EmptyStackException产生原因及解决方案

正确解决java.util.EmptyStackException异常的有效解决方法 阅读详情

EmptyStackException 是 Java 中的一个运行时异常,属于 java.util 包下的异常类。它通常在使用 Stack 类时,当尝试对一个空栈进行非法操作(如弹出或查看栈顶元素)时抛出。

一、产生原因

  1. 对空栈进行弹出操作 (pop):

    • 原因: 当调用 Stack 类的 pop() 方法时,如果栈为空,程序会抛出 EmptyStackException。pop() 方法用于移除并返回栈顶的元素,当栈为空时没有元素可以移除,因此会引发此异常。
    • 示例:
      Stack<Integer> stack = new Stack<>();
      stack.pop(); // 栈为空,抛出 EmptyStackException
      
  2. 对空栈进行查看栈顶操作 (peek):

    • 原因: 调用 Stack 类的 peek() 方法时,如果栈为空,程序会抛出 EmptyStackException。peek() 方法用于查看栈顶的元素但不移除它。当栈为空时,没有元素可以查看,因此会抛出该异常。
    • 示例:
      Stack<Integer> stack = new Stack<>();
      stack.peek(); // 栈为空,抛出 EmptyStackException
      
  3. 未检查栈是否为空:

    • 原因: 开发者在调用 pop() 或 peek() 方法之前,没有检查栈是否为空,直接进行操作,导致异常发生。
    • 示例:
      • 没有在 pop() 或 peek() 之前调用 isEmpty() 方法来检查栈是否为空。

二、解决方案

  1. 在进行操作前检查栈是否为空:

    • 在调用 pop() 或 peek() 方法之前,使用 isEmpty() 方法检查栈是否为空,确保只有在栈不为空时才进行这些操作。
    • 示例:
      Stack<Integer> stack = new Stack<>();
      if (!stack.isEmpty()) {
          stack.pop(); // 只有在栈不为空时才进行 pop 操作
      } else {
          // 处理栈为空的情况
          System.out.println("Stack is empty, cannot pop.");
      }
      
  2. 使用其他数据结构:

    • 如果频繁出现栈为空的情况,可以考虑使用其他更适合的集合类(如 Deque 或 LinkedList)来模拟栈行为,这些类提供了更丰富的 API 进行栈操作。
    • 示例:
      Deque<Integer> stack = new LinkedList<>();
      if (!stack.isEmpty()) {
          stack.pop(); // 使用 LinkedList 作为栈
      }
      
  3. 捕获并处理 EmptyStackException:

    • 在代码中捕获 EmptyStackException,并根据业务逻辑处理这个异常,如记录日志或提示用户操作错误。
    • 示例:
      Stack<Integer> stack = new Stack<>();
      try {
          stack.pop();
      } catch (EmptyStackException e) {
          System.err.println("Attempted to pop from an empty stack.");
          // 处理异常,如通知用户或提供默认值
      }
      

三、总结

EmptyStackException 是在使用 Stack 类时,对空栈执行非法操作(如 pop 或 peek)时抛出的异常。常见原因包括对空栈进行弹出或查看栈顶操作,以及未检查栈是否为空。为避免此异常,可以在进行栈操作前检查栈是否为空、使用更合适的数据结构、或捕获并处理 EmptyStackException。

别再死记硬背MAML原理了!用PyTorch手撸一个Omniglot小样本分类器(附完整代码) 本文详细介绍了如何使用PyTorch实现MAML(模型无关的元学习)算法,构建一个Omniglot小样本分类器。通过实战代码演示,帮助读者理解MAML的双层优化原理,并提供了完整的训练循环、网络架构设计及调试技巧,适合想要掌握元学习技术的开发者。 阅读详情

相关推荐

Cursor Agent模式下如何优雅切换conda环境运行Python脚本?3种实用方法实测

本文针对Cursor Agent模式下运行Python脚本时环境错配的痛点,实测了三种优雅切换conda环境的实用方法。通过Shell全局配置、项目级.cursorrc文件定制以及对话中直接指令,开发者可以确保AI助手在正确的虚拟环境中执行代码,从而提升开发效率和协作流畅度。

redis7keeper的博客 597

已解决java.util.EmptyStackException异常的正确解决方法,亲测有效!!!

