【原创,解决CLodop安装后无法调用的问题】已经安装过CLodop,但是网页上仍然提示“clodop云打印服务(localhost本地)未安装启动,点击这里执行安装....”

四 spring 源码分析--- 容器启动 时序图 从该结构图中,可以看到AbstractApplication是上层接口和下层建筑的一个关键连接点,启动具体的ApplicationContext的实现时,如启动ClassPathXmlApplicationContext,首先就是层层向上冒泡初始化,冒泡到AbstractApplicationContext,可以说AbstractApplicationContext是容器启动的入口; 阅读详情
AI摘要

本文针对CLodop安装后无法调用的问题给出解决方案。使用网页“打印”功能导出在线表格时,安装并重启后仍提示安装。经分析,是网页调用服务时跨域请求被安全策略禁止。解决办法是更改浏览器安全策略,如在谷歌、edge浏览器中设置相关选项,还可将网址加入白名单。

2024.04.16 随心写:发现本博客下“相关推荐”中,还有不少今年3月、4月新发布的讨论Clodop无法使用的帖子,但点进去一看其内容仍在重复之前早就发布的没有什么作用的所谓解决方案。大家如果真的怀念CSDN作为干货技术贴的过往,真的希望中文互联网搜索引擎在搜此类问题时候能给有用的回答,请用实际行动(点赞、转发、评论)支持真正有用的帖子,对重复帖子点踩,拒绝无时无刻被喂shi!!!


本方案是博主在自己校内系统遇到这个问题后,在互联网上找了一圈,发现现有能搜到的回答(让你重装、换版本、换64位/32位安装包等不痛不痒的方案)都不能实际解决问题,故写此解决方案

能识别到学校或网站的相关要素已脱敏或打码

想看解决方法的直接点击下方目录,跳到“问题解决”这里

目录

1.问题描述

2.问题分析

3.问题解决

4.问题反思


1.问题描述

试图使用某网页的“打印”功能导出在线表格时,提示你安装‘CLodop’云打印服务,按照要求安装并重启浏览器乃至重启操作系统后,确认CLodop服务已经在后台启动,且能够通过端口号访问,访问以下链接看到的是CLodop的初始化欢迎页:

http://localhost:8000

或

http://127.0.0.1:8000

该提示仍然存在,且“打印为PDF功能”仍不可用

网页无法调用CLodop​
网页无法调用CLodop
一系列相关服务的安装包​
一系列相关服务的安装包

 2.问题分析

这里的Clodop云打印本质上是一个配置在本地localhost的,开放8000端口的,以web api方式工作的服务器,它被用于将HTML内容渲染成打印输出的内容

当CLodop服务本身可以通过本地端口访问,但特定网页试图调用它时,却仍提示不能使用该服务,我们很容易想到这应该是网页对服务的调用问题,而不是服务自身的安装配置问题

通过浏览器的开发者工具-控制台/console选项卡,我们点击一次“打印”,得到了以下结果:

vue 通过 Lodop/C-Lodop 打印 pdf、小票、条码、html内容 Lodop/C-Lodop 是一款 web 端打印控件,需在官网购买序列号安装使用。可打印 pdf 文档、条码、表格、html 等Lodop官网:// 引入 LodopFuncs.js 中的 getLodop 方法data() {return {},// 初始化 LODOPif (!}, 1000)},methods: {// 打印小票(包含条形码)// 判断是否有可用打印插件return// 初始化语句this.LODOP.PRINT_INIT('打印任务名,比如住院号') 阅读详情

相关推荐

vue 使用C-Lodop打印小票

打开安装程序,一直下一步既可,我这边已经安装过就不演示了。// 打印效果 (测试打印,参数没调好)先从官网下载js文件。

曳猫的博客 1024

[亲测]vue使用C-lodop打印总结

按照我步骤走不迷路 1.先来到官方网站 下图中的1点击下载,下载后安装,傻瓜式安装方式就不再阐述了 下图中的2点击下载,下载后大概的看一下(内容不是很重要但是还是需要看的) 2.找到你安装好的C-lodop,将其启动 如下图 3.访问本地的教程,这里默认你的8000端口之前没有被占用,即使被占用那就访问18000端口,若仔细看文档的都知道,访问成功如下图仔细琢磨以下内容,他给的代码是js的,不...

