【JAVA基础】面向对象基础(上)

4D毫米波雷达点云可视化实战:从CANFD原始数据到Matplotlib三维动态图 本文详细介绍了4D毫米波雷达点云可视化实战,从CANFD原始数据解析到Matplotlib三维动态图实现的全流程。通过解析CANFD数据帧结构、点云数据编码原理,并结合Python实现CANFD通信接口,帮助开发者掌握4D雷达数据处理与优化技巧,最终实现高性能的3D点云动态可视化。 阅读详情

📃个人主页:个人主页

🔥系列专栏:JAVASE基础

 ​前言:

面向对象介绍

并不是一个技术,而是一种编程指导思想。 把现实世界的具体事物全部看成一个一个的对象来解决问题。

为什么要用面向对象编程

生活中我们解决问题就是按照对象化的方式进行的。如果程序也能够按照生活的中的方式来解

决问题,那么程序就更符合人类的思维习惯,代码看起来会更易理解、更简单。

面向对象编程的指导思想、优点小结:

  • 在程序中也把现实世界的具体事物全部看成一个一个的对象来解决问题。
  • 按照面向对象编程来设计程序:程序代码符合人类思维习惯,更易理解、更简单。

目录

一、设计对象并使用

1.定义类,创建对象并使用

2.定义类的补充注意事项

二、对象内存图

1.多个对象的内存图

2.两个变量指向同一个对象内存图

3.垃圾回收

三、面向对象编程案例

购车系统模拟


一、设计对象并使用

1.定义类,创建对象并使用

在Java中,必须先设计类,才能获得对象。

类(设计图):是对象共同特征的描述; 对象:是真实存在的具体实例。

如何定义类

public class 类名 {

1、成员变量(代表属性,一般是名词)

2、成员方法(代表行为,一般是动词)
3、构造器 (后面学习)
4、代码块 (后面学习)
5、内部类 (后面学习)}

public class Car { }
String name;
double price;
// 属性 (成员变量)
// 行为(方法)
public void start(){
}
public void run(){
}

如何得到类的对象

类名 对象名 = new 类名();

Car c = new Car();

如何使用对象

  • 访问属性: 对象名.成员变量
  • 访问行为: 对象名.方法名(…)

​

2.定义类的补充注意事项

  • 成员变量的完整定义格式是:修饰符 数据类型 变量名称 = 初始化值; 一般无需指定初始化值,存在默认值。
  • 类名首字母建议大写,且有意义,满足“驼峰模式”。
  •  一个Java文件中可以定义多个class类,且只能一个类是public修饰,而且public修饰的类名必须成为代码文件名。 实际开发中建议还是一个文件定义一个class类。

对象的成员变量的默认值规则

数据类型明细默认值
基本类型byte、short、char、int、long0
float、double0.0
booleanfalse
引用类型类、接口、数组、Stringnull

二、对象内存图

1.多个对象的内存图

1.对象放在哪个位置?

堆内存中

2. Car c = new Car(); c变量名中存储的是什么?

存储的是对象在堆内存中的地址。

3. 成员变量(name、price)的数据放在哪里,存在于哪个位置?

对象中,存在于堆内存中。

2.两个变量指向同一个对象内存图

public class base {
    public static void main(String[] args) {

        Student s1 = new Student();
        s1.name = "小明";
        s1.sex = '男';
        s1.hobby = "游戏、睡觉、听课";
        s1.study();
        System.out.println("-------------------");
// 把学生类型的s1变量赋值给学生类型的s2变量
        Student s2 = s1;
        s2.hobby = "爱提问";
        System.out.println(s2.name);
        System.out.println(s2.sex);
        System.out.println(s1.hobby);
        s2.study();
        System.out.println("-------------------");
        s1.study();
    }

}

由此可见:

s2.hobby = "爱提问"; 改变了堆内存的值,导致:
s1.study();和第一次输出的不一样

3.垃圾回收

  • 注意:当堆内存中的类对象或数组对象,没有被任何变量引用(指向)时,就会被判定为内存中的“垃圾”。
  • Java存在自动垃圾回收器,会定期进行清理。

三、面向对象编程案例

购车系统模拟

需求
模拟购物车模块的功能,需要实现添加商品到购物车中去,同时需要提供修改商品的购买数量,结算商品价格功能(请使用面向对象编程来解决)


