C# 代码重构的几个典型案例

.NET 专栏收录该内容
¥59.90 ¥99.00
84篇文章

在软件开发过程中,代码重构是一项非常重要的任务。通过重构,我们可以改进代码的可读性、可维护性和性能,从而提高软件系统的质量。本文将介绍几个常见的C#代码重构案例,并提供相应的源代码示例。

  1. 提取方法(Extract Method)

当一个方法变得过于复杂或者过长时,我们可以考虑将其中的一部分代码提取成一个独立的方法。这样做可以增加代码的可读性,并且使得代码更易于重用。下面是一个需要提取方法的示例:

public void CalculateTotalPrice(List<Product> products)
{
   
   
    
C#项目重构实战:命名空间与文件夹同步修改的完整指南 本文提供了一份完整的C#项目重构实战指南,重点解决重命名后常见的“找不到类型或命名空间”问题。文章详细阐述了从解决方案名、项目名到命名空间和文件夹名称的同步修改流程,并强调了备份、使用重构工具以及手动编辑.sln文件等关键步骤,帮助开发者安全、彻底地完成项目结构重塑。 阅读详情

相关推荐

C# WinForm三层架构与MDI窗体重构实战:告别代码乱麻

在桌面应用开发中,界面与业务逻辑纠缠不清是导致代码难以维护的常见痛点。分层架构通过将系统划分为表示层、业务逻辑层和数据访问层,明确各层职责与依赖方向,从根本上降低耦合、提升扩展性。这种设计理念尤其适合传统管理类系统,无论是团队协作还是后期迭代,都能显著减少“改一处动全身”的风险。MDI窗体则为主界面提供统一容器,解决多窗口管理混乱的问题,配合权限动态生成,让系统整体更加规范。以C# WinForm项目为例,从零散的按钮事件和重复的数据库访问代码出发,逐步重构为清晰的三层结构,并辅以MDI窗体统一管理,是众多

weixin_29973493的博客 235

C#三层架构+MDI窗体实战:告别面条代码,重构WinForm项目

在桌面应用开发中,架构设计往往决定项目的长期可维护性。当WinForm项目随着业务增长而变得难以维护时,分层架构是一种被广泛验证的解决方案。C#三层架构将界面、业务逻辑与数据访问分离,通过职责边界降低模块耦合;而MDI窗体则为主界面提供统一的多文档导航容器,二者结合能够有效应对窗体数量多、业务逻辑复杂的场景。理解UI层、BLL层、DAL层的协作原理,掌握MDI子窗体的管理与通信机制,是提升WinForm工程化能力的关键。本文以实际项目为例,拆解三层架构的落地步骤与MDI窗体的设计要点,帮助开发者重构混乱的桌

weixin_29254673的博客 163

Godot游戏开发:GDScript转C#重构实战与字幕系统优化

在游戏开发中,脚本语言的选择直接影响项目的性能、可维护性和团队协作效率。动态类型语言如GDScript以其快速原型开发能力著称,但在处理复杂逻辑或追求极致性能时,其运行时类型检查和解释执行的特性可能成为瓶颈。静态类型语言如C#通过编译时类型检查提供了更强的类型安全,能有效避免因拼写错误导致的运行时异常,同时编译为IL后由.NET运行时执行,在纯计算密集型操作中通常具备更优的性能表现。这种类型安全与性能优势在需要高频更新、大型资源管理或与成熟生态集成的场景中尤为突出,例如游戏中的本地化与字幕系统。本文以God

weixin_34290096的博客 357

AGV调度系统开发实战:如何用C#重构一个高性能版本?

本文分享了将AGV调度系统从Java重构为C#高性能版本的实战经验。针对原系统寻路慢、内存占用高、并发控制混乱等瓶颈,通过采用C#的Actor模型、分层路径搜索、二进制通信协议及Span<T>、ValueTask等特性,实现了吞吐量提升3倍、响应时间降至毫秒级的显著优化。

weixin_29071809的博客 410

Switch-Case重构指南:替代方案、语言写法与实战案例

在软件开发中,分支逻辑无处不在,而switch-case作为最直观的分支写法,在业务复杂度上升后往往演变为难以维护的代码坏味道。分支数量增长导致信息被摊平,改动时牵一发动全身,测试成本也随之飙升。针对这一问题,业界形成了多态替代、映射表分发、策略模式与工厂组合等主流方案,同时各语言也在语法层面不断演进,如Java的switch表达式、C#的属性模式、Python的match-case等,让传统分支写法焕发新生。通过一个外卖订单状态机的完整重构案例,可以看到从嵌套switch到注册表加处理器结构的改造过程,不