Armymans的博客 2万+

解决CLodop安装后无法调用的问题(已经安装过CLodop,但是网页上仍然提示“clodop云打印服务(localhost本地)未安装启动,点击这里执行安装....“)

在单位内网的网页打印出现了问题, 找打到了以下博客, 思路非常清晰, 转载记录一下,不过我的问题是因为8000端口被占用了, 杀死这个占用8000端口的进程, 然后将Clodop端口改回8000就好了2024.04.16 随心写:发现本博客下“相关推荐”中,还有不少今年3月、4月新发布的讨论Clodop无法使用的帖子,但点进去一看其内容仍在重复之前早就发布的没有什么作用的所谓解决方案。!!本方案是博主在自己校内系统遇到这个问题后,,故写此解决方案能识别到学校或网站的相关要素已脱敏或打码。

记录分享编程与冲浪知识 7719

CLodop localhost连接失败原因与HTTPS解决方案

localhost 是 Web 开发中最基础的本地回环地址,其本质是浏览器安全模型中的关键信任边界;现代浏览器(Chrome 94+)通过私有网络请求拦截(block-insecure-private-network-requests)和混合内容限制等机制,默认阻断 HTTP 页面对 localhost 的跨端口调用,导致 CLodop 等本地服务‘已安装却不可用’。该问题并非软件缺陷,而是同源策略升级与 HTTPS 强制演进下的典型表现,技术价值在于推动本地开发环境向安全可信架构迁移。典型应用场景包括云打

weixin_31032799的博客 269

CLodop本地打印连不上?四大环节精准排查与修复指南

CLodop是一种基于localhost回环地址(127.0.0.1:8000)的本地打印服务架构,其核心原理是前端JavaScript通过HTTP请求桥接本地运行的CLodopPrintServer.exe服务进程。随着Chrome 94+启用block-insecure-private-network-requests安全策略,对私有网络地址的跨域请求实施默认拦截,导致大量‘未安装’误报。该机制本质是浏览器对loopback地址的信任协商升级,技术价值在于提升内网安全防护能力,典型应用于进销存、ERP、

weixin_29017445的博客 307

CLodop Web打印控件:从环境配置到高精度打印实战指南

在Web开发中,实现精确、可控的打印功能是处理票据、报表、证照等业务场景的常见需求。传统浏览器原生打印存在格式不可控、交互割裂、功能有限等痛点,难以满足医疗、政务、金融等行业对输出格式的严苛要求。其核心原理在于通过本地服务作为桥梁,使浏览器能够绕过原生打印对话框,直接以编程方式向打印机发送高精度指令,从而实现对打印内容、格式及硬件的绝对控制。这一技术方案的核心价值在于提供了无预览静默打印、丰富的打印机控制能力以及强大的图形条码原生支持,极大地提升了业务系统的自动化水平和用户体验。其典型应用场景包括医院热敏纸

weixin_34199405的博客 356

C-LODOP在Edge等现代浏览器中的部署、适配与实战应用

Web打印是B/S架构企业应用中常见的功能需求,其核心挑战在于如何跨越浏览器安全沙箱,实现与本地打印硬件的精准交互。传统基于`window.print()`的原生方案,受限于浏览器渲染引擎和操作系统差异,在票据套打、批量打印、精确控制页边距和隐藏页眉页脚等场景下,往往难以保证打印效果的一致性和可靠性。C-LODOP作为一种客户端打印服务中间件,通过在本机部署常驻服务,为Web应用提供了绕过浏览器限制、直接调用打印机驱动的能力,从而实现了接近桌面软件的打印控制力。其价值在于解决了企业级应用中对于打印格式、流程

weixin_32658257的博客 314

C-Lodop Web打印控件部署与错误排查实战指南

在B/S架构的企业级应用开发中,实现精确的Web打印功能是一个常见的技术挑战。其核心原理在于通过本地服务程序桥接浏览器与操作系统打印接口,从而突破浏览器沙盒限制,实现对打印机、纸张、页边距等参数的精准控制。这项技术对于票据套打、合同打印、报表输出等需要毫米级精度的业务场景具有重要价值。在实际应用中,开发者常遇到服务连接失败、打印任务异常、浏览器兼容性等问题,这些问题往往与C-Lodop服务的部署配置、防火墙设置、打印机驱动以及前端集成方式密切相关。本文基于C-Lodop的实战经验,系统梳理了从服务安装验证到

