java基础:基本数据类型的装箱和拆箱

【Java基础知识 5】装箱和拆箱 一、什么是装箱?什么是拆箱? 在Java SE5之前,如果要生成一个数值为10的Integer对象,必须这样进行: Integer i = new Integer(10); 而在从Java SE5开始就提供了自动装箱的特性,如果要生成一个数值为10的Integer对象,只需要这样就可以了: Integer i = 10; 这个过程中会自动根据数值创建对应的 Integer对象,这就... 阅读详情

一.装箱和拆箱

在java中所有的类都是对象,但是有八种基本数据类型是例外.这八种基本数据类型 byte ,short,int,long,char,float,double,boolean 都不具备对象的特性,即不携带属性,没有方法可以调用.为了解决这个问题,javaJava为每种基本数据类型分别设计了对应的类,称之为包装类(Wrapper Classes).

基本数据类型对应的包装类
基本数据类型包装类
byteByte
shortShort
intInteger
longLong
charCharacter
floatFloat
doubleDouble
booleanBoolean

每个包装类的对象可以封装一个相应的基本类型的数据,并提供了其它一些有用的方法。而包装类对象一经创建,其属性是无法改变的,要想改变其内容,只能重新创建对象.
而其中
将基本数据类型转换为对应的包装类的过程叫装箱,
将包装类转换为对应的基本数据类型的过程叫拆箱.

自动装箱和自动拆箱

在Java1.5之前,如果要创建数值为1的Integer对象必须这样写:
Integer i = new Integer(1);

而且int类型数据与Integer类型数据不能互相赋值.

//在Java1.5之前是不允许这样做的
Integer i = 5;

两种数据之间不能相互赋值,这样导致了我们在使用过程中会有许多不方便的地方.所以在Java1.5之后,Java为我们提供了自动装箱和自动拆箱的功能.

//Java自动将int类型的''1''装箱为Integer对象
Integer i = 1;
//Java自动将Integer类型的i拆箱为int
int j = i;

装箱和拆箱是如何实现的?

在Integer源码中可以找到两个方法:static Integer valueOf(int i) 和 int intValue();

在这里插入图片描述

在这里插入图片描述

从中我们可以清晰的看出装箱和拆箱是如何实现的.
装箱过程是通过调用包装器的valueOf方法实现的,而拆箱过程是通过调用包装器的 xxxValue方法实现的.

装箱和拆箱的一些细节

	Integer a = 1;
	Integer b = 1;
	Integer c = 150;
	Integer d = 150;
	System.out.println(a==b);
	System.out.println(c==d);

类比于String类型,可能很多人都认为输出的答案都为true,但实际上答案是

true
false

为什么会这样,其实看一下valueOf的代码就知道了:

//low = -128 hight = 127
public static Integer valueOf(int i) {
        if (i >= IntegerCache.low && i <= IntegerCache.high)
            return IntegerCache.cache[i + (-IntegerCache.low)];
        return new Integer(i);
    }

可以看出,当int的值在[-128,127]之间的时候,valueOf会返回指向IntegerCache.cache中已经存在的对象的引用;否则创建一个新的Integer对象.


那么是不是所有的包装类型都会将数值相同的对象指向同一个内存空间吗?
事实上,只有Integer、Short、Byte、Character、Long这几个类的valueOf才会如此.
而Double、Float的valueOf则会为每个对象分配不同的内存空间
在这里插入图片描述

	Double a=  1.0;
	Double b = 1.0;
	System.out.println(a==b);

很明显,这段代码的输出结果为false

Python画好看的雷达图,全网开源代码最好看的 【代码】Python画好看的雷达图,全网开源代码最好看的。 阅读详情

相关推荐

Anolis 8系统下,手把手搞定Nginx、Redis、JDK8和Tomcat9的完整安装与配置(含开机自启)

本文详细介绍了在Anolis 8系统下搭建Java Web全栈环境的完整流程,包括JDK8、Tomcat9、Nginx和Redis的安装与配置,并实现系统级服务管理。通过深入每个组件的配置细节,揭示服务间的协同关系,最终打造一个生产级可用的标准化环境。

weixin_42556197的博客 160

简述Java中的装箱和拆箱

在Java编程语言中,装箱(Autoboxing)和拆箱(Unboxing)是两个重要的概念,它们主要涉及基本数据类型(byte, short, int, long, float, double, char, boolean)与它们对应的包装类(Byte, Short, Integer, Long, Float, Double, Character, Boolean)之间的自动转换。在没有装箱和拆箱的时代,程序员需要手动进行基本数据类型与包装类之间的转换,这不仅增加了代码的复杂性,还容易引入错误。

2401_84909321的博客 400

COMSOL实战:薄膜声学超材料模态分析全流程解析(含预应力设置技巧)

本文详细解析了使用COMSOL进行薄膜声学超材料模态分析的全流程,包括预应力设置技巧和共振频率优化方法。通过实际案例和参数设置指南,帮助工程师掌握从几何建模到结果解读的关键步骤,特别适合声学超材料和共振薄膜结构的设计与优化。

ujm5678901的博客 295

Java中的装箱和拆箱—这一篇全了解

Java中的拆箱装箱—这一篇全了解 一.什么是装箱?什么是拆箱? Java为每种基本数据类型都提供了对应的包装器类型,让基本类型具备对象的特征,实现更多的功能.。在Java SE5之前,如果要生成一个数值为10的Integer对象,必须这样进行: Integer i = new Integer(10); 而在从Java SE5开始就提供了自动装箱的特性,如果要生成一个数值为10的Inte...