已解决java.util.EmptyStackException异常的正确解决方法,亲测有效!!!

小明的Java问道之路 9万+

Amber实战:小分子配体MD模拟全流程避坑指南(附磷酸基团处理技巧)

本文提供了一份基于Amber软件进行小分子配体分子动力学模拟的实战避坑指南。详细解析了从晶体结构预处理、配体参数化(重点探讨AM1-BCC与RESP电荷选择)、复合物体系构建到模拟稳定性调试的全流程。特别针对磷酸基团等特殊官能团处理中常见的模拟崩溃问题,给出了系统性的诊断与解决方案,旨在帮助研究者获得稳定可靠的模拟结果。

weixin_29237635的博客 682

详解 异常(exception) 二

异常大的分类分为检测性异常(checked exception)和非检测性异常(unchecked exception)。其中检测性异常是指在编译器就能够发现的异常。 非检测性异常又包括Error 和 Exception  其中Error代表了非程序内部的异常,即来自于外部的异常:比如: 硬盘破坏、系统故障等。 Exception是指程序内部的异常:一般是指程序是逻辑出了问题,或者 不正

安德里亚的成长 6798

YOLOv11 改进 - 注意力机制 | EMA (Efficient Multi-Scale Attention) 高效多尺度注意力:跨空间学习与多分支协同增强特征表征,优化多尺度目标检测

本文介绍了高效多尺度注意力(EMA)模块及其在YOLOv11中的结合应用。现有注意力机制在通道维度缩减时可能影响深度视觉表示,EMA模块通过结合通道和空间信息、采用多尺度并行子网络结构等创新点,实现了高效的多尺度注意力机制。其基本原理包括通道和空间注意力结合、多尺度并行子网络设计等。在多个流行基准数据集上的实验表明,该模块能有效提高特征表示能力。我们将EMA集成进YOLOv11,实验证明改进后的模型在目标检测任务中性能优越,具有广泛应用前景

魔改工程师的博客 1293

【推荐100个unity插件】性能极高的逼真爆炸、火焰和烟雾效果——UNI VFX

这是一篇关于Unity中高性能GPU粒子特效插件UNI VFX的使用指南。文章介绍了该插件提供逼真的爆炸、火焰和烟雾效果,支持URP和HDRP渲染管线。主要内容包括:插件安装方法(需预先安装Visual Effect Graph和Shader Graph包)、事件系统使用方法(如create/loop/stop等事件控制)、特效分类(自动结束型和持续型特效)、检视面板配置技巧以及性能优化建议(特别提醒灯光特效对性能的影响较大)。文末还推荐了多个Unity开发相关的专栏内容。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 1490

已解决:java.util.EmptyStackException 异常的正确解决方法,亲测有效!!!

是由于尝试对空栈进行操作而引发的异常。通过在操作前检查栈是否为空、处理业务逻辑中的异常情况、正确初始化和维护栈的状态,以及使用更适合的替代数据结构,可以有效地解决和预防此类异常的发生。本文提供了详细的解决方案和代码示例,帮助开发者快速定位并解决问题。希望本文对您有所帮助,如有其他问题,欢迎讨论!

猿鹏探码的博客 901

PCL 点云八叉树射线相交

PCL 点云八叉树射线相交

dayuhaitang1的博客 850

Java程序设计(6)

七、异常 1. Throwable的子类包含哪两类?简述Java Error类与Exception类的区别。 Throwable的子类包含Error类和Exception类。 Error: 致命异常。标识系统发生了不可控的错误。程序无法处理,只能人工介入。例如, 虚拟机产生的错误StackOverflowError、OutOfMemoryError。 Exception: 非致命异常。程序可处理。分为受编译器检测的checked异常(受检异常)和不受编译器检测的unchecked异常(非受.

qq_53276500的博客 1043

企业数字化转型解决方案架构设计:一个五维全景视角

本文系统探讨了企业数字化转型的架构设计框架,提出五维协同模型:企业架构作为战略罗盘,业务架构聚焦价值创造,应用架构实现能力载体,数据架构提供智能燃料,技术架构奠定基础支撑。文章深入分析了各架构域的核心要素、设计原则及相互关系,并指出数字化转型需通过渐进路径,结合战略引领、技术赋能和组织变革,构建有机统一的架构体系。该框架为企业应对数字化复杂性提供了系统性方法论,强调从整体视角实现技术与业务的深度融合。

金牌架构师 1256

comsol如何实现五厚度的单元模拟?