weixin_30279315的博客 309

等保2.0下可信验证的动态实现与合规实践

本文深入解读等保2.0标准中的“可信验证”要求,并重点探讨其动态实现与合规实践。文章阐述了从可信根、信任链到动态验证的核心概念,拆解了不同安全等级的实施差异,并提供了从硬件选型、软件赋能到平台集成的四步落地指南。通过行业案例与避坑心得,为构建覆盖计算环境、区域边界、通信网络和安全管理中心的全链条可信防御体系提供了实用参考。

d3e4f的博客 834

通达信强龙趋势幅图指标 - 精准捕捉趋势,把握强势行情,多角度分析个股,强弱一目了然

STICKLINE(趋势>0 AND SJTJ,4.8,5.8,1.5,0),COLORYELLOW;STICKLINE(资金>0 AND SJTJ,1.2,2.2,1.5,0),COLOR0080FF;STICKLINE(异动>0 AND SJTJ,0,1,1.5,0),COLORFF0080;STICKLINE(异动=0 AND SJTJ,0,1,1.5,1),COLORGRAY;

Q1809330692的博客 5675

主流算力卡性能对比分析

超大规模AI训练/HPC:优先选择NVIDIA H100或AMD MI300X,需关注显存带宽和多卡互联能力。企业级AI训练:NVIDIA A100性价比更高,生态成熟。国内自主可控需求:华为昇腾910B是首选,支持液冷和低功耗设计。本地AI推理/游戏:NVIDIA RTX 4090或RTX 5090性价比突出,但需注意显存容量限制。边缘计算/低功耗场景:华为昇腾310或清微智能TX536(能效比6.3TOPS/W@INT8)更合适。

m0_69867914的博客 7831

告别Keil手动分区!用CubeMX+VS Code一键生成带Bootloader的STM32 OTA工程

本文详细介绍了如何利用STM32CubeMX和VS Code实现STM32 OTA工程的自动化构建,告别传统Keil手动分区的繁琐流程。通过图形化配置Flash分区、自动生成链接脚本以及实现Bootloader跳转逻辑,开发者可以高效完成远程升级功能开发,显著提升嵌入式开发效率。

weixin_33720956的博客 390

MOS五类漏电流与优化策略

分析了五种主要漏电流机制:1)反偏结泄漏,由PN结热激发和隧

硬核科技 448

OpenOCD入门到精通:第 4 章 配置文件体系详解

本文深入解析OpenOCD配置文件的体系结构和工作机制。首先介绍了配置文件的搜索路径优先级和加载顺序,以及配置阶段与运行阶段的区别。然后详细分析了interface配置文件的适配器参数调优方法,包括ST-Link、CMSIS-DAP和FTDI等常见调试器的配置示例。最后重点讲解了target配置文件的核心结构,包括TAP声明、目标创建和工作区设置等关键步骤,并以stm32f1x为例展示了完整的配置流程。通过本文可以全面了解OpenOCD配置文件的分层设计理念和参数化配置方法。

从事嵌入式linux android驱动开发,拥有全栈能力 603

SAP系统中客户库存B库存简介

在 SAP 系统中,特殊库存 B (Special Stock B) 指的是 “客户库存” (Customer Stock)。这是一个非常独特的库存概念,其核心定义是:物理上存放在你的仓库中,但法律上的所有权属于你的客户。1. 核心概念所有权 (Ownership): 属于客户。你的公司不拥有该物料的所有权。管理维度: 库存不仅由“物料+工厂+库位”管理,还必须指定 “客户编号” (Customer Number)。例子。

我小时候很黑的博客 541

中台战略-第五章、中台建设方法论

文章目录第五章、中台建设方法论5.1 中台架构整体策略5.2 业务顶层设计5.3 业务中台设计方法论5.3.1 能力支撑是基础5.3.2 中心自治是承载形式5.3.3 3层模型是骨架5.3.4 5步法是指导思想1. 业务抽象2. 高阶设计3. 组件建模4. 开发交付5. 持续运营5.4 数据中台设计方法论5.4.1 总体规划5.4.2 数据集成5.4.3 模型建设5.4.4 通用研发5.4.5 资产管理5.4.6 数据服务5.5 应用向中台迁移的3中途径和方法5.5.1 方法1:新应用替换旧应用5.5.2

沧海之巅的专栏 1463

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

上一篇: 较真:认真解读“NVIDA CUDA显卡计算能力表”
下一篇: (原创,随手记)记录windows操作系统在本地使用fengshen模型时遇到的坑:
link_in_csdn
博客等级 码龄6年 70粉丝 6原创
评论 27
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址