java往前端ajax反数据实体类

Java后端与AJAX前端实现交互式树形结构 在现代Web应用中,展示层级数据的树型结构是一种常见的需求。本文将探讨如何结合Java和AJAX技术来实现一个动态的树型结构。首先,我们会了解基础的技术框架,包括客户端和服务器端的互动机制,并介绍树型结构在用户界面中的重要性。 阅读详情

前言

最近在springMVC框架中用到一个实体类,用来返回ajax请求,这里分享一下这个类。

具体用法

1.实体类

import java.io.Serializable;
/**
 1. 响应类
 */
public class ResponseVO<T> implements Serializable{

    private static final long serialVersionUID = -5007654155748473782L;

    /**
     * 状态码
     */
    private String code;
    /**
     * 消息(错误信息)
     */
    private String msg;
    /**
     * 返回数据
     */
    private T data;

    public String getCode() {
        return code;
    }
    public ResponseVO<T> setCode(String code) {
        this.code = code;
        return this;
    }
    public String getMsg() {
        return msg;
    }
    public ResponseVO<T> setMsg(String msg) {
        this.msg = msg;
        return this;
    }
    public T getData() {
        return data;
    }
    public ResponseVO<T> setData(T data) {
        this.data = data;
        return this;
    }

    /**
     * 状态码定义
     */
    public interface ResponseCode{

        /**
         * 成功
         */
        public static final String SUCCESS = "0";
        /**
         * 业务报错
         */
        public static final String ERROR = "1";
        /**
         * 程序异常
         */
        public static final String EXCEPTION = "-1";

    }

    /**
     * 默认创建方法
     * @return
     */
    public static <T> ResponseVO<T> build(){
        ResponseVO<T> responseVO = new ResponseVO<T>();
        return responseVO.setCode(ResponseCode.SUCCESS);
    }

    /**
     * 默认抛出异常
     * @return
     */
    public static <T> ResponseVO<T> exception(){
        ResponseVO<T> responseVO = new ResponseVO<T>();
        return responseVO.setCode(ResponseCode.EXCEPTION).setMsg("服务器发生异常,请联系管理员!");
    }

    /**
     * 默认错误
     * @return
     */
    public static <T> ResponseVO<T> error(){
        ResponseVO<T> responseVO = new ResponseVO<T>();
        return responseVO.setCode(ResponseCode.ERROR);
    }
}

2.后端用法

@ResponseBody
@RequestMapping(value = "getNames")
public ResponseVO<List<String>> getNames(String id) {
    List<String> names = new ArrayList<String>();
    try {
        names.add("zhangsan");
        names.add("lisi");
        return ResponseVO.<List<String>>build().setData(names);
    } catch (Exception e) {
        return ResponseVO.<List<String>>exception();
    }
}
@ResponseBody
@RequestMapping(value = "getNames")
public ResponseVO<Student> getNames(String id) {
    Student student = new Student();
    try {
        student.setName("zhangsan");
        student.setAge(21);
        return ResponseVO.<Student>build().setData(student);
    } catch (Exception e) {
        return ResponseVO.<List<String>>exception();
    }
}

以上列举2中数据类型

3.前端ajax用法

$.ajax({
    type: "POST",
    url: ctx + '/.../getNames',
    data: {id:id},
    dataType: "json",
    success: function(dataMap){
        if(dataMap.code == '0'){
            $.each(dataMap.data,function(k,v){
                ...
            });
        }else{
            layer.msg(dataMap.msg,{icon:7});
        }
    }
});

后记

这个类主要是用到了泛型类和泛型方法,使得它能够通用各种数据类型。

旅行青蛙破解汉化教程——蹭个热度 汉化破解版资源(无尽三叶草与点券): https://github.com/wisdombyzf/lxqw/blob/master/lxqw_zf.apk 截图: 破解方法: 工具: 1,APKIDE https://www.pd521.com/thread-818-1-2.html 2,dnspy https://down.52pojie. 阅读详情

相关推荐

STM32F103模拟SSI时序解析:实现高精度绝对式编码器位置读取

本文详细解析了如何在STM32F103微控制器上通过软件模拟SSI协议时序,实现高精度绝对式编码器的位置读取。文章从项目驱动出发,深入剖析了SSI通信原理、硬件电平转换连接、核心软件模拟代码实现及关键时序参数调试方法,并提供了使用示波器进行波形对齐与优化的实战指南,为成本敏感型工业控制与机器人项目提供了高性价比的解决方案。

weixin_29196315的博客 141

ajax与java后端互传数据

文章目录后端传到前端(传一个集合,展示成表格)controller层js部分前端 向后端传值js部分controller层 后端传到前端(传一个集合,展示成表格) controller层 @RequestMapping("/showAll") @ApiOperation(value = "展示所有图书", httpMethod = "POST") public void showAll(HttpServletResponse resp,String lend) throws IOExce