weixin_32932149的博客 339

从生产者消费者到任务协调:手把手用C# ManualResetEventSlim重构你的多线程代码

本文深入探讨了如何使用C#的ManualResetEventSlim优化多线程编程,特别针对生产者-消费者模式和多阶段任务流水线。通过对比传统同步机制的不足,详细介绍了ManualResetEventSlim的核心机制、性能优势及实际应用场景,帮助开发者编写更高效、更易维护的多线程代码。

weixin_33364627的博客 318

从一次代码重构说起:我是如何用C# virtual方法,让老项目支持新需求的

本文通过一个电商支付模块的案例,详细介绍了如何利用C#的virtual方法实现老项目的零侵入式扩展。面对新增微信支付需求,通过virtual方法+override策略,在保持原有功能稳定的同时,实现了灵活扩展,为类似场景提供了可复用的解决方案。

weixin_42557830的博客 251

告别代码“坏味道”——C#项目中的优雅重构之道

代码异味(Code Smell),也被称为问题代码或设计缺陷,是指那些虽然不会导致编译错误但确实存在问题的代码特征。它们可能是由于不良的设计决策、过度复杂的逻辑或是缺乏适当的抽象造成的。尽管这类代码仍然可以正常工作,但它们往往暗示着更深层次的问题,并且增加了后续开发和维护的成本。长方法:如果一个方法包含了过多的行数或者执行过多的任务,则被认为是长方法。这通常意味着该方法承担了过多的责任,应该考虑将其拆分为多个小函数。大类:当一个类包含了太多的方法和属性时,它就变成了所谓的“上帝类”。

墨夶的博客 919

别再写 “垃圾代码”!C# 上位机工业级规范:代码重构 + 模块化设计实战案例

/ 1. 通信层接口(适配串口/Modbus/OPC UA)// 2. 解析层接口(适配自定义协议/Modbus)// 3. 业务规则层接口(适配超温/低转速等规则)// 从配置加载规则// 执行规则// 4. 标准化数据实体(所有模块统一交互)set;set;} = new();set;set;} = true;工业级上位机的代码,从来不是“写得快”,而是“跑得稳、改得易、查得清”。

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。 712

C#的“分身有术“:用partial类重构代码,让团队协作“丝滑如初“!

摘要:文章介绍了partial类在C#开发中的价值,通过真实案例展示如何将5000行的"代码地狱"类拆分为多个partial类文件。partial类不仅能按功能模块拆分代码(如基本信息、权限管理、数据操作等),还能实现团队协作无冲突(前端、后端各司其职)。关键优势在于:1)提升代码可维护性,通过职责分离降低复杂度;2)增强团队协作,不同开发者可同时修改同一类的不同部分。实践表明,该方法能减少90%代码冲突,显著提升开发效率。(150字)

墨夶的博客 854

C#架构炼狱:从.NET 1.0到.NET 8的地狱级代码审查——用IL反编译+依赖倒置重构“架构炼金术”

在软件开发的漫长进化过程中,.NET平台始终在不断突破自我,而伴随而来的则是代码架构的日益复杂与演变。本文以“架构炼金术”为题,从.NET 1.0时代的粗糙起步,到.NET 8的高度模块化探索,带您走进一场基于IL反编译和依赖倒置原则的代码审查之旅,揭示如何将混乱代码炼成金子般的架构奇迹citeMartinCleanArchitecture2017。

Sapphire521的博客 127

设计模式与重构经典(C#)

设计模式与重构经典,其中包括了本人平时收集的一些关于C#的设计模式和重构的资料,以及一个PDF格式的《戏说面向对象编程》,真的很经典~~~~~

代码重构 (C# & ASP.NET) 英文原版

代码重构 (C# & ASP.NET) 英文原版 && 源代码

C#代码重构31法

C#重构汇总 1.封装集合2.移动方法3.提升方法4.降低方法5.提升字段6.降低字段7.重命名(方法,类,参数)8.使用委派代替继承9.提取接口10.提取方法11.使用策略类12.分解依赖13.提取方法对象14.分离职责15.移除重复内容16.封装条件17.提取父类18.使用条件判断代替异常19.提取工厂类20.提取子类21.合并继承22.分解方法23.引入参数对象24.分解复杂判断25.引入契约式设计26.避免双重否定27.去除上帝类28.为布尔方法命名29.去除中间人对象30.尽快返回31.使用多态代替条件判断

