java中使用Lombok 添加@Data注解后,又手动重写Setter方法问题?(已解决)

lombok的Data注解导致Set去重失效问题 背景 final Set<AbstractMetadataCard> datas = new HashSet<>(hits.length); Arrays.asList(hits).forEach(hit -> { final AllFiledMetadata data = JSONObject.parseObject(hit.getSourceAsString(), AllFiledMetadata.class); 阅读详情
AI摘要

本文通过一个测试案例展示了在Java中使用Lombok的@Data注解并手动重写setter方法时,手动重写的方法会覆盖@Data的默认行为。测试结果显示,手动创建的setter方法会在尝试设置负数时阻止赋值,从而证实了手动方法的优先级高于@Data生成的setter。

java中使用Lombok 添加@Data注解后,又手动重写Setter方法


结论:以手动重写的Setter方法为准。

测试代码:

import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;

public class LombokTest {
    public static void main(String[] args) {
    	// 初始化通过构造方法,所以可以传递负值
        Test01 test01 = new Test01(-100);
        System.out.println(test01.getTest());
        System.out.println("------------------");
        // 测试是否可以赋值负数
        test01.setTest(-10);
        System.out.println(test01.getTest());
        System.out.println("------------------");
        // 测试是否可以正常赋值
        test01.setTest(10);
        System.out.println(test01.getTest());
    }
}


@Data
@AllArgsConstructor
@NoArgsConstructor
class Test01 {
    
    private int test ;
    
    /**
     * @param test
     *
     * 自定义Setter方法,不允许set(赋值)负数
     */
    public void setTest(int test) {
    	// 判断:赋值正数才能赋值成功,以此区别 @Data的set方法
        if (test > 0 ) {
            this.test = test;
            // 如果赋值成功打印赋值成功
            System.out.println("set OK");
        }
    }
}


测试结果
在这里插入图片描述

第一个-100:通过构造器实例化的Test01对象,因此可以赋值成功负数。

第二个-100:通过set方法赋值负数-10,这里赋值失败,所以判断这里的调用的是手动创建的set方法。

第三个10:通过set方法赋值正数10,赋值成功,并且打印出set OK,进一步验证调用的是手动创建的set方法,且set方法无误。

Lombok中@Data注解的作用和使用方法 1。 . 阅读详情

相关推荐

【数电课程设计】---出租车计价器

文章目录1、任务要求2、方案3、收获 1、任务要求 2、方案 3、收获

LZY 1万+

使用lombok时可以自定义get、set方法

项目中遇到的一个问题,先把结论写在这里:         当使用lombok时,部分get、set方法需要自定义,lombok不会再生成对应的方法。所以自己写get、set方法和lombok生成的方法不冲突。   可能看到这里,对于问题以及问题的结论都看得云里雾里,那么我举个列子: 在Idea里创建两个Bean类CupA和CupB,都使用@Data注解,只是CupA的cup属性的set方法...

GitNoHup的博客 5万+

别再手动更新Excel了!用Jira看板管理你的个人项目(附保姆级配置流程)

本文详细介绍了如何利用Jira看板替代Excel进行个人项目管理,提供从注册到配置的保姆级教程。通过极简看板模式、自动化规则和数据分析功能,帮助用户实现任务可视化、协作高效化和提醒自动化,大幅提升个人工作效率。特别适合需要管理复杂个人项目的用户。

weixin_42699679的博客 229

注解:@Data和set、get

@Data注解优化代码

qq984676583的博客 2254

在 Ansys CFX Pre 中配置 RGP 表的分步指南

掌握在 Ansys CFX Pre 中设置 RGP 表的技巧,以优化仿真精度和效率。

jkh920184196的博客 1673

cocos creator接入微信登陆sdk ios篇

cocos creator接入微信登陆sdk ios篇 背景已经在Android篇里面交代过了,有兴趣的朋友可以再看看Android篇 步骤 去微信开放平台下载ios平台所需要的sdk 在“info”标签栏的“URL type“添加“URL scheme”为你所注册的应用程序id 在“info”标签栏的“LSApplicationQueriesSchemes“添加weixin 将SDK文件中...

凤小鹿的博客 6363

【java后端】@Data注解和自己写的get方法同时存在时,调用对应的get和set方法它会使用哪个?

