Android基础及应用 Intent的调用

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1k累计阅读 1.2k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

VIP免费原创最新推荐文章于 2026-03-11 06:18:50 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

Android Studio 实验四阅读详情

一、实验目的

1. 了解Intent的组成；

2. 掌握使用Intent启动Activity的方法；

3. 掌握获取Activity返回值的方法。

二、实验过程

在实验一的工程基础上，添加Activity，利用Intent实现Activity组件之间的相互调用。

本实验中涉及的相关数据项可以自行设计，也可参考“4、附录”中给出的数据。

1、建立信息显示界面

创建新的Blank Activity，Activity Name和Layout Name修改为有实际含义的名称，界面如图2.1所示。

图2.1 信息显示界面

点击图1.4

最低0.47元/天解锁文章

收录于

当前文章被以下社区和专栏收录：

标签

#Android Internet调用

Android应用调用浏览器打开网页：从Intent基础到Chrome Custom Tabs进阶实践在Android应用开发中，应用间通信是实现功能扩展和用户体验衔接的关键技术。其核心原理是通过Intent机制，向系统发送包含特定动作和数据URI的请求，由系统匹配合适的组件（如浏览器）进行处理。这项技术的价值在于能够安全、高效地利用设备上的其他应用能力，例如打开网页进行第三方登录、内容分享或查看详情，从而避免应用功能冗余。典型的应用场景包括电商App跳转支付页面、社交应用打开外部链接以及内容型App展示活动详情。本文聚焦于Android中通过Intent调用浏览器打开指定页面的完整方案，深入探讨了基础实现阅读详情

相关推荐

Android语言基础教程（109）Android应用核心Intent经典范例之使用Intent打开网页：Android Intent魔法：一键唤醒浏览器，轻松打开网页！

在Android应用开发中，我们常常需要打开浏览器展示网页内容。无论是查看用户协议、跳转商品详情，还是展示新闻资讯，通过Intent打开网页都成为了必备技能。今天，就让我们深入探讨Android应用核心——Intent，看看如何用它轻松打开网页。

jxf_jxfcsdn的博客 999

Android 一个应用程序调用另一个应用程序

实现行业应用调用我们可以Get到哪些技能？ * Activity的singleTask的启动模式 * 界面跳转的基本实现 * 前台Service的基本介绍和实现 * SharedPreference的简单用法实现行业应用调用的目的在XHL应用程序中去调用MPos应用程序，借助MPos的一些界面完成特殊的功能。实现行业应用调用步骤（1）创建名为XHL的应用程序（2）创建名为MPo

ZL_LZ的博客 9613

android应用安全——组件通信安全（Intent）

这里主要涉及到了Activity、Content Provider、Service、Broadcast Receiver等。这些如果在Androidmanifest.xml配置不当，会被其他应用调用,引起风险。android应用内部的Activity、Service、Broadcast Receiver等，他们通过Intent通信，组件间需要通信就需要在Androidmanifest.xml文

GY的的专栏 678

Android应用中相机与相册的调用技巧

小米设备的相机调用兼容性优化是一个持续的过程，需要开发者跟踪最新的MIUI更新以及小米官方的相机API文档。通过上述步骤，开发者能够提高应用在小米设备上的稳定性和用户体验。随着小米设备的不断更新和硬件配置的提升，兼容性优化将会是Android开发者持续关注的重点之一。Intent是一个消息传递对象，你可以使用它来请求不同的动作从其他应用组件中。Intent分为显式和隐式两种。

weixin_42596011的博客 1108

android实验2界面设计：基本组件.doc

西安邮电大学（计算机学院）课内实验报告实验名称：界面设计：基本组件专业：网络工程班级：姓名：学号：指导教师：日期： 2017年4月20日一．实验目的 1. 掌握常用组件在布局文件中的设置 2. 掌握在java程序中获取组件值 3. 掌握对组件值得验证 4. 掌握基本常用的监听器，和事件处理 5. 掌握将组件值提交到下一个Activity活动的方法二．实验环境 JDK的版本: "1.8.0_40" IDE: eclipse 4.6.1 模拟器: 夜神模拟器三．实验内容 1. 补充完成下例空缺处，完成注册界面、部门列表框、单击确定检查提交成功、接受界面四．实验过程及分析 1. 设计UI界面 1. 编写布局代码，如下 <LinearLayout xmlns:android = "http://schemas.android.com/apk/res/android" android:layout_width = "match_parent" android:layout_height = "match_parent" android:orientation = "vertical">  <TextView android:text = "@string/user" android:layout_width="match_parent" android:layout_height="wrap_content"/> <EditText android:id="@+id/name" android:layout_width="200sp" android:layout_height="wrap_content" android:hint="@string/inputuser"/>  <TextView android:text = "@string/password" android:layout_width="match_parent" android:layout_height="wrap_content"/> <EditText android:id="@+id/password" android:layout_width="200sp" android:layout_height="wrap_content" android:inputType="textPassword"/>  <TextView android:text="@string/sex" android:layout_width="wrap_content" android:layout_height="wrap_content"/> <RadioGroup android:id="@+id/sex" android:orientation = "horizontal" android:layout_width="wrap_content" android:layout_height="wrap_content">  <RadioButton android:id="@+id/man" android:text="@string/man" android:layout_width="wrap_content" android:layout_height="wrap_content"/> <RadioButton android:id="@+id/woman" android:checked="true" android:text="@string/woman" android:layout_width="wrap_content" android:layout_height="wrap_content"/> </RadioGroup>  <TextView android:text="@string/phone" android:layout_width="wrap_content" android:layout_height="wrap_content"/> <EditText android:id="@+id/phone" android:inputType="text"phone" android:layout_width="200sp" android:layout_height="wrap_content"/>  <TextView an

