Java——JDK的下载以及环境变量的配置(超详细过程)

Java详解:jdk17下载过程及Windows环境变量配置方法 下载完成后在文件夹中找到安装包位置,双击安装包后出现下方提示,点击仍然安装后点允许。之后根据弹出页面一直点击下一步即可。由于jdk17安装后只占不到200MB的内存且后续使用并不会产生其他内存,所以可直接装到默认路径。如果需要装到指定路径下(记住这个路径,下面),路径不要包含中文,否则使用时可能出现一些不可预知问题。环境配置之后可不使用编辑器,直接用记事本写代码,在cmd指令框中实现java程序。首先找到电脑的设置页面,按照下方图片流程即可完成配置。点击下方超链接进入官网后按照下面图片即可完成下载。 阅读详情

        jdk全称“Java Development Kit”,指的是Java语言的软件开发工具包,主要用于移动设备、嵌入式设备上的java应用程序的开发。jdk是java开发的核心,包括了Java运行环境、一堆Java工具和Java基础的类库。

说明:我这里使用win11系统演示操作,但是win10系统的配置过程也是如此。

一、下载JDK以及JDK环境变量的配置

1.打开如下链接:http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html,进入JDK1.8下载官网,或者直接百度JDK1.8,也可进入下载官网。

2.进入下载官网以后,将页面下拉到如图中红色标注位置。可以看到下图所示的版本。本例选用jdk-18_windows-x64。接下来选择需要下载的版本类型,这里以windows64位计算机为例,点击图中第二个箭头所示位置即可开始下载。

3.下载后双击打开即可开始安装。如下图,因为安装过程可以采用默认的配置方式,所以可以连续点击下一步直至安装完成。

 4.JDK环境变量的配置需要三个步骤。首先配置JAVA_HOME:右键点击计算机图标,接着点击菜单最下方的属性菜单项,或者连续打开控制面板– 系统和安全–系统也可以:

5.在弹出的窗口中点击红色标注的高级系统设置: 

 

6.在弹出的对话框中单击”高级“选项卡,接着点击下方的环境变量:

 7.在环境变量对话框中点击下方的系统变量的新建按钮:

 8.在弹出的新建系统变量里的变量名中输入JAVA_HOME,在变量值中输入JDK的根目录:E:\Program Files (x86)\soft\Java\jdk1.8.0_321。注意:我这里保存的jdk路径是在E盘,大家根据自己的实际安装位置为准。然后点击确定,返回环境变量对话框。

 9.最后,在系统变量里面找到Path变量,注意,这次是点击编辑按钮,在弹出的对话框中的变量值的最后,一定是最后,点击新建,添加如下两个字符串:%JAVA_HOME%\bin和%JAVA_HOME%\jre\bin。两个都添加完之后,点击确定。如果没有Path变量,则添加Path变量,添加步骤和前面一样,不在重复。

 

4、设置完毕变量,点击确认(一直点击确认关闭窗口),并测试是否设置环境变量成功,点击开始菜单-运行-输入cmd确认-在cmd窗口中输入javac,点击键盘上的Enter键。如果出现如下图片则环境变量安装成功:

二、高效清洁卸载JDK方法:

清洁卸载之后可以保证后续再安装JDK能顺利进行!

依次点击:开始菜单-控制面板-程序-程序和功能,在程序中找到所有java选项,右键-卸载即可:


好了,以上就是JAVA中JDK的相关操作介绍的一种实现方式,与大家一起共享。

你的问题得到解决了吗?欢迎在评论区留言,提出更好的意见和建议 。

Mac电脑配置JDK环境变量本人实操教程!超详细! MAC环境下JMeter的安装与配置 一、jmeter的下载 https://jmeter.apache.org/download_jmeter.cgi 进入官网下载JMeter安装包,解压即可 二、检查是否安装配置Java环境 1、JMeter是基于JAVA开发的,所以首先要检查是否安装了JAVA的JDK,找到终端,输入java -versio,如果看到下图结果,表示已安装 2、配置java环境变量 方式一: ... 阅读详情

