使用SpringMvc导出csv文件时在火狐、谷歌、360、搜狗等浏览器都能正确导出,在ie浏览器上就提示找不到站点错误,本地ie版本是8.0.7601,错误提示如附件:
程序代码如下:
@RequestMapping(value="/exportWithdraw.do", method= RequestMethod.GET)
public ModelAndView exportDetail(HttpServletResponse res,ParmPojo pojo){
String fileName = new String("详情".getBytes("GBK"),"ISO8859-1")+".csv";
res.setContentType("application/vnd.ms-excel;charset=GBK");
res.setHeader("Content-Disposition", "attachment;filename="+fileName);
ModelAndView mv = new ModelAndView("/back/exportDetail.jsp");
List<JSONObject> jsonObjList = bo.getByTch(pojo);
mv.addObject("datas", jsonObjList);//设置查询的结果集
return mv;
}
js页面调用
$("#tc_export").click(function(){
var params = getUrlParam();//获取参数
window.open(localPath + "exportWithdraw.do?" + params);
})
function getUrlParam() {
var condition = {};
condition.reportDateSch = reportDate;
condition.typeSch = type;
var html = [];
for(var key in condition){
html.push(key+'='+condition[key]);
}
return html.join('&');
}
导出文件的exportDetail.jsp页面内容
<%@page import="org.json.JSONObject"%>
<%@page import="java.util.List"%>
<%@ page language="java" contentType="text/html; charset=GBK"%>
<%@ taglib prefix="c" uri="http://java.sun.com/jsp/jstl/core"%>
<%List<JSONObject> jsonObjList = (List<JSONObject>)request.getAttribute("datas");
StringBuilder sb = new StringBuilder();
for(JSONObject obj : jsonObjList) {
sb.append(obj.get("typeStr"));
sb.append(",").append(obj.get("realName"));
sb.append(",").append(obj.get("cityName"));
// 加上"\t"会显示后两位小数
sb.append(",\t").append(obj.get("balance"));
sb.append("\r\n");
}%>类型,真实姓名,城市,金额 <%=sb.toString()%>
经查找之后发现是请求响应没有重置导致,修改java代码如下:
@RequestMapping(value="/exportWithdraw.do", method= RequestMethod.GET)
public ModelAndView exportDetail(HttpServletResponse res,ParmPojo pojo){
String fileName = new String("详情".getBytes("GBK"),"ISO8859-1")+".csv";
res.reset();//解决ie浏览器下载找不到站点问题
res.setContentType("application/vnd.ms-excel;charset=GBK");
res.setHeader("Content-Disposition", "attachment;filename="+fileName);
ModelAndView mv = new ModelAndView("/back/exportDetail.jsp");
List<JSONObject> jsonObjList = bo.getByTch(pojo);
mv.addObject("datas", jsonObjList);//设置查询的结果集
return mv;
}
增加了 res.reset(); ,问题解决了,所有浏览器都支持

- 大小: 23.3 KB
分享到:
相关推荐
通过这个工具,你可以查看每个Cookie的详细信息,包括站点名称、Cookie名称、值、过期日期等,并能导出这些信息到CSV或HTML文件。 **二、IE Cookie View的主要功能** 1. **显示所有Cookies**:打开软件后,它会...
为了使这个功能正常工作,用户需要将网站添加到Internet Explorer的信任站点,因为出于安全原因,JavaScript默认是不允许创建Office对象的。 总结来说,使用JavaScript进行Excel与表格之间的数据交互需要考虑兼容...
在电子商务中,CSV格式常用于商品信息的批量导入导出、用户信息的管理和分析等。 7. 转化工具(如:URL重写、sitemaps等) URL重写是服务器端技术,通过改变URL的外观,使其更具有可读性,也有利于搜索引擎优化...