分析

  • 购物车中的每个商品都是一个对象,需要定义一个商品类。
  • 购物车本身也是一个对象:可以使用数组对象代表它。
  • 完成界面架构,让用户选择操作的功能。

商品类

public class Goods {
    int id;
    String name;
    double price;
    int  buyNumber;
}

import java.util.Scanner;

public class base {
    public static void main(String[] args) {
        Goods[] goods=new Goods[100];
        Scanner scanner = new Scanner(System.in);


        while (true) {
            System.out.println("请输入你的操作:add(添加商品) query(查询购物车) update(修改购物车) pay(支付)");
            System.out.println("-----------------------------------");
            String command = scanner.next();

            switch (command){
                case "add":
                    //添加
                    add(goods,scanner);
                    break;
                case "query":
                    //查询
                    query(goods,scanner);
                    break;
                case "update":
                    //修改
                    update(goods,scanner);
                    break;
                case "pay":
                    //支付
                    pay(goods,scanner);
                    break;
                default:
                    System.out.println("你输入的命令有误");
                    break;


            }
        }


    }

    private static void pay(Goods[] goods, Scanner scanner) {
        double money=0;

        for (int i = 0; i < goods.length; i++) {
            Goods g = goods[i];
            if (g!=null){
                money+=(g.price*g.buyNumber);
            }
            else break;


        }
        System.out.println("购物车商品价格为:"+money);

    }

    private static void update(Goods[] goods, Scanner scanner) {
        System.out.println("请输入要修改的商品编号");
        int id = scanner.nextInt();
        Goods date = getupdate(goods, id);
        if (date==null){
            System.out.println("没有找到改商品");
        }else {
            System.out.println(date.name+"修改后的数量:");
            date.buyNumber=scanner.nextInt();
            System.out.println("修改成功");
            query(goods,scanner);
        }


    }


    private static Goods getupdate(Goods[] goods,int id){
        for (int i = 0; i < goods.length; i++) {
            Goods g=goods[i];
            if (g!=null){
                if (g.id==id){
                    return g;
                }
            }
            return null;

        }
        return null;

    }



    private static void query(Goods[] goods, Scanner scanner) {
        System.out.println("-----------------------------------");
        System.out.println("编号\t\t名称\t\t价格\t\t数量");
        for (int i = 0; i < goods.length; i++) {
            Goods g=goods[i];
            if (g!=null){
                System.out.print(g.id+"\t\t");
                System.out.print(g.name+"\t\t");
                System.out.print(g.price+"\t\t");
                System.out.println(g.buyNumber+"\t\t");
            }else {
                break;
            }


        }

    }

    private static void add(Goods[] goods, Scanner scanner) {
        Goods g = new Goods();
        System.out.println("侵害输入商品的编号");
        g.id=scanner.nextInt();
        System.out.println("请输入商品的名称");
        g.name=scanner.next();
        System.out.println("请输入商品的价格");
        g.price=scanner.nextDouble();
        System.out.println("请输入商品的数量");
        g.buyNumber=scanner.nextInt();


        for (int i = 0; i < goods.length; i++) {
           if (goods[i]==null){
               goods[i]=g;
               System.out.println(g.name + "添加成功");
               break;
           }

        }


    }

}

【SABRE 3D, SABRE 3DxT,LAM设备】2025年9月13日-安全配置-准备工作 请遵循本规程将SABRE 3D/3DxT/3D Scimitar系统设置为安全配置,以便能够在电镀单元、APT模块、XMM(或SRD)模块、工厂接口(FI)外壳或中央通道内部及周边区域执行作业p104-p117。在生产过程中暂停调度程序存在一定风险:若待维护模块未离线且在其他模块完成处理前重启调度程序,可能对生产晶圆造成影响。维护人员需特别注意电镀模块内的晶圆状态,并尽可能快速地恢复调度程序。确认待维护模块内无晶圆滞留暂停调度程序并将相应模块设置为离线状态打开模块检修门并关闭安全盖板(槽位) 阅读详情

相关推荐

激光定位算法竞技场:hdl_localization与Cartographer/AMCL的横向技术解剖

本文深入对比了hdl_localization、Cartographer和AMCL三种激光定位算法的技术原理与性能表现。通过UKF-NDT融合、图优化和粒子滤波等核心技术,分析了各算法在结构化环境、动态环境和大尺度场景下的适应性。实验数据表明,Cartographer在全局一致性上表现最优,而AMCL在动态环境中更具鲁棒性。文章还提供了算法选型指南和参数调优技巧,为工程实践提供参考。

weixin_29062865的博客 365

超市管理系统

题目描述: /* * 超市购物 功能:超市可以进货和销售商品,消费者可以购买超市的商品。 要求:1、商品(名称、单价、数量),超市(名称、商品),消费者(姓名) 2、消费者在超市购买商品,如果该商品存在,显示***消费者在***超市购买了***商品***个, 单价***,金额***元;如果该商品不存在,则显示没买到。 3、不允许有static变量和方法 4、如果用scanner 的话,只能在main用 5、类中方法只能返回值,不允许有sys...