相关推荐

FFmpeg HDR视频转SDR视频命令

之前蓝光盘电影多是AVC 1080p 8bit SDR格式视频,近两年4K电影流行,下载的蓝光电影多是HEVC 2160p 10bit HDR视频格式。 ffprobe查看有如下属性: # 10bit HDR Stream #0:0(eng): Video: hevc (Main 10), yuv420p10le(tv, bt2020nc/bt2020/smpte2084), 3840x2160 [SAR 1:1 DAR 16:9], 23.98 fps, 23.98 tbr, 1k tbn, 23.98

彼此当年少,莫负好时光 1万+

Java的JDK下载与安装

只需要点击下一步进行安装,如需更改安装路径,点击“更改”到指定目录,记好文件的路径安装,安装结束,点击关闭即可。安装好jdk后,就剩下最重要的环境变量的配置了。这个就不需要用浏览目录何文件了,可以复制下面这一串,把下面这一串复制到变量值中(前提是CLASSPATH这个变量是你自己创建的,而不是本来就有的)

2201_75304925的博客 5227

allegro 约束管理Constraint Manager(一)

介绍Cadence allegro 约束管理器CM的使用方法。

weixin_38975819的博客 8734

Windows 10 下配置Java JDK 8 和 11 等多版本环境

在实际的开发过程中,可能需要多个JDK版本环境进行测试,在windows10 系统下,可如下配置: 1、JDK Windows绿色版:jdk-11.0.2_windows-x64位绿色免安装版下载 使用WinRAR或360压缩等软件,解压JDK压缩包文件到指定位置,如C:\Program Files\Java\jdk11.0.2_x64_green。 2、环境变量配置: (1)打开【系统属...

蓝月流星 的专栏 2202

SpyGlass Lint脚本实战:从环境配置到报告生成的完整流程解析

本文详细解析了使用SpyGlass Lint脚本进行数字芯片设计代码质量检查的完整自动化流程。从环境配置、目录结构设计,到核心TCL脚本的编写与模块化配置,再到脚本执行、调试技巧及报告解读,提供了构建健壮、可维护自动化检查框架的实战指南。文章重点阐述了如何通过脚本实现从环境配置到报告生成的一键式操作,并探讨了与企业级CI/CD流程集成的进阶方案。

weixin_29196613的博客 443

sdc时钟约束2——多驱动时钟

sdc 多驱动时钟 master_clock

qq_40411444的博客 5529

nodejs的下载以及环境变量的配置

1.下载 nodejs官网:https://nodejs.org/en/download 2.安装配置nodejs环境变量 若安装的时候没有选安装环境变量,需要自己手动配置nodejs的环境变量。我的nodejs安装路径是D:\nodejs\,【计算机】->【属性】->【高级系统设置】->【环境变量】->*配置环境变量PATH:D:\nodejs* 3.安装成功 安装完成后...

baidu_39212797的博客 440

ROS2+PYTHON VENV虚拟环境配置方法

ROS2+PYTHON VENV配置方法本篇针对的是python。

下雨夏云的博客 559

win10 jdk15的下载以及环境变量的详细配置说明

附录1.JDK15的新功能说明 1.JEP 339:EdDSA 数字签名算法 2.JEP 360:密封类(预览) 3.JEP 371:隐藏类 4.JEP 372:删除 Nashorn JavaScript 引擎 5.JEP 373:重新实现 Legacy DatagramSocket API 6.JEP 374:重新实现 DatagramSocket API 7.JEP 375:实例模式匹配(第二次预览) 8.JEP 377:ZGC:一个可扩展的低延迟垃圾收集器 9.JEP 378:文本块 10.JEP 3

sm923的博客 2778

车机破解避坑指南:为什么你的CarPlay盒子不识别?从USB设备ID解析兼容性问题

本文深入解析车机USB设备兼容性问题,特别是CarPlay盒子不识别的原因,从硬件ID到识别机制全面剖析。通过ADB工具和root权限操作,提供详细的破解方案和兼容性测试结果,帮助用户解决车机与第三方设备的连接问题。

weixin_29175469的博客 606

YOLOv8 置信度阈值 (conf) 和 IoU 阈值 (iou) 详解:如何平衡漏检与误检?

