Как условно разорвать цепочку выполнения ActionListener?

<p:commandButton ajax="true" value="submit"/>
     <f:actionListener binding="#{bean.method1()}" />
     <f:actionListener binding="#{bean.method2()}" />
     <f:actionListener binding="#{bean.method3()}" />
</p:commandButton>

Я хочу разорвать цепочку выполнения actionListener, если условие не выполняется ни в одном из слушателей. А также я хотел бы показать отдельный p:dialog для каждого actionListener, если actionListener встретил неудовлетворенное условие.

Возможно ли это в JSF 2.0? Как это реализовать?

Заранее спасибо.

jsf primefaces jsf-2

17.03.2011

Почему вы используете слушателей действий в качестве валидаторов? Почему бы просто не использовать обычные валидаторы? 17.03.2011
Работают ли обычные валидаторы и с Ajax? Я честно этого не знал. Есть некоторая последовательность действий, которые нужно сделать в виде цепочки. Вот я и подумал использовать этот механизм. Должен ли я вместо этого использовать валидаторы? 17.03.2011
Кажется, вы проверяете что-то в actionlisteners, так как хотите разорвать цепочку/запрос, когда что-то не удается. Это именно то, для чего предназначены валидаторы. Подробный ответ/предложение дать невозможно, так как неясно функциональное требование. 17.03.2011
1) применяются ли проверки, когда свойство bean-компонента обновляется с помощью ajax? (потому что я не вижу соответствующего FacesMessage в p: growl, даже если я обновляю его после запроса Ajax). 2) Как указано в вопросе, я хочу открыть одно диалоговое окно в конце каждого прослушивателя действий, чтобы пользователь мог одобрить или отклонить цепочку событий. Это мои требования, мистер Шольц. 17.03.2011

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..

Метки

Machine Learning JavaScript Data Science Artificial Intelligence Software Development Python Web Development Coding Deep Learning AI React Software Engineering Nodejs Java Front End Development Typescript Computer Science Data Algorithms Development NLP Tech Programming Languages CSS ChatGPT HTML Python Programming Javascript Tips Angular Computer Vision Startup Data Visualization Neural Networks Tutorial Statistics Productivity Reactjs Learning