Franco的博客 1万+

Cisco思科 电子科技大学计算机网络 SRWE 期末技能考试 (PTSA)

电子科技大学2024春_SRWE_计算机网络系统 SRWE 期末技能考试 (PTSA)

2301_76745065的博客 5098

開機自動進入UEFI Interactive Shell無法正常開機怎麼辦?

BIOS/UEFI,啟動後進入UEFI Interactive Shell大多數人都告訴你沒有安裝系統去裝系統吧,但你明明昨天還在運行系統?今天就這樣?有沒有解決辦法?

sheaahhoi1的博客 7749

Android中的java基础(二)——装箱与拆箱及不同基本类型的比较(类型转换)

无论在Android还是java中,我们都会遇到基本数据类型以及对应到引用数据类型的转换操作等等,这里通过装箱拆箱操作以及类型转换进行实例分析。

bluewindtalker的专栏 1325

拼多多Android面试题及参考答案

Android 系统采用分层架构设计,从底层到上层依次为Linux 内核层硬件抽象层(HAL)系统运行时库层应用框架层应用层,共五层。位置:Linux 内核层与系统运行时库层之间,是“硬件与系统的隔离层”。核心作用:屏蔽硬件差异,为上层提供统一的硬件访问接口,解决 Android 开源与硬件厂商闭源的矛盾,具体功能如下:硬件能力抽象:将硬件的具体实现(如不同厂商的摄像头芯片、音频芯片)封装为标准化接口(如Camera HALAudio HAL。

大模型大数据攻城狮的专栏 1286

JAVA基础 装箱类型

java 装箱类型总结 概述 在java中有这8种基本类型:char、byte、short、int、long、float、double、boolean,但它们没有属性与方法,为了解决了这个问题,包装类应运而生,8中基本类型各自有着对应的包装类。 基本类型 包装类 char Character byte Byte short Short int Integer long Long float Float double Double boolean Boolean

ZHENQIANG1119的博客 565

YOLOv12改进策略【卷积层】| CVPR-2020 利用DynamicConv 动态卷积 结合A2C2f进行二次创新,提高精度

在大规模视觉预训练中,通常模型的性能受到数据、参数和FLOP三个关键因素的影响。一般来说,模型的参数数量越多,FLOP也越高,但在移动设备等对计算资源有限制的场景下,需要低FLOP的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOP,因此需要一种新的设计来解决这个问题,模块应运而生。

Limiiiing的博客 831

New API 大模型网关保姆级教程:Docker Compose 部署 + MiniMax 接入 Claude 实战

New API 是一个开源的 AI 基座平台,提供统一的 API 接口接入 30+主流 AI 服务(如 OpenAI、Claude 等)。核心功能包括智能路由、精细计费、安全管控和多租户支持,采用 AGPLv3 协议开源。支持 Docker Compose 快速部署,通过修改配置文件即可连接不同数据库,适合从开发到生产环境的不同规模应用。部署时需注意修改默认密码等安全配置。

甘蓝的专栏 1617

java知识点---装箱拆箱

在Java中,和是指基本数据类型(也称为值类型)与它们对应的包装器类(引用类型)之间相互转换的过程。

u011489056的专栏 2171

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Java基础加强:静态导入及可变参数和增强for循环 ,基本数据类型的自动拆箱和装箱

Java基础加强:静态导入及可变参数和增强for循环 ,基本数据类型的自动拆箱和装箱 import static 语句导入一个类中的某个静态方法或所有静态方法 例如: import static java.lang.Math.*; public class StaticImport {   /**  * @param args  */ public static void mai

wang6xin6nian6的专栏 595

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。

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中的装箱和拆箱

在Java中,装箱(boxing)和拆箱(unboxing)是自动进行的基本数据类型和包装数据类型之间的转换机制。

weixin_69477306的博客 2656

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Java中的拆箱和装箱机制

一.装箱拆箱的定义 众所周知,Java中有8大基本数据类型,其为每种基本数据类型都提供了对应的包装器类型。 下表是基本数据类型对应的包装器类型: 在Java SE5之前,如果要生成一个数值为5的Integer对象,必须这样进行: Integer i = new Integer(5); 而从Java SE5开始就提供了自动装箱的特性,如果要生成一个数值为5的Integer对象,只需要这样就可以了...

