今天遇到一个问题，在调用上传过程中，上传了一个带类似的“[xxxxx](xxxxxxxxx).PDF”比较长的文件名，服务端报数据超长错误。从前端查到后端又从查到前端，发现问题出现在axios上。

如果将参数放在params中，axios会将转译后的特殊符号比如[]再转回来，导致服务端拿到不是合法的转译数据，又进行了转译，导致字段超长。

axios源码中处理的代码：

解决方案：get请求中将参数拼在url上，例如：

axios.get(`${url}?fileName=${encodeURIComponent(file.name)}`)

# 前端
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

实现一个简单的图像压缩算法。

在数字时代，图像数据无处不在。从社交媒体到医疗影像，从卫星遥感到自动驾驶，图像数据的产生和传输呈指数级增长。然而，原始图像数据往往非常庞大，一张普通的1080p彩色图像就需要约6MB的存储空间。图像压缩技术应运而生，它通过在保证视觉质量的前提下减少图像数据量，解决了存储和传输的瓶颈问题。本文将深入探讨图像压缩的基本原理，实现一个完整的图像压缩系统，并分析现代图像压缩技术的发展趋势。我们将从最简单的

avatar DAMO开发者矩阵

基于模型预测控制（MPC）与滚动时域估计（MHE）集成的目标点镇定研究（Matlab代码实现）

本文提出一种“模型预测控制（MPC）+ 滚动时域估计（MHE）”一体化框架，旨在解决在传感器和执行器双重噪声环境下，将移动机器人稳定到指定目标点 xs​ 的问题。与现有研究仅单独考虑状态或控制噪声、且将估计与控制分步求解的做法不同，本文创新性地把传感器噪声和执行器噪声同时纳入联合优化，实现了真正意义上的“估计–控制闭环”。采用多重打靶法将 MPC 问题转化为非线性规划（NLP），并利用 CASAD

avatar DAMO开发者矩阵

基于模型预测控制（MPC）与滚动时域估计（MHE）集成的目标点镇定研究（Matlab代码实现）

本文提出一种“模型预测控制（MPC）+ 滚动时域估计（MHE）”一体化框架，旨在解决在传感器和执行器双重噪声环境下，将移动机器人稳定到指定目标点 xs​ 的问题。与现有研究仅单独考虑状态或控制噪声、且将估计与控制分步求解的做法不同，本文创新性地把传感器噪声和执行器噪声同时纳入联合优化，实现了真正意义上的“估计–控制闭环”。采用多重打靶法将 MPC 问题转化为非线性规划（NLP），并利用 CASAD

avatar DAMO开发者矩阵