qq_63897791的博客 1974

操作系统笔记【全-408统考】【附思维导图】

操作系统 思维导图 概述 操作系统的概念 管理计算机软件和硬件资源 最基本的系统软件 特征 并发 区分并发并行 共享 互斥共享方式 同时访问方式 虚拟 逻辑上多个。虚拟处理器的分时,空分复用的虚拟存储器 采用多道程序设计 异步 由于资源有限,进程走走停停 可能会导致进程产生与时间有关的错误。访问顺序 目的和功能 1.管理计算机资源 功能 处理机管理、存储器管理、文件管理、设备管理 目标:安全、有效 2.作为用户与计算机硬件系统

wvdon 2364

Ajax Java异步请求返回实体类

Ajax 异步请求实例: /** * @Description: 行业项目统计 自贸区各行业数据统计\近半年各行业总投资走势 */ @RequestMapping(value = "/m1", method = { RequestMethod.POST, RequestMethod.GET }) @ResponseBody public AjaxResult m1() { AjaxResul...

erfeiffff的博客 1080

用Python+ArcGIS分析厦门共享单车数据:5分钟搞定订单时长与距离分布的可视化

本文详细介绍了如何利用Python和ArcGIS Pro 3.x快速分析厦门共享单车数据,实现订单时长与距离分布的可视化。通过数据清洗、预处理和高级可视化技巧,揭示用户行为特征,为运营优化提供数据支持。文章还提供了环境配置、代码示例和业务洞察,帮助开发者高效完成数据分析任务。

weixin_28327051的博客 339

Android车载应用开发与分析(11)- 车载Android应用开发入门指南

将时间回退到2017年我大学刚毕业时,彼时移动互联网就已经开始退潮,各大个培训机构也纷纷停止了Android相关的培训,曾经热火朝天的应用开发从那时起,就开始走向下坡路,小程序以及众多跨平台框架也让市场对Android原生开发的需求逐年降低,市场需求的降低也造就了Android开发的面试变得史无前例的“卷”。 终于我在2019年选择离开了互联网,投身当时还不是非常火热的车载Android领域继续从事Android原生开发。而这一年中国首个外商独资的整车制造项目,“...

linkwj的博客 1万+

ajax传值 实体类_jQuery AJAX 方法success()后台传来的4种数据详解

1.后台返回一个页面js代码/**(1)用$("#content-wrapper").html(data);显示页面*/$.ajax({async : false,cache : false,type : 'POST',url : 'area/prepareCreate',error : function() {alert('smx失败 ');},success : function(data) ...

weixin_42567279的博客 814

MATLABGUI读取文件并将路径显示在文本框中

MATLABGUI读取文件并将路径显示在文本框中

m0_50305149的博客 2650

java解析ajax的数据_ajax返回数据解析总结

ajax即异步 JavaScript 和 XML(Asynchronous JavaScript and XML)。简短地说,在不重载整个网页的情况下,AJAX 通过后台加载数据,并在网页上进行显示。使用 AJAX 的应用程序案例:谷歌地图、腾讯微博、优酷视频、人人网等等。通过 jQuery AJAX 方法,您能够使用 HTTP Get 和 HTTP Post 从远程服务器上请求文本、HTML、X...

weixin_36338813的博客 576

ROS & ROS2 机器人深度相机激光雷达多传感器标定工具箱入门教程(一)

multisensor_calibration 是一个积极维护的通用标定工具箱,用于辅助基于目标的多传感器标定,支持 ROS 1 和 ROS 2。它提供了多种方法和应用来标定复杂的多传感器系统,例如。

2506_90492529的博客 3261

深度学习论文: Cultivated Land Extraction from High-Resolution Remote Sensing Image

深度学习论文: Cultivated Land Extraction from High-Resolution Remote Sensing Image The Winning Solution to the iFLYTEK Challenge 2021 Cultivated Land Extraction from High-Resolution Remote Sensing Image PDF: https://arxiv.org/pdf/2202.10974.pdf PyTorch代码: https:

mingo_敏 3480

ajax能返回实体对象么,Jquery Ajax学习实例4 向WebService发出请求,返回实体对象的异步调用...

一、WebService.asmx:处理业务数据,在GetPerson方法中产生Person实体类数据,供JqueryRequest.aspx调用,代码如下:[WebMethod]public Person GetPerson(string name, int age, string address){Person p = new Person(){Name = name,Age = age,Ad...

weixin_36056010的博客 242

「UG/NX」BlockUI 控件集合目录大纲

Block UI Styler 模块设计对话框是官方推荐使用的对话框制作方法,它能够与NX自身风格相统一,在实际开发中经常使用。文字内容包含:NX所有控件介绍的链接、内部控件调用的基础介绍、官方案例查看路径、控件的特殊用法篇链接、番外篇链接。

何曾参静谧的博客 2676

利用Ajax进行前端和后端互传数据

1.前端代码 SSM框架下的jsp文件代码 <%@ page language="java" contentType="text/html; charset=UTF-8" pageEncoding="UTF-8" import="java.util.*"%> <% String path = request.getContextPath(); %>...

