Java正则表达式的学习和笔记——黑马训练营

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

-------Java培训、Android培训、iOS培训、.Net培训期待与您交流!-------



1.正则表达式作用以及特点

定义:符合一定规则的表达式。

作用和特点:用一些有意义的符号来表示一些代码的操作,可以简化书写。

好处:可以简化对字符串的复杂操作

弊端:符号定义的越多,正则表达式越长,阅读行越差。


2.正则表达式四大功能

2.1 匹配:String matcher()方法。用规则匹配整个字符串,只要有一处不符合规则,就匹配失败,返回boolean值

Matcher类:Matcher对象是对输入字符串进行解释和匹配操作的引擎。与Pattern类一样,Matcher也没有公共构造方法。你需要调用Pattern对象的matcher方法来获得一个Matcher对象。

//匹配手机号段只有 13xxx 15xxx 18xxx 11位
	public static void main(String[] args) {
		//第一位只能为[1]
		//第二位只能为[358]
		//后面9位只能为任意数字
		String reg="[1][358]\\d{9}";
		String str="15123456789";
		//如果匹配成功为true,否则为false
		boolean flag=str.matches(reg);
		if(flag){
			System.out.println("匹配成功");
		}else{
			System.out.println("匹配失败");
		}
	}

2.2  切割 

public static void main(String[] args) {
		String str = "zhangsan.lisi.wangwu";
		//根据正则表达式转义需要在前面加"\\"
		String reg = "\\.";
		String[] arr = str.split(reg);
		for (String s : arr) {
			System.out.println(s);
		}
	}
public static void main(String[] args) {
		String str="zhangsan  lisi wangwu";
		String reg=" +";//按照多个空格来进行切割,需要在后面加上"+"
		String [] arr=str.split(reg);
		//遍历
		for(String s:arr){
			System.out.println(s);
		}
	}
public static void main(String[] args) {
		String str="asdfffffasvbasooooohhhhh";
		String reg="(.)\\1+";//按照按照叠词完成切割,为了可以让规则的结果被重用
							//可以将规程封装成为一个组,用()完成。组的出现都有编号
							//从1开始。想要使用已有的组可以通过,/n)(n就是组就是编号)的形式来获取
		String [] arr=str.split(reg);
		//遍历
		for(String s:arr){
			System.out.println(s);
		}
	}

2.3替换:String replaceAll(regex,str);

public static void main(String[] args) {
		String str = "wer1389980000ty1234564uiod234345675f";
		//表示替换只要连续有5的数字
		String reg="\\d{5,}";
		String newStr="#";
		str = str.replaceAll(reg,newStr);//将字符串中的数组替换成#。
		System.out.println(str);
	}

2.4获取:将字符串中符合规则的子串取出

public static void main(String[] args) {
		/*操作步骤:
		1、将正则表达式封装成对象。
		2、让正则对象和要操作的字符串向关联。
		3、关联后,获取正则匹配引擎。
		4、通过引擎对符合规则的子串进行操作,比如取出。*/
		String str="ming tian jiu yao fang jia le ,tong xue men";
		String reg="\\b[a-z]{3}\\b";
		//将规则封装成对象
		Pattern p=Pattern.compile(reg);
		//让正则对象和要作用的字符串相关联,获取匹配器对象
		Matcher m=p.matcher(str);
		//将规则作用到字符串上,并进行符合规则的子串查找
		//类似迭代器
		while(m.find())
		{
			System.out.println(m.group());
			System.out.println(m.start()+"...."+m.end()); 
		}
		
	}
在网上查找的Java正则表达大全 链接http://www.cnblogs.com/elleniou/archive/2012/07/31/2617312.html,方便学习



企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx 立即下载

相关推荐

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

学习笔记(01):5天Python闯关训练营-104期-正则表达式

#《5天Python闯关训练营》学习计划# 挑战周期:2月18日—2月22日 开班后大家可以先完成相应的软件安装及环境搭建 学习服务: 2.18-2.22日为本课正式服务周期 期间遇到学习问题可社群请教,群内安排助教老师答疑 ...

ping0428的博客 211

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

黑马程序员训练营十道满分题解

黑马程序员训练营十道满分题解,交流即分享,分享才能进步!