上海建桥学院-移动应用开发-实验报告2-Activity组件通信

实验二 Activity组件通信一、实验目的及要求（1）掌握显示启动和隐式启动的方式（2）掌握Activity间的数据通信二、实验内容及步骤任务：根据下述要求实现对应程序 1、完成启动界面的设计，要求采用合理布局，使界面效果与图1所示结果保持一致。（ “男”单选按钮默认选中，学院下拉列表框的内容为：信息技术学院、外国语学院、机电学院、商学院、艺术设计学院、珠宝学院、新闻传播学院）；左列标签名字体大小为24sp；点击“使用显示启动”按钮和“使用隐式启动”按钮，均能跳转至界面2，如图2所示，前者使用显示启动方式，后者使用隐式启动方式，两种启动方式均将界面1中的数据传递至界面2中。 2、点击界面1中的按钮后，跳转至界面2，将界面1中输入的内容传递至界面2的ListView中显示，效果如图2所示。（要求：列表文字大小为28sp，图片使用Vector格式，从上到下依次使用credit_card_black，account_box_black，wc_black，account_balance_black，school_black，assignment_ind_black）

Bioinformatics2021 | FraGAT+：基于分子原始片段的多尺度图注意力机制的分子性质预测模型

Bioinformatics2021 | FraGAT：基于分子原始片段的多尺度图注意力机制的分子性质预测模型

justBeHerHero 1999

HFSS仿真3dB微带双分支定向耦合器学习笔记

设计一个3dB微带双分支定向耦合器，各端口微带线特性阻抗为50Ω，中心频率为5GHz，介质基板的介电常数9.6，基板厚度为0.8mm这里重点讲解HFSS的操作，关于理论知识后面文章更新。

qq_36521926的博客 7768

事件相机数据处理实战：从原始事件流到视觉表征的三种核心方法

本文深入探讨了事件相机数据处理的核心环节，即如何将异步、稀疏的原始事件流转换为深度学习模型可处理的视觉表征。文章重点解析了三种核心方法：逐通道累积、体素网格双线性插值和对称累积事件表示，详细阐述了其原理、代码实现、可视化效果及各自的适用场景，为事件相机在目标识别、光流估计等视觉任务中的高效应用提供了实战指南。

read5的博客 438

微机原理课程设计-模拟十字路口交通信号灯

一、设计任务描述 1.1设计目的通过课程设计使学生更进一步掌握微机原理及应用课程的有关知识，提高应用微机解决问题的能力，加深对微机应用的理解。通过查阅资料，结合所学知识进行软、硬件的设计，使学生初步掌握应用微机解决问题的步骤及方法。为以后学生结合专业从事微机应用设计奠定基础。 1.2 设计要求控制LED灯，按照十字路口红绿灯的原理亮灭显示：（1) 东西方向车辆放行x秒...

Learning_is_endless的博客 2万+

DSPACE仿真平台的使用

DSPACE仿真平台的使用文章目录DSPACE仿真平台的使用1.ModelDesk新建项目2.MotionDesk引入项目3.ControlDesk引入项目4.项目整合运行我们使用DSPACE仿真平台软件来模拟小汽车的自动驾驶。总共需要用到DSPACE大类下的三个软件：ModelDesk、ControlDesk、MotionDesk。 1.ModelDesk新建项目在桌面上点击ModelDesk图标，打开DSPACE—ModelDesk 选择 File 标签，侧边栏选择 New，点击 New A

qq_42582489的博客 7527

零基础实战：用 Docker 和 vLLM 本地部署 BGE-M3 文本嵌入模型

BGE-M3是北京智源推出的多功能文本嵌入模型，支持跨语言语义匹配。利用Docker容器化和vLLM框架可高效部署该模型，实现本地运行的优势包括隐私保护、定制化和成本控制。通过配置Docker环境，使用vLLM官方镜像加载模型，并进行文本嵌入测试验证效果。该方案适合开发者快速验证模型能力，或集成到本地NLP流程中。

举世誉之而不加劝，举世非之而不加沮，定乎内外之分，辩乎荣辱之境，斯已矣。 4953

DXF转G代码是圆弧的方向如何确定？

🏆本文收录于《全栈 Bug 调优（实战版）》专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值。

**My Coding Family** 1187

2026工控高薪：C#上位机面试15题（含答案）

基础岗（10-15K）：考察串口/Modbus/PLC通信基础；资深岗（20-30K）：考察工业级优化（抗干扰/断线重连）、物联网（MQTT）、跨协议整合；架构岗（30K+）：考察上位机架构设计、边缘计算、项目落地避坑。我整理了2026年近20场高薪岗位（月薪20K+）的面试高频题，筛选出15道核心题，每题标注“考察点+实战答案”——答案拒绝纯理论，全部结合车间现场、PLC通信、物联网落地等真实场景，帮你避开“背答案但不落地”的面试坑。

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。 1280

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

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

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")