如果同时使用自己写的get方法,然后又在这个实体添加了@Data的注解,那么在调用get方法时它会使用哪个?

chirp_CQ的博客 5470

CODESYS开发实战:EtherCAT总线伺服从站配置与运动控制

本文详细介绍了在CODESYS平台上进行EtherCAT总线伺服从站配置与运动控制的实战教程。内容涵盖从设备描述文件安装、主从站拓扑构建,到核心的伺服使能状态机编程、过程数据映射,以及最终实现点位运动控制的完整流程。文章旨在帮助开发者快速掌握基于CODESYS的EtherCAT总线伺服控制技术,提升工业自动化项目开发效率。

weixin_29281915的博客 328

Lombok链式调用,子类对象set父类属性,返回父类对象

前言 lombok相信大家都用过,没用过肯定也不会点进来,一直用着都很舒服。今但是天在码代码时,碰到了一个问题,卡了半天。问题是这样的:Lombok链式调用父类中的set属性时,返回的居然是一个父类对象,紧靠文字描述,可能比较抽象,代码如下: 子类实体 父类实体 其实就是实体间的继承,把公共的字段抽取出来,具体的实体继承。我这里的JcZyyhzh继承了BaseCompanyIdEntity,BaseCompanyIdEntity其实还继承了BaseIdEntity,因为和我们今天主题扯不上关系,就没贴出

ql_7256的博客 1万+

51单片机定时器的原理、应用与编程实现

本文系统介绍了51单片机定时器的基本原理与应用。首先阐述了定时器的工作原理,包括定时模式和计数模式的区别。然后详细讲解了定时器的四种工作模式(方式0-方式3)及其适用场景,并分析了相关寄存器(TMOD、TCON、THx/TLx)的功能设置。文章还给出了定时器编程的具体步骤,包括初始化、计数初值计算和示例代码。最后通过LED闪烁、PWM波形产生、脉冲计数等实际应用案例,展示了定时器的多样化应用。掌握这些知识对嵌入式系统开发具有重要意义。

2501_91227323的博客 1524

WPF 上位机可视化天花板:HandyControl 搭建 SCADA 系统

HandyControl 凭借「丰富的工业级控件、灵活的主题定制、优异的性能」,成为 WPF 开发 SCADA 系统的首选 UI 库。本文搭建的 SCADA 系统涵盖实时监控、设备控制、报警管理、趋势分析四大核心功能,通过 HandyControl 实现了工业级可视化效果,开发效率提升 60% 以上。控件开箱即用:无需自定义仪表盘、趋势图、指示灯等 SCADA 核心控件;可视化效果专业:工业风主题、动态颜色切换、清晰的状态呈现,契合工业场景需求;

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1127

Lombok @Data使用

lombok是一个可以通过简单的注解的形式来帮助我们简化消除一些必须有但显得很臃肿的 Java 代码的工具,简单来说,比如我们新建了一个类,然后在其中写了几个字段,然后通常情况下我们需要手动去建立getter和setter方法啊,构造函数啊之类的,lombok的作用就是为了省去我们手动创建这些代码的麻烦,它能够在我们编译源码的时候自动帮我们生成这些方法。lombok能够达到的效果就是在源码中不需要...

Alex的博客 7万+

【NodeRed】node-red-contrib-opcua实现PLC读写

在之前的博文【Node-RED】node-red-contrib-opcua-server模块使用(1)中,我们介绍了用node-red-contrib-opcua-server模块实现OPCUA服务端的,以及二次开发的内容。本节博文中我们采用官方社区自带的node-red-contrib-opcua组件开展对OPCUA客户端的介绍,详细阐述用该组件中OpcUa-Client节点实现客户端对PLC的读写,以及实现过程中遇到的问题。由于官方社区中并没有找到该组件的介绍实例,这也是本博文编写的第1个原因。

weixin_48618536的博客 961

Lombok添加类注解@Data自动在class中生成setter,getter等方法

在没有lombok之前都是手写setter,getter,后来又了IDE之后能快捷键自动生成Setter,Getter等方法, 那么现在有了lombok之后,只需添加类注解@Data,那么常用的类方法都给生成了,下面来上例子哈~~~ 环境: IDEA: JDK: 没有添加@Data的注解的类[User.java] package com.esoon.ids.mod...

爱的叹息的专栏 3371

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Lombok之@Data使用

目录一. 为什么要用@Data?二. @Data如何使用?三. @Data源码四. 特别说明 一. 为什么要用@Data? 二. @Data如何使用? 三. @Data源码 四. 特别说明 本文已经收录在Lombok注解系列文章总览中,并继承上文中所提的特别说明。 源码地址:gitee ...

cauchy6317的博客 1万+

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

用@Data注解的形式替代类中的setter、getter方法

使用Lombok插件提供@Data、@Setter、@Getter等注解来替代属性的setter、getter方法,减少代码量。

清晨-阳光的博客 7439

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")

java添加@Data注解

添加@Data注解可以不用书写 getter,setter方法, toString方法 hashCode方法 equals方法 添加步骤: 首先,设置lombok插件, 设置maven依赖,在pom.xml中添加 <dependencies> <dependency> <groupId>org.projectlombok...