极客星云-优快云博客 2154

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

黑马训练营——字符串操作

------- &lt;a href="http://edu.youkuaiyun.com/heima" target="blank"&gt;android培训&lt;/a&gt;、&lt;a href="http://edu.youkuaiyun.com/heima" target="blank"&gt;java培训&lt;/a&gt;、期待与您交流! ---------- 由于最后一

iteye_6576的博客 144

人类肠道微生物群落代谢建模

MICOMWeb 是款用户友好型网站,专为人类肠道微生物群落代谢建模设计。该网站旨在解决基因组尺度代谢模型(in silico)构建过程中的3大限制:① 使用 MICOM Python 包进行通量平衡分析时对用户 Python 编程知识的要求;② 支持预定义和用户自定义饮食,以生成专属代谢模型;③ 处理宏基因组鸟枪法测序或 16S 扩增子测序获得的真实丰度数据时,所需的高通量计算基础设施。本文展示了 MICOMWeb 的核心功能,用户可轻松开展虚拟实验,为3个已发表数据集的实验验证生成功能性假设。

多组・学・多组学 1172

python网络爬虫_Python爬虫:30个小时搞定Python网络爬虫视频教程

以上资源收集至互联网如有侵权请联系删除资源获取方式扫码关注资源库公众号回复密码'20190823'即可获得截图展示课程信息课程难度:中级学习人数:56843课程状态:已完结时长:30小时课程大纲1-1.课程介绍1-2.Python初识1-3.Python基础语法1-4.Python控制流与小实例实战1-5.Python函数详解1-6.Python模块实战1-7.Python文件操作实战1...

weixin_39553776的博客 748

flink新版本无bat启动文件的解决办法

flink

6 4933

Mask2Former实战:用SwinTransformer+Deformable Attention搞定图像分割三大任务

本文实战解析了Mask2Former模型如何统一解决语义、实例和全景分割三大任务。通过集成Swin Transformer骨干网络与创新的Deformable Attention及Masked Attention机制,详细介绍了模型构建、训练策略及在COCO数据集上的性能表现,为开发者提供了高效的图像分割解决方案。

tech5的博客 246

Java集合框架之Collection学习和笔记——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流!------- 1、常用集合的分布图 Java的常用集合类主要由两个接口派生出来的:Collection和Map,Collection和Map集合是Java集合常用框架的根接口 List和Set接口是Collection接口派生的两个子接口。 Collection: 1、Lis

Tmandroid的专栏 1078

【论文精读】Virtual Adversarial Training——一种用于监督学习和半监督学习的正则化方法

本文提出了一种新的正则化方法——虚拟对抗训练(Virtual Adversarial Training, VAT),旨在通过引入虚拟对抗损失来增强模型的泛化能力。虚拟对抗损失衡量了给定输入条件下条件标签分布的局部平滑性,定义为模型对输入数据点周围局部扰动的鲁棒性。与传统对抗训练不同,VAT不需要标签信息来定义对抗方向,因此适用于半监督学习。本文详细阐述了VAT的核心方法,并通过实验验证了其在多个基准数据集上的有效性。:虚拟对抗训练;正则化方法;监督学习;半监督学习;对抗方向。

nmdbbzcl的博客 367

Java线程学习和笔记——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流!------- 1.关于线程的两种创建方式 1.1、Thread方法 创建线程的第一种方式,继承Thread类 步骤: 1.重写Thread类中的run方法  2.然后在调用线程的start()方法 3.start()有两个作用:1.启动线程。2.调用run方法 class Demo extends Thread { private String name; //构造函数 public Dem

Tmandroid的专栏 683

ubuntu20.04中配置Pyrep和CoppeliaSim

在Ubuntu20.04中配置 Pyrep ,实现应用Python语言的机器人在 Vrep(CoppeliaSim)中的虚拟仿真。

加斯顿工程师的博客 3375

WordPress插件depicter存在SQL注入漏洞(CVE-2025-2011)