weixin_52230907的博客 520

Zynq7000双核裸机开发实战:如何安全实现共享内存与乒乓RAM设计

本文深入探讨了Zynq7000双核裸机开发中的共享内存与乒乓RAM设计,重点解析了核间通信的Cache一致性处理机制和硬件级实现方案。通过实战代码示例和性能优化技巧,帮助开发者解决双核运行中的访问冲突问题,提升嵌入式系统开发效率。

weixin_29191669的博客 375

Java基础面试题

Java基础 必知必会面试题 Java基础,面向对象,String,IO 其他内容面试题文章中有链接... 持续更新中...

weixin_46030002的博客 4159

Playwright Java环境配置避坑指南:浏览器路径、类加载与离线部署

Playwright作为现代端到端测试框架,其Java SDK突破了传统Selenium的Driver管理模式,将Chromium/Firefox/WebKit内核视为可编程运行时资源。其核心原理在于SDK与浏览器二进制分离——Maven仅管理Java字节码,而浏览器需独立下载、校验与沙箱加载。这一设计带来显著技术价值:跨平台一致性、进程隔离安全性及多浏览器并行能力;典型应用场景涵盖Spring Boot集成测试、金融级离线CI/CD、Kubernetes容器化部署及Air-Gapped封闭环境。然而,因J

weixin_32956805的博客 675

避坑指南:GROMACS模拟中.tpr、.xtc、.edr、.cpt文件你用对了吗?从生成到分析全流程解析

本文详细解析GROMACS分子动力学模拟中.tpr、.xtc、.edr、.cpt等核心文件的使用技巧,从文件生成到轨迹优化、能量分析的全流程避坑指南。重点介绍拓扑文件校验、轨迹格式选择、周期性边界处理等实战经验,帮助科研人员高效管理模拟数据并准确提取关键能量信息。

weixin_30631587的博客 118

Java SE基础知识详解第[5]期—面向对象

Java SE基础知识详解第[5]期—面向对象

zhuafeng222的博客 800

pwscf与wannier90 Hands-On实战训练(一)——费米面计算为例

系列文章目录 Quantum Espresso Hands-On实战训练(三)——DOS计算 文章目录系列文章目录计算过程pwscf直接得到等能面pwscf和wannier90得到等能面pwscf直接得到等能面1. scf2. nscf3. 后处理pwscf和wannier90得到等能面1. Kpoints2. scf3. nscf4. pw2wan及wannier90.x5. XCrySDen可视化 计算过程 pwscf直接得到等能面 pwscf和wannier90得到等能面 pwscf直接得到等能面

weixin_45973682的博客 5070

【JAVA基础】重新系统学习Java(六)面向对象

系统学习Java中的面向对象,如何设计使用对象,构造器是什么,如何进行封装

m0_64501863的博客 341

【Unity URP渲染管线下Shader的自定义物体半透明和投影半透明效果_半透明案例分享】

Unity Shader Graph URP渲染管线下的自定义半透明效果_半透明案例分享

暴走约伯的博客 3294

【RT-DETR涨点改进】全网独家首发、特征融合改进篇 | AAAI 2026 | 引入CDEM交叉动态增强模块,双向引导和融合,在低光图像增强中有效提升了图像的亮度,提升小目标和暗目标的检测准确率

本文提出了一种基于CDEM(交叉动态增强模块)改进的rtdetr网络模型,有效提升了在低光和复杂环境下的目标检测性能。CDEM模块通过动态增强亮度与色彩特征,改善图像输入质量,增强细节和对比度。该模块具有轻量级结构,易于集成到现有模型中,能够显著提升小目标和暗目标的检测准确率与鲁棒性。文章详细介绍了CDEM模块的结构原理、实现方法,并提供了完整的代码实现和配置指南,包括三种改进版本的YAML配置文件。实验结果表明,该方法在图像增强和目标检测任务中均取得了优异性能。

Ai缝合怪、助力小伙伴高效发论文 143

Java数组——两个数组变量指向同一个对象

数组常见问题 数组索引越界异常 ‘ArrayIndexOutOfBoundsException’ 检查所访问的数组对象是否超出了数组,或者不存在 空指针异常 ‘NullPointerException’ 及时检查数组变量名是否被赋予了空值null,否则访问时会报错 两个数组变量指向同一个对象 代码示例 package com.juyi.array; public class array_two { public static void main(String[] args) {

最难不过坚持 952

FastGPT智能体开发:FastGPT OpenAPI 知识库接口

FastGPT OpenAPI 知识库接口

王国平的博客 323

Java基础篇面向对象作业—01

Java基础篇面向对象作业—01 问题一:什么是面向对象? 面向对象是一种编程思维,是相对于传统的面向过程的思维来讲的; 传统的面向过程强调的是解决问题的具体步骤,具体方法,编程思路是自顶向下,不断分解地解决问题。 面向对象更加强调解决问题的主体,谁来解决问题,创建可以解决问题的对象,来操作数据,面向对象的编程思路是自底向上,不断拼接; 面向对象的好处有很多,比如面向对象更符合人类的思维模...