Yolandalt7777777的博客 1万+

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

前端与后端数据交互的方式之ajax

前端与后端数据交互的方式之Ajax  对于前端学习而言,CSS+HTML+JavaScript的学习在自我学习的情况下掌握也不是很难,但是想要实现前后端的数据交互在没有指导的情况下学习会是一头雾水。接下来就让我来浅谈一下前后端数据交互的方式。 web前端与后端是怎么连接的 网站数据处理主要分为三层。第一层,表示层,这部分可以用HTML代码,CSS/Javascript代码来实现等。...

a3354402180的博客 4253

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

ajax请求java,java中ajax请求url

java中ajax请求url[2021-02-06 19:52:39]简介:php去除nbsp的方法:首先创建一个PHP代码示例文件;然后通过“preg_replace("/(\s|\&nbsp\;| |\xc2\xa0)/", " ", strip_tags($val));”方法去除所有nbsp即可。推荐:《PHP视频教PHP判断是否为Ajax请求我们知道,在发送ajax请求的时候,...

weixin_39683368的博客 5万+

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")

ajax调用后台java类的例子

ajax,java

rznice的专栏 3万+

ajax与servlet交互(通过JSON),JAVA的arraylist传到前端的方法

所实现的效果:首先从前端(ajax)传参数给servlet,然后servlet经过处理,把arraylist类型的参数以JSON字符串的形式返回给前端(ajax),然后前端经过解析,把JSON字符串解析为JS数组。 直接上代码吧。 1.JSP代码(test.jsp),需要下载jQuery,下载地址,把jQuery路径也修改一下: <%@ page language="java" conte

花海的专栏 1万+

java servlet 后台响应ajax请求

网页异步请求在各种网站、系统中可谓无处不在,本文就介绍一个最简单的从前端发送请求-->java后台连接数据库-->从数据库读取数据-->把数据返回前端-->前端接收请求的例子。 首先,在后台建立一个servlet:右键一个包,new-->servlet,输入类名,就可以创建一个空白的servlet了。刚创建的servlet包含如下内容: package com.zhao; import ja

zhao的博客 2万+

Ajax简单前端和后台交互——基于Java SSM框架

相信很多人都对Ajax有了一定的了解,但是对于怎么实现有一点问题,我写这个也是记录我的一个简单实现。 Ajax先说一下运用的地方(一般只要有提交的的地方都可以运用,经过各种判断,动态显示一个界面提示信息) 1、登录界面(判断用户和密码) 2、查询界面 3、提交界面 接下来在简单介绍下Ajax常用的参数,这几个一般是必须含有的 1.url: 要求为String类型的参数,(默认为当前页地址)发送请求...

有人_295的博客 2585

java中ajax由哪些组成,java中ajax

java中ajax[2021-02-01 14:57:40]简介:php去除nbsp的方法:首先创建一个PHP代码示例文件;然后通过“preg_replace("/(\s|\&nbsp\;| |\xc2\xa0)/", " ", strip_tags($val));”方法去除所有nbsp即可。推荐:《PHP视频教JAVA中应用AJAX的中文乱码的解决办法:1、ajax提交时采用esca...

weixin_36012152的博客 1576

前端+后端实现全选、反选+批量删除

我们先将批量删除的按钮命名为remove然后我们写jsremovecheck_itemidsidsconfirm$.ajax()dataloadData()loadPage()接着我们写Servlet我们只需修改dopose方法idsidStringnullidStringMysqlUtildelnum。

m0_62581697的博客 1487

java前端ajax请求异常

本帖记录自己遇到的一些ajax或前端踩到的小坑。 异常代码详情 本例基于springMVC编写 前端ajax请求 function xxx(){ //...... var jsonData = { dataType:dataType, data:data, clueName:clueName }; $.ajax({ url:"/dataTranslate", type:"POST", dataType:"JSON", async:false, data:jso.

weixin_43844003的博客 376

ajax接收后端java对象,java后端无法接收到前端传递的json对象

java后端无法接收到前端传递的json对象一·可能是因为未使用@RequestBody在Controller层中,要么使用@RestController要么使用@Controller+@@RequestBody在使用的方法前定义。这样可@RestController@RequestMapping("/api")public class Usercontroller {@RequestMappin...

weixin_39942033的博客 1673

java获取前端json数据_java如何获取前端ajax传来的json对象

假设使用 jQuery 中的 ajax1. Json 对象前端代码示例$.ajax({url : 'http://localhost:8888/demo',type: 'post',data: {'userName':'15488779956'}success: function(data) {// TODO}})后台代码示例@RestControllerpublic class Demo {/*...

weixin_42594419的博客 1698

前端客户端AJAX请求Java服务器

前端代码: <!DOCTYPE html> <html> <head> <meta charset="utf-8" /> <title>登录</title> </head> <script src="js/jquery-3.0.0.js" type="text/javascript"></script> <script type="text/javascript">

baidu_38995168的博客 229
上一篇: zookeeper安装Windows环境
下一篇: jQuery开发插件标准代码
老贼大魔王
博客等级 码龄10年 23粉丝 60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