摘要 本文深入探讨了YOLOv8目标检测模型中两个关键参数——置信度阈值(conf)和IoU阈值(iou)的核心作用。文章从目标检测的基础概念出发,解释了置信度分数反映模型预测可靠性,IoU衡量预测框重叠程度。重点剖析了非极大值抑制(NMS)机制如何通过这两个阈值进行预测框筛选:置信度阈值作为初筛门槛,IoU阈值决定重叠框的取舍。通过生动比喻和可视化图表,阐述了合理调节这两个参数能有效平衡误检与漏检问题,是优化YOLOv8模型实际表现的重要技巧。全文以实践为导向,帮助开发者掌握成为"调参大师&qu

深耕 Vue 生态与 JS/TS 技术,聚焦组件封装、响应式原理、TS 类型设计,解析工程化配置与性能优化方案。同时分享 YOLOv8 目标检测实战、AI 大模型面试核心考点,以代码实例拆解技术实现与业务解法。 1260

变量对话框MFC 关于控件变量的使用

PS:今天上午,非常郁闷,有很多简单基础的问题搞得我有些迷茫,哎,代码几天不写就忘。目前又不当COO,还是得用心记代码哦!     在MFC中我们常常要把一些变量于控件对应起来! 并通过UpdateDate来实调用DoDataExchange(CDataExchange* pDX)实现变量信息交换! VS2010   添加控件变量的进程: 右键单击控件,选择添加变量,弹出添加成员变量向导,记得...

weixin_34241036的博客 177

9.16华为OD机试真题 新系统 - 矩阵螺旋遍历 (Java/Py/C/C++/Js/Go)

9.16华为OD机试真题 新系统 - 矩阵螺旋遍历 (Java/Py/C/C++/Js/Go)

算法大师! 667

JAVA学习笔记(三)(Java的加载和执行过程,JDK下载安装,JDK文件目录,环境变量配置)

1. Java的加载和执行 编译(源文件变为class文件(字节码文件),检查是否符合Java语法,Dos窗口中 javac Java源文件路径,每一个Java源文件可以编译成多个字节码文件)与运行(java 类名 运行字节码文件,类加载器(硬盘上找到该类文件),JVM(解释为010101.......),操作系统,硬件平台) 2. JDK的安装 JDK:Java开发工具包 JRE:Jav...

LingTwoTwo~的博客 170

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

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")

JDK怎么配置?Java基础 配置jdk环境变量,JDK1.8 下载 安装 配置环境变量 测试 全过程

JDK是什么? JDK(Java Development Kit)是太阳微系统针对Java开发人员发布的免费软件开发工具包(SDK,Software Development Kit)。 JDK是整个Java的核心,包括了Java运行环境、Java工具和Java基础类库。 JDK下载 开源,直接到官网下载就行了 官网:https://www.oracle.com/technetwork/java/javase/overview/index.html 根据需要选择版本 这里演示jdk1.8的下载示例 进入网站

Ryan 的博客 278

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Java配置环境变量

Java配置环境变量 要想配置环境变量先要下载好JDK 点击这里可以下载 可以通过鼠标下滑找到以前的版本,网页最前面的部分是最新版本,一般来说用的都是jdk1.8这个版本。点击箭头位置下载 根据自己需要下载,如何知道自己是x86还是x64呢? windows电脑右键点击此电脑—>属性 知道了这个,就可以点进去下载了! 如果需要账户就创建账户,然后就可以下载了,因为步骤简单,不放出来了! 好的,现在默认JDK已经下好了,但是笔者的JDK版本不一致,但是配置环境变量是一样的 下载好之后会得到这样

qq_40687540的博客 9万+

JDK安装配置+VSCode——Java基本开发环境搭建(超详细)

VSCode+Java基本开发环境搭建(超详细) 一、 JDK的下载和环境变量的配置 下载最新版本JDK 下载时要注意先勾选接受许可协议 下载完成之后直接双击 下一步 然后修改安装路径并下一步 安装成功 但还没完,要配置环境变量,要不然用不了 找到安装路径,并复制 我的安装路径就是刚刚安装jdk时选择的D:\JDK\jdk-13.0.1 配置环境变量 ①右击此电脑并选择【属性】 ②...

