WedX - журнал о программировании и компьютерных науках

как загрузить изображение Base_encode на сервер с помощью cake php

Я получил изображение с Android в формате base_encode. Я использую следующий метод для сохранения изображения на сервере. Изображение успешно загружено на сервер, но оно загружает размер файла изображения 0 КБ.

<?php
     $user_last_id = $this->User->getLastInsertID();
    if(@$_FILES['profile_image']!='') {  
      $img = base64_decode($_FILES['profile_image']['name']);
      $image_name =  $user_last_id.'_'.time()."profileImage.png";
      $this->User->saveField('profile_image',$image_name);
      $pth =  WWW_ROOT.'files'.DS.'profileimage'.DS.$image_name;
      file_put_contents($pth, $img);
    }
 ?>

  • Вероятно, потому что строка не закодирована в base64, поэтому декодируется в пустую строку, или ключ, который вы декодируете (имя), является неправильным. Вам нужно отладить то, что происходит, и/или предоставить достаточно информации, чтобы читатель мог воспроизвести то, что вы видите. 17.07.2016
  • На самом деле, это, вероятно, непосредственно проблема, см., например, stackoverflow.com/q/8559363/761202 - вы пытаетесь декодировать не то (tmp_name — это ключ с закодированной строкой). 17.07.2016

Новые материалы

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


Для любых предложений по сайту: [email protected]