SpringBoot常用注解及其作用

本文详细介绍了SpringBoot中常用的注解,包括@SpringBootApplication、@EnableAutoConfiguration等,并阐述了这些注解的作用与应用场景。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

springboot中的常用注解有:

1、@SpringBootApplication

这个注解是Spring Boot最核心的注解,用在 Spring Boot的主类上,标识这是一个 Spring Boot 应用,用来开启 Spring Boot 的各项能力。实际上这个注解是@Configuration,@EnableAutoConfiguration,@ComponentScan三个注解的组合。由于这些注解一般都是一起使用,所以Spring Boot提供了一个统一的注解@SpringBootApplication。

2、@EnableAutoConfiguration

允许 Spring Boot 自动配置注解,开启这个注解之后,Spring Boot 就能根据当前类路径下的包或者类来配置 Spring Bean。

如:当前类路径下有 Mybatis 这个 JAR 包,MybatisAutoConfiguration 注解就能根据相关参数来配置 Mybatis 的各个 Spring Bean。

@EnableAutoConfiguration实现的关键在于引入了AutoConfigurationImportSelector,其核心逻辑为selectImports方法,逻辑大致如下:

 ● 从配置文件META-INF/spring.factories加载所有可能用到的自动配置类;

 ● 去重,并将exclude和excludeName属性携带的类排除;

 ● 过滤,将满足条件(@Conditional)的自动配置类返回;

3、@Configuration

用于定义配置类,指出该类是 Bean 配置的信息源,相当于传统的xml配置文件,一般加在主类上。如果有些第三方库需要用到xml文件,建议仍然通过@Configuration类作为项目的配置主类——可以使用@ImportResource注解加载xml配置文件。

4、@ComponentScan

组件扫描。让spring Boot扫描到Configuration类并把它加入到程序上下文。

@ComponentScan注解默认就会装配标识了@Controller,@Service,@Repository,@Component注解的类到spring容器中。

5、@Repository

用于标注数据访问组件,即DAO组件。

使用@Repository注解可以确保DAO或者repositories提供异常转译,这个注解修饰的DAO或者repositories类会被ComponetScan发现并配置,同时也不需要为它们提供XML配置项。

6、@Service

一般用于修饰service层的组件

7、@RestController

用于标注控制层组件(如struts中的action),表示这是个控制器bean,并且是将函数的返回值直 接填入HTTP响应体中,是REST风格的控制器;它是@Controller和@ResponseBody的合集。

8、@ResponseBody

表示该方法的返回结果直接写入HTTP response body中

一般在异步获取数据时使用,在使用@RequestMapping后,返回值通常解析为跳转路径,加上@responsebody后返回结果不会被解析为跳转路径,而是直接写入HTTP response body中。比如异步获取json数据,加上@responsebody后,会直接返回json数据。

9、@Component

泛指组件,当组件不好归类的时候,我们可以使用这个注解进行标注。

10、@Bean

相当于XML中的,放在方法的上面,而不是类,意思是产生一个bean,并交给spring管理。

11、@AutoWired

byType方式。把配置好的Bean拿来用,完成属性、方法的组装,它可以对类成员变量、方法及构造函数进行标注,完成自动装配的工作。

当加上(required=false)时,就算找不到bean也不报错。

12、@Qualifier

当有多个同一类型的Bean时,可以用@Qualifier("name")来指定。与@Autowired配合使用

13、@Resource(name="name",type="type")

没有括号内内容的话,默认byName。与@Autowired干类似的事。

14、@RequestMapping

RequestMapping是一个用来处理请求地址映射的注解;提供路由信息,负责URL到Controller中的具体函数的映射,可用于类或方法上。用于类上,表示类中的所有响应请求的方法都是以该地址作为父路径。

15、@RequestParam

用在方法的参数前面。例:

@RequestParam String a =request.getParameter("a")。

16、@PathVariable

路径变量。参数与大括号里的名字一样要相同。例:

RequestMapping("user/get/mac/{macAddress}")

public String getByMacAddress(@PathVariable String macAddress){

  //do something;

}

17、@Profiles

Spring Profiles提供了一种隔离应用程序配置的方式,并让这些配置只能在特定的环境下生效。

任何@Component或@Configuration都能被@Profile标记,从而限制加载它的时机。

@Configuration

@Profile("prod")

public class ProductionConfiguration {

// ...