别再魔改LWIP了!用STM32CubeMX配置F407的TCP保活(KeepAlive)与自动重连

本文详细介绍了如何通过STM32CubeMX配置STM32F407的LWIP协议栈,实现TCP保活(KeepAlive)与自动重连功能,解决网络异常断开问题。文章提供了从基础环境配置到自动重连架构设计的完整指南,帮助开发者构建高可靠的网络连接机制,适用于工业物联网和嵌入式设备开发。

weixin_27038245的博客 239

告别USB转接:在STM32探索板上用SPI跑通ESP-Hosted,实现Wi-Fi/BLE连接

本文详细介绍了如何在STM32F469I-DISCO开发板上通过SPI接口实现ESP-Hosted方案,为嵌入式设备添加Wi-Fi和蓝牙连接功能。通过硬件配置、协议栈优化和性能测试,展示了这一创新方案的成本效益和开发效率,特别适合资源受限但需要稳定无线连接的嵌入式应用场景。

weixin_34046298的博客 254

LayaBox CommandBuffer描边使用详细

项目需要使用LayaBox做一个给3D物体动态描边的一个功能,前前后后踩了一些坑算是把这个东西给做出来了把我改好的代码贴上,分享给大家。 (1)想要使用描边你的引擎版本必须 >=2.9.0 (2)你必须下载 Laya官方的BlurShader库才能使用这个功能,下载地址:https://github.com/layabox/layaair-demo/tree/master/h5/3d/ts/LayaAir3D_PostProcess/BlurShader 下载完之后把BlurShader放到自己项目的

小智队长 1736

转录组数据提取技巧汇总

数据整理是数据分析的前提,而数据的正确提取则是数据整理的前提。

zfyyzhys的博客 1784

基于STM32的多模态智能风扇控制系统设计与实现

本文详细介绍了基于STM32单片机的多模态智能风扇控制系统的设计与实现。系统集成了红外遥控、蓝牙手机控制及人体感应等多模态交互方式,通过PWM技术实现无级调速,并设计了安全优先的控制逻辑。文章从硬件选型、核心原理、软件编程到系统调试,提供了完整的实战指南,适合嵌入式开发爱好者学习与实践。

weixin_28285943的博客 238

Microsemi Libero使用技巧11——CoreUARTAPB RX管脚分配时不显示

调用串口IP核CoreUARTAPB,并例化到顶层设计,发现UART_RX管脚在进行管脚分配时没有显示出来,最后发现是CoreAPB3总线IP核配置不对导致,改为如下配置后正常。

whik1194的博客 759

045、镜头模组公差链分析:从 Lens 到 Sensor 的装配公差累积与良率优化

本文深入分析了镜头模组从镜片到传感器各环节的公差累积问题及优化策略。文章首先剖析了四级公差链(镜片单体、镜筒装配、VCM定位、传感器贴装)的误差传递机制,指出各环节典型公差值及其影响(如5微米镜片偏差可导致0.02度光线偏折)。其次对比了最坏情况法与均方根法的差异,强调需考虑公差相关性(如镜片曲率与镜筒间隙的正相关性)。最后提出良率优化"三板斧":通过蒙特卡洛仿真优化公差分配、采用主动对准工艺在线补偿、建立数据反馈闭环系统,并结合"阴阳脸"案例说明如何定位根因(模具磨损+贴片机老化导致的误差叠加)。作者总结

sundong_81的博客 59

【Windows Server 2019】企业虚拟专用网络服务的配置和管理(上)

博文介绍了部署企业虚拟专用网的定义,目的,以及好处。同时说明了实验拓扑图以及虚拟专用网络的工作原理。

VMware, Windows, Linux, Cisco, Container, Kubernetes, Kali 1万+

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

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")

上一篇: .NET供应链WEB网站CPU过高事故分析
下一篇: 使用.NET开发公众号接口的Supabase集成
普通网友
博客等级 码龄3年 28粉丝 157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  | 博主筛选后可见
 
 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