qq_41119146的博客 3万+

JDK - Java Development Kit 下载安装及环境变量配置总结

JDK - Java Development Kit 下载安装及环境变量配置总结

凡的博客 40万+

Java JDK下载、安装与环境变量配置

win10下JDK的下载、安装和环境变量的配置                                                                 ------------made by siwuxie095 1、首先要明确: JDK > JRE > JVM (本人操作系统: Windows 10 RedStone v1067 x64 专业版)

siwuxie095's blog 11万+

下载、安装jdk1.8和配置环境变量

一、JDK 下载 1. 下载地址:Java Downloads | Oracle 2.下载分两次,第一次是安装 jdk(开发版),第二次是安装 jre(生产版)。默认的安装地址为C盘,目录是C:\Program Files\Java。 ​ 二、JDK 安装: 1. 双击 jdk-8u201-windows-x64.exe ​ 2. 点击 下一步(N) ​ 3. 继续下一步(N) ​ 4. 直到最后安装完成,然后 关闭。 ​ 三、.......

weixin_62332711的博客 5万+

java环境配置-JDK安装及环境配置步骤

JDK安装及环境配置JDK安装及环境配置步骤1.JDK下载与安装2.配置环境变量合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 JDK安装及环境配置步骤 本文介绍java环境配置一系列步骤,包括环境配置 1.JDK下载与安装 首先我们从O

blingsky123的博客 311

MAC安装JDK及环境变量配置

JDK安装 1.访问Oracle官网 http://www.oracle.com,浏览到首页的底部菜单 ,然后按下图提示操作: 2.点击“JDK DOWNLOAD”按钮: 3.选择“Accept Lisence Agreement”同意协议: 4.点击Mac OS X x64后面的下载链接: 下载完成后点击安装包,按提示即可完成安装。 5.打开Finder,可以在下图所示的路径中找到安...

GeekTech 9万+

MAC中JAVA环境变量配置以及Intellij IDEA如何配置JDK

安装Java和配置环境变量 下载地址:https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html 下载版本:jdk-8u191-macosx-x64.dmg (根据自己需要) 双击安装,安装完成后设置Java环境变量: 查看JDK根目录路径(后面配置环境变量要用到):打开终...

LeLe_Feb 2万+

Java环境变量配置

1. JDK的下载与安装 首先,百度直接搜索JDK,然后打开Oracle的jdk下载网页。(如果你比较懒 ,下方为链接) https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html 接下来别忘记选择接受协议,然后打开系统设置面板检查所用电脑的系统位数。(64位 or 32位) 百度网盘地址:链接:https://pan.baidu.com/s/1_fQF2MtlDQRfspMnmsR6h

weixin_46128831的博客 4万+

jdk17下载与安装教程(win10),超详细

一、前言 现在jdk已经升级到JDK17版本了,这里也记录一下jdk17的下载及安装过程,对于刚学习java的小伙伴可以参考,熟手可忽略,呵呵~ 二、下载安装步骤 一、首先是去jdk官网下载,官网下载还需要注册,如果大家不怕麻烦的话可以去官网下载,下载速度也是龟速,我也是花了好长时间才下载下来,大家可以点击我的网盘目录jdk目录下载,密码3360,目录也有其它低版本的,如果有需要大家根据需要自行选择。jdk有msi和exe的,都可以使用。这里以exe为例。 二、下载后直接点击安装程序,点击【运行

bestsongs的专栏 6万+

Java的JDK安装、java环境配置、eclipse下载使用

JDK安装、java环境配置、eclipse下载使用 JDK是Java语言的软件开发工具包,主要用于移动设备、嵌入式设备上的java应用程序。JDK是整个java开发的核心,它包含了JAVA的运行环境,JAVA工具和JAVA基础的类库。 JRE(Java Runtime Environment,Java运行环境),运行JAVA程序所必须的环境的集合,包含JVM标准实现及Java核心类库.它包括...

张成的博客2017-2020 979
上一篇: javaWeb编程——tomcat服务器的下载与环境配置
下一篇: Java编程——数据的存储以及IO流的概述
-今非昔比°
博客等级 码龄5年 213粉丝 83原创
评论
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

打赏作者

-今非昔比°

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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