webwork中实现扩展用例方案2

本文介绍了一种在WebWork框架中不改动原始代码实现功能扩展的方法,通过使用拦截器获取数据并直接放入值栈,实现与原有功能的完全隔离。

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

背景:
        产品一期已经上线,二期必然有很多改动,其中有一处是在原有工作流中引入新的工作流,说白了就是在原先做好某个页面上加入一块新的内容,通常你会去修改你 的原先的 service使得其多返回一块数据,或者改变action的内容使其调用某个新的service(这样做不好),如果改变频繁,你会不断的修改以前的东 西,其实完全可以拦截器来隔离关注点,这样的话你的修改不会干扰的以前的内容,如果你的修改的东西下一期又不要了,也不要紧,在配制文件中去掉这个拦截器 就行了

webwork中实现扩展用例方案1中我写了一种解决方案,但会对action做一些小的改动,对于疯狂的oo迷来说,这也是不可接受,如何做到更彻底的隔离关注点,以及遵守开闭原则,看看下面的实现:

step 1)写拦截器ListTopVideosContributedIntercept类
public class ListTopVideosContributedIntercept implements Interceptor {
。。。。。。
public String intercept(ActionInvocation invocation) throws Exception {
//         获取service
        TopVideosContributedBySelfService topVideosContributedBySelfService = (TopVideosContributedBySelfService) SpringBeanProxy
                .getBean("topVideosContributedBySelfService");

        // 获取形参1
        HttpServletRequest request = ServletActionContext.getRequest();
        String userNo = request.getParameter("userNo");

        // 调用service
        List list = topVideosContributedBySelfService.getTopnVideos(userNo);

       // 结果放入值栈
         /*OgnlValueStack stack = ServletActionContext.getContext()
                .getValueStack();
        stack.setValue("topVideosContributedList", list);*/
       
         OgnlValueStack stack = invocation.getStack();
       
        Map vo = new HashMap();
        vo.put(" topVideosContributedList ", list);
        stack.push(vo);

        // 返回
        return invocation.invoke();
    }
。。。。。
}

蓝色的代码是方案一中的写法
红色代码是目前的写法


2)修改配置文件
<action name="tvuserinfo" class="moxtv.central.web.action.tvuserinfo.TVUserInfoAction">
            <result name="success" type="freemarker">/cn/tvuserinfo/tvuserinfo.ftl</result>
            <result name="error" type="freemarker">/cn/tvuserinfo/tvuserinfo_error.ftl</result>
            <interceptor-ref name="defaultWebStack" />
            <interceptor-ref name="listtopcontribitors" />
            <interceptor-ref name="listtopvideoscontributed" />
        </action>
加入红色的那一行


此方案只用写拦截器就ok,无需对以前的java代码作任何改动,包括方案一中action的小改动也省掉了.

也就是说在无需改动任何以前代码的基础上(除了修改配置文件),实现了功能的添加,而且此功能和以前的功能完全隔离开来,不会相互影响.

多谢webwork的完美设计,使得我们能优雅的实现扩展.

不得不说,值栈的设计解耦了webwork和xwork,同时也使页面获取数据实在是方便
在方案2中,我们通过拦截器获取数据直接放入值栈,使得页面可以直接获取数据.
在方案1中,我们将数据间接的放入值栈,再通过注入,将数据注入已在值栈中的action,所以会出现action的微小改动.

方案实现的灵感来自xwork中ModelDrivenInterceptor的实现
内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实。项目旨在通过SMA优化BP神经网络的权重阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模预测。; 适合人群:具备一定机器学习基础,特别是对神经网络优化算法有一定了解的研发人员、数据科学家研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数训练时间;③ 提高模型的稳定性泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示注释,便于理解二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展维护。此外,项目还提供了多种评价指标可视化分析方法,确保实验结果科学可信。
评论 2
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