码的，在此记录一下。查看代码 shiro登录的代码一般是这样写的(这就是入口) UsernamePasswordToken token = new UsernamePasswordToken(user...

愤怒的苹果ext的博客 1477

37、基于视觉的轻量级面部呼吸和心率测量技术

本文提出了一种基于视觉的轻量级面部呼吸和心率测量技术，通过远程光电容积脉搏波描记法（RPPG）和面部振动信息实现非接触式生理信号采集。创新性地结合框选和特征点选择多个感兴趣区域（ROI），并采用光流跟踪、主成分分析（PCA）和集成经验模态分解（EEMD）等方法优化信号处理流程。实验结果表明，该方法在测量精度和稳定性方面优于传统方法，并可在树莓派4等低功耗平台上实现实时运行，具有广泛的应用前景。

r7s8t的博客 307

shiro控制用户登录的验证原理

在前端输入用户名和密码，shiro是如何校验用户的信息完成登录的呢。 UsernamePasswordToken token = new UsernamePasswordToken(user.getUserName(), user.getUserPwd()); Subject subject = SecurityUtils.getSubject(); subject.login(token); u...

十一的博客 4721

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

若依流程分析--shiro登录

weixin_45925436的博客 2183

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")

shiro用户加密默认方式_Shiro密码加密与校验

在这里主要讲如何利用md5散列算法对密码进行加密与校验，md5是一种不可逆的散列算法，因此广泛应用与密码的加密，以及文件的md5校验等。SimpleHash生成密码散列值：自定义密码加密类public class PasswordEncrypter {private RandomNumberGenerator randomNumberGenerator = new SecureRandomNumb...

weixin_39849254的博客 680

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

PC端网站-微信扫码登录+shiro权限框架免密登录

文章原创，转载请注明原文链接一、准备工作： 1. 一个认证的微信《开放平台》账号。 2. 在这个账号下添加网站【已审核通过的网站应用】。 3.一个测试用的域名。我测试的时候是在腾讯云买的，1￥/月，只需要实名认证，不需要备案。这个域名只能本机使用。备注：账号认证and网站认证都需要公司提供，需要软妹币和公司的章子。二、调微信接口：微信官方文档即可。http...

BAT_number的博客 5088

Springboot+Shiro记录用户登录信息并获取当前登录用户信息的实现代码

由于最近做项目需要，在用户登陆后有一个功能是需要用户的信息，进行写入数据库的操作。但是目前还用不到Shiro的高级权限，只为了简单获取用户信息，自己整合了一个只记录用户，获取用户信息的功能。导入Shiro依赖 org.apache.shiro shiro-spring 1.4.0 User类这个类只需要自己定义一个username(可以其他的phone、email都行)和password(密码)就可以，其他的可以自己扩充。 UserRealm(核心) 这个类的功能： 1、用户的授权操作，但是这里先不授予

web18334137065的博客 1636

4.Shiro认证分析和流程及实现

1.shiro认证的全过程 1. 获取当前的 Subject. 调用 SecurityUtils.getSubject(); 2. 测试当前的用户是否已经被认证. 即是否已经登录. 调用 Subject 的 isAuthenticated() 3. 若没有被认证, 则把用户名和密码封装为 UsernamePasswordToken 对象 1). 创建一个表单页面 2). 把请...

qq_36468169的博客 177

shiro登录认证过程

当前项目中只配置了一个realm，则会进入doSingleRealmAuthentication((Realm)realms.iterator().next(), authenticationToken)方法，并且会将 realm和token作为参数传入，这里的realm其实就是自己定义的UserRealm，继续进入doSingleRealmAuthentication方法。如果是第一次登陆，缓存中肯定没有认证信息，所以会执行this.doGetAuthenticationInfo(token)这个方法，

web13116256725的博客 247

一文读懂 Shiro 登录认证全流程

一起跟着源码看 Shiro 的登录认证流程

csdn565973850的博客 6633

web项目中用户登录的具体流程

一个登录的具体流程： 1、前端发送公钥的请求。 2、后台生产公钥私钥对，将公钥返回前端，私钥保存到session中。 3、前端拿到公钥后，对用户输入的密码进行md5加密，然后在对（md5加密后的密码+密码）进行rsa加密，发起登录请求，将用户名和加密后的密码传入后台进行校验。 4、后台接受到加密后的密码首先利用私钥对密码进行解密 5、对密码进行完整的校验即采用前32位的MD5码与原始...

weixin_30429201的博客 1916

shiro 框架实现 LDAP 登录

shiro 框架实现LDAP登录主要逻辑如下： 1. 验证用户名和密码 // 获取传递的用户名称、itcode String username = loginParam.getUsername(); String itCode; if (username.endsWith(LdapProperties.REALM)) { //裁掉“@leinovo.com” itCode = username.

日日留心的技术专栏 1729

【Shiro】3、Shiro实现自定义密码验证规则

我们在使用 Shiro 实现登录的时候，我们只需要将账号、密码，Shiro 会自动判断账户、密码是否正确，那么 Shiro 怎么会知道我们的密码加密规则呢？所以我们需要自定义密码的加密规则 1、自定义加密规则 /** * 凭证匹配器 * 执行login(token)后由securityManager调用，用于计算密码加密后的密文 * * @return */ @Bean public HashedCredentialsMatcher hashedCredentialsMatcher() { Has

JACKAL 20万+

shiro-jwt登录认证流程

https://www.jianshu.com/p/6abc22ec3cb8 https://blog.youkuaiyun.com/mine_song/article/details/61616259 shiro+jwt做登录认证和授权认证，不要和我们登录功能搞混。我们的正常登录就是通过LoginControler登录的而 shiro的登录认证是已经登录过后，每次访问资源时我们通过判断token证明该用户携带的token是合法的，授权类似。很重要的总结。 1. 登录： ...

qq_39159736的博客 1490

Shiro框架认证流程

1、Shiro框架介绍 Shiro 是一个功能强大和易于使用的安全框架，为开发人员提供一个直观而全面的解决方案的认证，授权，加密，会话管理四大功能！ Subject：主体，subject记录了当前操作用户，将当前登录访问的用户信息存在其中。 Authenticator：身份认证/登录，验证用户账号密码是否正确。 Authorizer：授权，根据不同的用户发放不同的权限。 SessionManager：会话管理，它不依赖web容器的session，因此Shiro也可以使用在非web应用上