기본 콘텐츠로 건너뛰기

Spring

Spring Database
- JDBC
- JdbcTemplate
- MyBatis
- JPA(Java Persistence API)

pom.xml
<!-- Spring Web -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>

컨트롤러,서비스,다오(DAO)는 반드시 내가 만든 spring 프로젝트 패키지 하위 경로에 작성해 주어야 한다
예) com.ezen.demo라는 패키지로 spring 프로젝트를 생성한 후 이 프로젝트의 컨트롤러, 서비스, 다오를 만든다고 한다면,
 com.ezen.demo.controller, com.ezen.demo.service, com.ezen.demo.dao를 경로로 컨트롤러, 서비스, 다오를 만든다.

@Controller // 컨트롤러
@Service // 서비스
@Repository // 저장소
@Transactional // 2개 이상의 작업이 동시에 성공일 때 성공 나머지는 실패

MultipartFile[] // 파일 받는 클래스

org.springframework.http.ResponseEntity<Resource> // 파일을 다운로드 할 수 있는 반환타입

ResourceLoader.getResource("WEB-INF/file") // WEB-INF(상대 경로)에 있는 file(리소스)를 가져옴

org.springframework.core.io.Resource

jsp 오류 없애는 법
demo 우클릭 -> Build Path -> Configure Build Path -> Project Facets -> Apply -> Dynamic Web Module 2.5를 5.0으로 변경하고 Apply

get 방식 요청 처리
@GetMapping("/")
@GetMapping({"/gugu4","/gugu4/{dan}"})
public String index() {
    return "index";
}

post 방식 요청 처리
@PostMapping("/add")
public String getAddForm() {
    return "폼 전송됨";
}

HttpServletRequest 사용
HttpServletRequest request

Model
Model m
model.addAttribute("dan",dan) // request, session에 동시에 저장한다

파라미터 받기
@RequestParam(value = "dan", defaultValue = "2")
@PathVariable(name="dan") Optional<Integer> dan
if (dan.isPresent()) {
}
@RequestParam Map<String,Object> map

Post 방식 body 받기
@ResponseBody

Dependency Injection : 의존성 주입
new를 안하고 객체를 사용할 수 있다.
@Autowired

get 방식 데이터 Map으로 받기
@PathVariable Map<String, String> map

@ResponseBody
값만 리턴한다. HTML 형식으로 전달하지 않는다

lombok 콘솔에서 로그 출력
log.info("폼 요청함"); // 메세지 출력해보기
log.debug(null); // 변수 값 찍어보기
log.warn(); // 경고 주기
log.error(null); // 에러를 출력하기

@RestController // 뷰가 없이 Controller를 사용할 수 있다. 주로 테스트할 때 사용하고 Rest만 지운다

Spring Framework <-> Oracle
1. jdbc 저수준 코드를 사용하는 방법(프로젝트에 jdbc 드라이버 등록)
2. Spring Framework 지원 jdbc 라이브러리 사용
3. 2 + ORM Framework(MyBatis)
4. JPA(Java Persistence API)

부품
- @Component // 부품으로 관리하는 모든 곳에 부쳐줘도 되지만 최대한 자세하게 하려면 밑에 있는 어노테이션을 쓰는 것이 좋다 VO에 쓰면 좋다
- @Service // 서비스를 처리하는 로직을 짜주는 곳에 부쳐준다.
- @Controller // 뷰와 연결시켜주는 컨트롤러에 부쳐준다
- @Repository // 데이터베이스를 다루는 곳에 부쳐준다 DAO
모두 같은 기능이지만 이름이 다름

@Autowired
private HttpSession session;

private HttpSession session;
@Autowired
public void setSession(HttpSession session) {
    this.session = session;
}

@SessionAttributes("id")  // 요청 파라미터를 저장
@SessionAttribute(name="id",required=false) String id (required=false 없을 수도 있다 없으면 null)
SessionStatus status // 요청 파라미터에 값이 있는지 본다
status.setComplete(); // 세션 종료 session.invalidate()와 같음
status.isComplete();

redirect:/ // 지정된 주소 다시 접속시도

@ModelAttribute("path")
public String getPath() {
return "/mybatis/emp";
}

post 방식의 멀티 값 받기
@RequestBody MultiValueMap<String,Object> mulmap // 같은 이름의 파리미터의 값을 여러개를 받을 수 있다.
Map<String,Object> map = mulmap.toSingleValueMap(); // mulmap을 map으로 변환

MutipartFile mf
mf.transferTo(new File(PATH)) // mf(파일)를 PATH에 저장한다

경로 찾아서 만들기
ServletContext context = request.getServletContext();
String path = ServletContext.getRealPath("/WEB-INF/files");

ResponseEntity<Resource> // 파일로 다운로드 된다

contentType = "application/octet-stream"; // 화면에 출력하지 않게 한다

===================낙서장===================================
public ResponseEntity<Resource> getResource(HttpServletRequest request, String fname) {
    Resource resource = resourceLoader.getResource("WEB-INF/files/" + fname);
    String contentType = null;
    try {
        contentType = request.getServletContext().getMimeType(resource.getFile().getAbsolutePath());
    } catch (IOException e) {
        e.printStackTrace();
    }
    if (contentType == null) {
        contentType = "application/octet-stream";
    }
    return ResponseEntity.ok().contentType(MediaType.parseMediaType(contentType)).header(HttpHeaders.CONTENT_DISPOSITION, "attachment; filename=\"" + resource.getFilename() + "\"").body(resource);
}

@RequestParam("file")MultipartFile files

태그

라벨:

이 블로그의 인기 게시물

React 시작하기

App.js import Hello from './comp/Hello' ; function App() {   return (     < div className = "App" >       < Hello />     </ div >   ); } export default App; export default App; Hello.js import './Hello.css' ; function Hello() {   return (     < h1 > Hello, World! </ h1 >   ); } export default Hello; Hello.css h1 {   color : red; }
더보기

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...
더보기

Python Sklearn make_regression

from sklearn.datasets import make_regression import matplotlib.pyplot as plt X, y = make_regression(n_samples=250, n_features=1, noise=50, random_state=2) plt.scatter(X,y, s=2) plt.show() from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 x_train, x_test, y_train, y_test = train_test_split(X,y, test_size=.20, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # 모델 생성 model = LinearRegression() # 학습하기 model.fit(x_train, y_train) # 가중치, 편향치 구하기 model.coef_, model.intercept_ # (array([90.11061494]), 2.4224269924448585) # 결정 계수 model.score(x_train, y_train) # 0.789267454050733 # 추정 pred = model.predict(x_test) # 산점도 plt.scatter(x_test,y_test) plt.plot(x_test, pred, 'r-') plt.show() # 추정 model.predict([[3.0]]) # 학습할 때 주는 데이터의 형식을 따른다 # x의 최소값, 최대값을 계수와 절편을 사용하여 ...
더보기