如何在客户端检测上传文件的大小?

xyw7899 2003-07-28 05:53:27

如何在客户端检测上传文件的大小?

...全文

53 1 打赏收藏转发到动态举报

写回复

用AI写文章

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

孟子E章 2003-07-28

打赏
举报

<HTML><HEAD>
<SCRIPT>

function getFileSize (fileName) {

if (document.all) {
window.oldOnError = window.onerror;
window.onerror = function (err) {
if (err.indexOf('utomation') != -1) {
alert('没有访问文件的权限');
return true;
}
else
return false;
};
var fso = new ActiveXObject('Scripting.FileSystemObject');
var file = fso.GetFile(fileName);
window.onerror = window.oldOnError;
return file.Size; }}
</SCRIPT>
</HEAD>
<BODY>
<FORM NAME="formName"><INPUT TYPE="file" NAME="fileName"><BR>
<INPUT TYPE="button" VALUE="查看文件字节大小" ONCLICK="alert(getFileSize(this.form.fileName.value))"><BR>
</FORM></BODY>
</HTML>

77页-中国数字安全产业年度报告（2024）公开版数世咨询 2024-6(1)

【图像处理】基于电磁学优化算法的多阈值分割算法研究（Matlab代码实现）内容概要：本文围绕“基于电磁学优化算法的多阈值分割算法研究”展开，结合Matlab代码实现，探讨了图像处理中的多阈值分割问题。通过引入电磁学优化算法（Electromagnetism-like Optimization, EMO），利用其全局搜索能力优化多阈值分割的阈值选取过程，以提升图像分割的精度与效率。文中详细阐述了算法原理、实现步骤，并通过实验验证其在图像分割中的有效性，展示了与其他智能优化算法的对比结果，突出了该方法在处理复杂图像时的优越性。; 适合人群：具备一定图像处理和优化算法基础，熟悉Matlab编程的研究生、科研人员及工程技术人员。; 使用场景及目标：①用于医学图像、遥感图像等复杂图像的多阈值分割任务；②为智能优化算法在图像处理领域的应用提供实现案例与技术参考；③支持科研复现与算法改进。; 阅读建议：建议结合Matlab代码逐段理解算法实现流程，重点关注目标函数设计与电磁力机制的映射关系，可通过更换测试图像和对比其他优化算法加深理解。

本资源文件“基于51单片机的电子琴设计.zip”对应于博客文章“基于51单片机设计的简易电子琴”。该资源包含了实现一个简易电子琴所需的全部文件和代码，适用于学习和实践51单片机的开发。内容源代码：包含电子琴的C语言源代码，可在Keil uVision等51单片机开发环境中编译运行。原理图：提供了电子琴的电路设计原理图，方便用户理解硬件连接和布局。 PCB设计文件：如果需要自行制作PCB，资源中包含了PCB设计文件，可用于PCB打样。说明文档：详细的使用说明和操作指南，帮助用户快速上手。使用方法下载资源：点击下载“基于51单片机的电子琴设计.zip”文件。解压文件：将下载的ZIP文件解压到本地目录。阅读说明文档：仔细阅读说明文档，了解项目的基本结构和使用方法。搭建硬件：根据原理图搭建硬件电路。编译代码：使用Keil uVision等开发工具打开源代码，进行编译。烧录程序：将编译好的程序烧录到51单片机中。测试运行：连接电源，测试电子琴的功能是否正常。

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）内容概要：本文介绍了一项基于CNN-LSTM神经网络模型的轴承故障诊断研究，采用PyTorch框架实现，使用西储大学公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络（CNN）强大的特征提取能力与长短期记忆网络（LSTM）对时序数据的建模优势，构建深度学习分类模型，实现对轴承不同故障类型和严重程度的精准识别与分类，旨在提升工业设备故障诊断的自动化与智能化水平。; 适合人群：具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师；熟悉PyTorch框架者更佳。; 使用场景及目标：①应用于工业设备预测性维护系统中的轴承故障早期识别；②作为深度学习在时间序列分类任务中的典型案例，用于学习CNN-LSTM融合模型的设计与实现；③复现并改进现有故障诊断算法，推动相关科研工作进展。; 阅读建议：建议读者结合提供的Python代码与西储大学数据集进行实践操作，重点关注数据预处理、模型结构搭建、训练流程及结果分析环节，可进一步尝试调整网络参数或引入其他优化算法以提升分类性能。

hanlp-portable-1.8.6 对应模型下载 data-for-1.7.5