小白不菜的博客 3991

Java中的装箱与拆箱

原文:http://www.cnblogs.com/dolphin0520/p/3780005.html。今天我们学习了Java中的装箱与拆箱机制,包括它们的定义、底层实现,以及常见的面试题。当我们把一个包装器类型的对象转回基本数据类型时,这就是。🎯 接下来,让我们深入一点,看一看装箱与拆箱在底层是如何运作的。🚀 大家好,今天我们要探讨一个在Java中非常重要的知识点—— 现在,让我们来练习一些装箱与拆箱相关的经典面试题。但是从Java SE5开始,Java引入了。的过程是:Java自动将基本数据类型。

yaoxin521123的博客 1774

java当中的拆箱与装箱

装箱:是指自动将基本数据类型转换为对应的包装类对象的过程。拆箱:是指自动将包装类对象转换为对应的基本数据类型的过程。

m0_75054336的博客 1826

【Java】Java 中的自动装箱和拆箱

自动装箱和拆箱可以让开发人员编写更加清晰的代码,使代码更加易于阅读。基本类型包装类型booleanBooleanbyteBytecharCharacterfloatFloatintIntegerlongLongshortShortdoubleDouble自动装箱和拆箱的实现是通过 Java 编译器在编译时进行的。具体来说,Java 编译器会将自动装箱和拆箱操作转换为对应的方法调用,以实现基本数据类型和包装类型之间的转换。但这在性能方面是要付出代价的。

swadian2008的博客 6582

Java基础数据类型与拆箱装箱

本文将带你系统了解Java中的基础数据类型(Primitive Types)及其对应的包装类,深入解析拆箱(Unboxing)和装箱(Boxing)的概念、原理和应用场景。通过丰富的示例,帮助你理解自动拆箱装箱带来的性能影响和潜在陷阱,提升Java编程的代码质量和效率。

2301_80795057的博客 4584

装箱和拆箱

装箱和拆箱 概念: 在说到拆箱和装箱之前,需要了解Java中有八种基本的数据类型,分别是:byte、short、char、int、long、float、double和boolean。这八种基本类型在Java中都有对应的包装类型:Byte、Short、Character、Integer、Long、Float、Double以及Boolean。 ​ 有了基本类型为什么还需要包装类型呢?这是由Java本身的语言特性决定的,Java是一种面向对象的编程语言,在学习Java之初就被明确灌输了一个概念:OOP

Tender的博客 2362

Java基础之拆箱和装箱

Java基础之拆箱和装箱 一、什么是拆箱和装箱 1)什么是拆箱 • 拆箱就是自动将包装器类型转换为基本数据类型 • 拆箱调用Integer.intValue方法 2)什么是装箱 • 装箱就是自动将基本数据类型转换为包装器类型 • 装箱调用的Integer.valueOf方法 二、什么是自动装箱 1.基本数据转型转包装器类型,自动装箱 2.包装器类型转基本数据类型,自动拆箱 3.基本数据类型,在初始化值时,在缓存值范围之外自动装箱 4.包装器类型,在初始化值时,在缓存值范围之内自动拆箱 5.分配新内存地址:装

你与昨日 8426

java中的装箱和拆箱

java中的装箱和拆箱 1. 什么是装箱和拆箱 Java中的数据类型项由8大基本数据类型和引用数据类型,其中基本数据类型存储在栈中,而引用类型的数据则在栈中存储了一个地址,引用类型的数据则存储在堆中;(这里需要注意的是这里的堆和数据结构中的堆没有任何关系,我们可以把堆看作是一个池) 而所谓装箱就是把基本数据类型存储在堆中,所以要把他变成引用类型;反过来所谓拆箱,就是把引用类型中的数据放到栈中,要把它变成基本数据类型。 Java中给我们提供很多的包装类,可以参考帮助文档学习: java JdkAPI下载 小案

Walker_sis的博客 4494

【JAVA-Day06】Java 基本数据类型转换、自动装箱和自动拆箱

在Java编程中,我们经常需要处理基本数据类型的转换以及包装类的使用。本文将深入探讨这些概念,包括为什么要进行基本数据类型转换、自动类型转换和强制类型转换,以及自动装箱和自动拆箱的工作原理。我们还将比较基本数据类型和包装类的性能差异,以帮助您在实际开发中做出明智的选择。在本文中,我们深入探讨了Java中的基本数据类型转换、自动装箱和自动拆箱。我们了解了为什么需要进行基本数据类型转换以及自动类型转换和强制类型转换的概念。我们还探讨了包装类的作用以及自动装箱和自动拆箱的工作原理。

沉淀所学,分享所思,让热爱与成长同行。商务记录AI实战经验,助力开发者快速成长。 热爱AI,希望做出有影响力的技术成果。 技术点亮生活,分享连接价值与机会。 专注AI落地实战,陪你走好技术每一步。 6596

JAVA基本类型的拆箱和装箱

一个基础知识小回顾,码太多,基础的东西也要总结,最近推荐一本好书《java的编程逻辑》。里面除了讲述一些基础知识,还对线程并发那一块讲述的很明白,很不多,推荐!下面回归这次主题基本类型的拆箱和装箱。 一、基本类型 java基本类型有8种: 整数:byte(1字节)、short(2字节)、int(4字节)、long(8字节) 浮点数:float、d...

SlagSea 5480
上一篇: spring整合struts2:struts2报java.lang.UnsupportedOperationException
下一篇: eclipse中git push需要输入地址
QEcode
博客等级 码龄10年 39粉丝 147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
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