}

18、@ConfigurationProperties

Spring Boot可使用注解的方式将自定义的properties文件映射到实体bean中,比如config.properties文件。

@Data

@ConfigurationProperties("rocketmq.consumer")

public class RocketMQConsumerProperties extends RocketMQProperties {

private boolean enabled = true;

private String consumerGroup;

private MessageModel messageModel = MessageModel.CLUSTERING;

private ConsumeFromWhere consumeFromWhere = ConsumeFromWhere.CONSUME_FROM_LAST_OFFSET;

private int consumeThreadMin = 20;

private int consumeThreadMax = 64;

private int consumeConcurrentlyMaxSpan = 2000;

private int pullThresholdForQueue = 1000;

private int pullInterval = 0;

private int consumeMessageBatchMaxSize = 1;

private int pullBatchSize = 32;

}
 

### SVD 奇异值分解 示例 详解 #### 理论基础 SVD(奇异值分解)是一种强大的线性代数技术,能够将任意大小的矩阵 \( A \) 分解成三个特殊形式的矩阵相乘的形式。具体来说,对于一个 \( m \times n \) 的矩阵 \( A \),可以表示为: \[ A = U\Sigma V^T \] 其中: - \( U \) 是一个 \( m \times m \) 正交矩阵, - \( Σ \) 是一个 \( m \times n \) 对角矩阵,其对角线上是非负实数值,称为奇异值, - \( V \) 是一个 \( n \times n \) 正交矩阵。 这种分解方式不仅有助于理解原始数据结构,而且在多个领域有着重要应用[^1]。 #### Python实现过程 下面是一个简单的Python代码示例,展示如何利用NumPy库执行SVD操作并解释各个组成部分的意义。 ```python import numpy as np # 创建一个随机矩阵作为例子 np.random.seed(0) matrix_A = np.random.rand(4, 3) print("Original Matrix:") print(matrix_A) # 执行SVD分解 U, sigma_values, VT = np.linalg.svd(matrix_A) # 将sigma转换为完整的Sigma矩阵 Sigma = np.zeros((matrix_A.shape[0], matrix_A.shape[1])) for i in range(min(matrix_A.shape)): Sigma[i][i] = sigma_values[i] print("\nMatrix U (Orthogonal):") print(U) print("\nDiagonal Matrix of Singular Values (Σ):") print(Sigma) print("\nTranspose of Matrix V (V.T):") print(VT) # 验证重构后的近似原矩阵 reconstructed_matrix = U @ Sigma @ VT print("\nReconstructed Approximation of Original Matrix:") print(reconstructed_matrix) ``` 此段程序首先定义了一个\( 4\times3 \)尺寸的随机浮点数组合而成的测试矩阵 `matrix_A` 。接着调用了 NumPy 库中的 svd 函数来进行奇异值分解,并分别获取到了左正交矩阵 \( U \), 中间带状分布着奇异值的矩形对角阵 \( Σ \)(这里为了方便显示将其扩展成了全零填充的大方阵),以及右正交矩阵 \( V^T \)[^3]。 最后一步则是通过这三个分量重新构建出了接近初始输入的数据表征——尽管由于计算精度损失等因素影响,两者之间可能存在细微差异。 #### 图像压缩实例 考虑到SVD的应用之一是在保持图像质量的同时减少存储空间需求方面表现出色。可以通过只保留前几个最大的奇异值及其对应的方向来达到这一目的。这样做会使得重建出来的图片虽然细节有所丢失但是整体轮廓依然清晰可见[^2]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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