阿巴卡的博客 2万+

解决 Lombok @Data 注解失效导致的 HTTP 406 错误

注解需要在编译时通过注解处理器生成对应的方法。如果希望继续使用 Lombok 简化代码,需针对性修复配置,确保。方案二:修复 Lombok 配置(保留 @Data 注解),但服务器无法返回符合要求的 JSON 响应,就会触发。注解能正常生成 getter/setter 方法。2. 手动编写 getter/setter 方法。这个插件在某些情况下是需要的,但现代项目。2. 删除冲突的 Lombok 插件配置。,它的作用是在编译阶段通过字节码增强技术。注解的实体类,在接口返回时,由于。

qq_56453652的博客 1016

@Data 注解使用 lombok插件学习总结

介绍和理解 @Data注解来源于lombom,引入后可以简化一般实体类的get, set, toString,construct(构造函数)等的书写,简洁化代码。 在编译阶段改变了class文件的生成方式,使得相关方法加入到编译后的文件中可以正常使用。但这样影响源码的可阅读性,若别人不清楚这一块的内容对一些问题的排查不仅没有帮助,反而会增加难度。 但具体使用场景随着不同的项目合适度是不同的,这个具体根据场景决定是否适用。在一些场景下反而会显得更简单。 一般的get,set,toString,构造函数,has

weixin_44131922的博客 6089

@Data注解

Data 注解的主要作用是提高代码的简洁,使用这个注解可以省去代码中大量的get()、 set()、 toString()等方法。要使用 @Data 注解要先引入lombok,lombok是什么,它是一个工具类库,可以用简单的注解形式来简化代码,提高开发效率。

西敏寺的乐章的博客 3584

Java Lombok @Data 注解用法详解

构造器生成规则和字段排除)以及何时需要定制化(使用单独的 Lombok 注解)至关重要,尤其是在处理 JPA 实体、继承或需要特定行为时。注意生成的 setter 是 public 的,有时你可能希望控制对某些字段(如关联集合)的修改,这时可能需要使用单独的。-- 根据你的JDK版本调整 -->// @Setter 生成的 (注意:id 是 final,所以没有 setId),尤其是在实体还未持久化(id 为 null)或关联被修改时。标记的字段(推荐做法,避免意外包含不相关字段导致逻辑错误)。

BillKu的博客 1651

lombok中的@Data注解及其他注解说明

在Java Bean定义的时候,需要给每个字段添加getter and setter。可是我们也经常会看到如下所示的这种非常简洁的代码: importlombok.Data; @Data publicclassUser { privateString id; privateString username; private String email; } ...

样young的博客 1万+

关于lombok的一些常见注解setter/getter/@Data报红错误的一些解决办法

lombok的作用 具体的详细作用,可以参考以下链接: https://blog.youkuaiyun.com/JinKin_OldWang/article/details/104720808 https://www.cnblogs.com/heyonggang/p/8638374.html lombok是一个帮助简化代码的工具,通过注解的形式例如@Setter @Getter,可以替代代码中的get...

JinKin_OldWang的博客 4089

Java - 【lombok】@Data注解使用

lombok → @Data注解 下载lombok官方jar包 IDEA配置lombok插件 了解lombok提供的常用注解 一:下载lombok官方jar包 → Maven仓库:https://mvnrepository.com/ 二:IDEA安装lombok插件 三:了解lombok提供的常用注解 import lombok.*; @Data @RequiredArgsConstructor // 无参构造函数 @AllArgsConstructor // 全参构造函

⚡ 1398

【Java】@Data注解 与 lombok插件

@Data 注解的主要作用是提高代码的简洁,使用这个注解可以省去代码中大量的get()、 set()、 toString()等方法; 引入lombok 要使用 @Data 注解要先引入lombok,lombok 是什么,它是一个工具类库,可以用简单的注解形式来简化代码,提高开发效率。 第一步,在maven中添加依赖: <dependency> <groupId>org.projectlombok</groupId> <artifactId&

我的笔记 1770

如何去除get,set方法。@Data注解和如何使用,lombok

主要的作用提高代码的简洁@Data去除一些重复的get,set方法,1.需要官网下载jar包https://projectlombok.org/download2运行jar包,添加到eclipse目录下点击install/update按钮,即可安装完成检查eclipse.ini文件最后是否添加了jar包3然后重启一下eclipse,4最重要的是需要在maven中引入&lt;dependency&g...

天堂地址不详 4755
上一篇: 开闭原则,什么是开闭原则?
下一篇: 关于idea2020最新版中 RestfulToolKit 插件失效的问题
折纸之泪
博客等级 码龄7年 25粉丝 72原创
评论 2
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