这个数据集提供了2010年至2021年间加拿大各省的家庭支出与收入数据,这些数据根据人口统计和地理指标进行了分类。每行代表了年份(REF_DATE)、省份(GEO)以及编码后的支出或收入类型的唯一组合(COORDINATE)。以下是该数据集的关键特点及包含的列信息: 关键特点: 支出数据:家庭支出按照收入五分位数和支出类别进行分类。 收入数据:家庭收入值根据家庭类型、较年长成年人的年龄组别和收入水平细分。 地理位置匿名化:为了保护隐私,原始的地理位置标识符被替换为如“Province 1”这样的标签。 时间序列:涵盖了超过十年的财务数据(2010–2021),适合用于纵向经济和社会趋势分析。 包含的列: REF_DATE:记录年份(2010–2021) GEO:省份标签(例如,“Province 1”) Statistic:度量类型(例如,平均家庭支出) Before-tax household income quintile:税前家庭收入水平分组 Household expenditures, summary-level categories:支出类别 UOM:计量单位 COORD
1.【锂电池剩余寿命预测】GRU门控循环单元锂电池剩余寿命预测(Matlab完整源码和数据) 2.数据集:NASA数据集,已经处理好,B0005电池训练、测试; 3.环境准备:Matlab2023b,可读性强; 4.模型描述:GRU门控循环单元在各种各样的问题上表现非常出色,现在被广泛使用。 5.领域描述:近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本代码实现了GRU门控循环单元在该领域的应用。 6.作者介绍:机器学习之心,博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析,文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年,更多仿真源码、数据集定制私信。
2000-2024年各省专利侵权案件结案数数据 1、时间:2000-2024年 2、来源:国家知识产权J 3、指标:专利侵权案件结案数 4、范围:31省 5、用途:可用于衡量知识产权保护水平
- 使用`<div>` 容器组织游戏界面,包含得分显示、游戏画布和操作按钮 - 支持三种游戏模式选择(一般模式、困难模式、无敌模式) - 移动端和桌面端兼容,提供触摸和键盘两种控制方式 2. CSS样式 : - 采用Flex布局实现页面居中显示 - 使用Grid布局实现方向按钮的排列 - 定义了游戏容器的阴影、圆角等视觉效果 - 为按钮添加了hover效果和过渡动画 3. JavaScript逻辑 : - 使用Canvas API实现游戏渲染 - 实现了蛇的移动、食物生成、碰撞检测等核心游戏逻辑 - 支持三种游戏模式,不同模式对应不同的游戏速度和规则 - 使用localStorage保存最高分记录 - 实现随机颜色生成,使游戏更具趣味性 代码整体结构清晰,功能完整,具有良好的可扩展性和可维护性。
台区终端电科院送检文档
内容概要:本文详细介绍了一个基于强化学习(RL)的飞机升阻力特性预测模型的实现过程。首先,定义了飞机空气动力学环境,包括状态空间、动作空间以及目标——预测升力系数(Cl)和阻力系数(Cd)。接着,通过生成模拟数据并进行预处理,创建了用于训练的数据集。然后,构建了一个神经网络代理模型,用于联合编码状态和动作,并预测升阻力系数。最后,实现了PPO算法来训练强化学习代理,使其能够根据当前状态选择最优动作,并通过不断迭代提高预测精度。文中还提供了完整的代码实现和详细的注释。 适合人群:航空航天领域的研究人员、机器学习工程师、对强化学习感兴趣的开发者。 使用场景及目标:适用于需要预测飞机升阻力特性的应用场景,如飞行器设计优化、性能评估等。目标是通过强化学习方法提升预测模型的准确性,从而为实际工程提供可靠的理论支持和技术手段。 其他说明:本文不仅涵盖了模型的设计与实现,还包括了数据生成、预处理等多个环节,有助于读者全面理解整个建模过程。同时,提供的代码可以作为研究和开发的基础,方便进一步扩展和改进。
cmock ut aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
lsm6d datasheet
风力发电机传动机构的设计(增速器)
genesys-zu(5ev)配置petalinux(从安装到嵌入)
django自建博客app
Android项目原生java语言课程设计,包含LW+ppt
幼儿园预防肺结核教育培训课件资料
STM32F103RCT6单片机控制气泵和电磁阀的开关 1、气泵和电磁阀的开和关均为开关量,实现控制方法有多种,比如继电器,但是继电器动作有噪声且体积较大,更好的方法为使用mos管。 2、mos管的选型:mos管选择主要注意两个参数即可,一是导通的电流,二是耐压值,并且常用NMOS管,根据要求,气泵和电磁阀供电电压为12V,所以选择的mos管耐压值要大于12V,这里选用耐压值为30V的MOS管,并且导通电流为5.8A。
因文件较多,数据存放网盘,txt文件内包含下载链接及提取码,永久有效。失效会第一时间进行补充。样例数据及详细介绍参见文章:https://blog.csdn.net/T0620514/article/details/146916073
将 Windows 系统中 “C:\windows\fonts” 目录下的所有字体文件
智能量测终端最新标准