Steven_YE 239

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

JAVA基础之面向对象

面向过程POP(ProcedureOrientedProgramming),是一种基本的编程思想,在面对一个需要解决的问题时,将问题按流程逐步实现,注重执行的细节。用于修饰类和方法,表示抽象的。修饰方法,该方法称为抽象方法,没有方法体,同时该方法所在类一定也要使用abstract修饰成为抽象类。抽象方法只能出现在抽象类中,不能出现在普通类中。抽象类中可以没有抽象方法抽象类中有构造方法,但该构造方法不能使用new调用,所以抽象类不能创建对象抽象类中的构造方法,在创建其子类对象时自动调用。...

Yc_Lq的博客 856

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面向对象基础

一、前言 我们上次学过java的方法,现在我们来学习新的一篇,也算是java中比较重要的一节了 面向对象基础是java中核心。 面向对象主要包括封装、继承、多态 我们这节主要讲的是封装,在这之前我们先来了解一下类和对象的定义和关系 什么是对象? 世间一切都是对象,万物解释对象,对象就是看得见摸得着的东西。 什么是类? 类是现实生活中对具有属性和行为同一类的总称。 类和对象的关系? 类是对象的抽象化,对象是类的实例化 类的定义 ? 类是java中的基本概念,java中

weixin_60719453的博客 9327

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Java基础与面向对象

Java基础和面向对象基础

qq_74078496的博客 1169

Java基础篇面向对象总结

"理解万事万物皆对象" 基本类型和引用类型 匿名对象的使用 方法重载loading.... 方法重写 方法重载与方法重写的区别: 可变个数的形参 递归地使用 封装和隐藏 四种权限修饰符 继承 多态 属性 方法 构造器 代码块 内部类(了解) this关键字 package关键字 import关键字 super关键字 instanceof关键字 static关键字 abstract关键字 Interface关键字 equals() toString()方法 单例模式

weixin_44606952的博客 5232

【Java】Java基础+面向对象

复习

Answer的博客 767

Java基础 —— 面向对象

java基础之面向对象

小熊的学习记录 1021

Java基础语法到面向对象详解

本文是一篇Java入门学习笔记,从java基础语法过度到面向对象三大特性等进阶详解

冬眠猫的博客 7946

java面向对象基础

首先每一部电影,都包含这部电影的相关信息,比如:电影的编号(id)、电影的名称(name)、电影的价格(price)、电影的分数(score)、电影的导演(director)、电影的主演(actor)、电影的简介(info)。为了去描述每一部电影,有哪些信息,我们可以设计一个电影类(Movie),电影类仅仅只是为了封装电影的信息,所以按照JavaBean类的标准写法来写就行。

是程序喵呀 1847

Java面向对象基础小练习。

    最后回顾一遍面向对象基础部分,后面就开始慢慢进阶了。    所有题目均来自:https://www.jianshu.com/p/886252693889    在练习中,有意识的规范代码格式,发现新东西,这才是练习的目的。    原帖中源代码就不贴上来了,贴上的的均为本人所编写,类、变量命名参考原帖。    【练习题】01.类的成员变量 猜数字游戏一个类A有一个成员变量v有一个初值100。...

yaerpi的博客 2169

JAVA面向对象基础

JAVA面向对象基础 此博主写的不错 java面向对象基础–超链接

qq_43553938的博客 353

Java基础之面向对象

参考学习资源:https://www.bilibili.com/read/cv5216534/?spm_id_from=333.788.b_636f6d6d656e74.5 Java面向对象学习面向对象(Object-oriented)内容的三条主线4.1 面向过程与面向对象4.1.1学习面向对象(Object-oriented)内容的三条主线例子:“人把大象装进冰箱”4.1.2 面向对象的两个元素:一、设计类:就是设计类的成员二、类和对象的使用三、类中属性和方法的使用类中属性的使用类中方法的声明和使用练习

qq_39763002的博客 820
上一篇: 【MyBatis】搭建MyBatis
下一篇: 【MyBatis】测试 修改.删除.查询功能
热爱编程的小白白
热爱编程的小白白 新星计划导师 新星计划导师
博客等级 码龄5年 11万+粉丝 243原创
评论 46
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

热爱编程的小白白

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