Depicter 是一款功能强大的 WordPress 幻灯片插件,允许用户通过直观的拖放编辑器轻松创建响应式滑块、轮播和动态内容展示。该插件提供丰富的模板库、动画效果和图层控制,支持多媒体内容嵌入(如图片、视频、HTML),并优化了移动端显示和SEO性能。其无代码操作界面适合非技术用户,同时提供高级自定义选项,适用于产品展示、营销推广和视觉叙事等多种场景,是提升网站视觉吸引力的高效工具。

m0_50125527的博客 556

Java单例模式——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 1.单例模式概念 单例模式确保某一个类只有一个实例。而且自行实例化并向整个系统提供这个实例。 2.单例模式的特点 2.1 单例类只能有一个实例。 2.2 单例类必须自己创建自己唯一实例。 2.3 单例类必须给所有其他对象提供这一实例。 3.单例模式的有两种 3.

Tmandroid的专栏 645

基于Keil软件实现OLED显示(江协科技HAL库)

没有HAL库的OLED驱动文件,可以看过来

2401_82728381的博客 1453

Java反射学习和笔记——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流!------- 1.反射的概念 反射机制指的是程序在运行时能够获取自身的信心。在java中,只要给定类的名字,就可以通过反射机制来获得类的所有信息。 2.反射机制的作用   通过反射机制访问java对象的属性、方法、构造函数 反射就是把Java类中的各种成分映射成相应的java类 3

Tmandroid的专栏 608

第七节:Vben Admin 最新 v5.0 (vben5) + Python Flask 快速入门 - 用户管理(上)

本节的内容是用户管理,后端Python代码的实现。

cuiwin的专栏 781

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Java字节流和字符流学习和笔记——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流!------- Java API中,对数据的操作是通过流的方式,然而操作流数据分为:字节流和字符流 按流向分为:输出流和输入流 按照字符流分为:Reader、Writer(主要是操作纯文本文件) 按照字节流分为:字节输入流InputStream、和字节输出流OutputStream(

Tmandroid的专栏 551

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网络学习和笔记——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 1.使用InetAdress Java提供了InetAdress工具类来操作IP地址。 获取InetAdress实例对应的IP地址和主机名: 1.String getCanonicalHostName;获取此IP地址的全限定域名。 2.String getHost

Tmandroid的专栏 506

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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集合框架之Map集合学习和笔记——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、------- 1.Map集合概念: Map集合可以存储键值对, 在存储的时候存一个键对象和一个值对象. 集合中的键是唯一的, 可以根据键获取值 2.Map集合常用方法 添加记录: put(K key, V value) 删除记录: remove(Object key) 根据键获取值: get(Object key) 获取长度: size() 判断是否包含某个键: containsKe

Tmandroid的专栏 503

Java面向对象——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流!------- 面向对象  封装:其实就是包装的意思,封装就是把事物中的细节给隐藏了,需要对外提供一些可以访问这些隐藏细节的方式 封装的好处:1.封装隐藏了细节,可以提高程序的安全性 2.封装可以提高程序的维护性 3.提高程序的复用性 class Person { // 使用private将对象进行私有化 private String name; private int age; // 将对外

Tmandroid的专栏 483

Java抽象和接口的学习和笔记——黑马训练营

-------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 抽象的概念: 抽象就是多个事物中将共性部分抽取出来。 抽象类的特点: 1、抽象类和抽象方法必须使用abstract关键字来修饰 2、抽象方法只有方法声明,没有方法体,定义在抽象类中 3、抽象类不可以被实例化,也就是不可以用new创建对象, 抽象类是具体事物抽取出来的,本身是

Tmandroid的专栏 449
上一篇: Java线程学习和笔记——黑马训练营
下一篇: Java面向对象——黑马训练营
Tmandroid
博客等级 码龄12年 0粉丝 12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