🏆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** 470

Java异常:EmptyStackException (空栈异常)原因、诊断与解决方案

EmptyStackException是Java栈操作中的常见运行时异常,当对空栈执行pop或peek操作时抛出。本文从四个方面进行了系统分析:首先概述了其定义、本质及在集合框架中的位置;其次详细解析了基本和复杂场景下的异常触发条件;然后深入探讨了Stack类实现和异常抛出机制;最后提出了防御性编程、异常处理和替代方案等预防策略。文章强调前置条件检查的重要性,比较了不同处理方式的优劣,并指出在性能敏感场景应优先使用isEmpty检查而非捕获异常。通过多角度分析,为开发者提供了全面理解与应对EmptyStac

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 1360

【C++】构造函数之初始化列表(Initialization list of constructors)

本讲主要是构造函数的初始化列表的讲节,但是本节很重要,可以关乎后面写项目

m0_62599305的博客 2233

java.util.EmptyStackException异常的解决方案

java.util.EmptyStackException 是 Java 中的一个异常,它属于 java.util 包中的 Stack 类。这个异常通常在尝试从空的栈(Stack)中弹出(pop)或查看顶部元素(peek)时抛出。栈是一种后进先出(LIFO)的数据结构,当你尝试访问一个空的栈时,Java 会抛出 EmptyStackException 异常以通知你栈中没有元素。

2301_79779756的博客 1097

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

猫头虎分享已解决Bug | java.util.EmptyStackException异常的正确解决方法

🐯 你好啊,朋友们!猫头虎博主今天要跟大家探讨的是Java世界中的一个常见Bug——异常。这个异常发生在我们试图从一个空的栈中进行元素的弹出或查看顶部元素时。虽然这看起来是一个简单的错误,但如果不正确处理,它可能会导致程序崩溃。本篇博客将详细介绍这个异常的产生原因,提供解决方案,和如何避免这种异常的策略。让我们一起深入了解吧!🔍是Java在操作空栈时抛出的一个运行时异常,表示无法从空栈中进行元素的弹出或获取顶部元素。策略描述优点缺点检查栈是否为空在操作前使用isEmpty()检查。

虎头金猫:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,虎哥承诺每年免费为100名C站创作者做账号流量诊断服务! 1057

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

【Java报错已解决】Java.util.EmptyStackException

在 Java 开发的过程中,各种报错信息可能会在不经意间出现,给开发者带来困扰。其中,“Java.util.EmptyStackException”就是一个较为常见的报错。当遇到这个报错时,程序的执行可能会被中断,影响开发进度。那么,如何快速有效地解决这个问题呢?本文将深入探讨“Java.util.EmptyStackException”报错,为大家提供详细的解决方案。

鸽芷咕的博客 908

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")

异常集合

java.util.ConcurrentModificationException 并发修改异常 while (it.hasNext()) { Object obj = it.next(); System.out.println(obj); } /* * java.util.ConcurrentModificationException * 并发修改异常 * 在使用迭...

慕北丶 307

华中农业大学java考试试卷_JAVA异常处理

本篇博客主要讲述一下问题:1、JAVA Error类与Exception类的区别2、异常处理的两种方式,并举例说明3、选取RuntimeException类的五个子类,编写抛出并捕获上述子类异常的程序4、自定义一个异常类,并在某场景下抛出该异常对象----------------------------------------------------------------------------...

weixin_33089993的博客 560

JAVA 异常 throwable exception error throws throw

1.如何理解Exception,Error和Throwable     Throwable是Exception和Error的父类.     Error表示错误,一般是系统级的错误!      Exception一般是程序运行期间的错误!         通常在使用  try{}catch(Exception e){} 这种结构的时候,只能找到一半的错误,也就是说只能捕获Excepti

xbw673009796的专栏 776

Java学习记录-6(异常)

简述Java Error类与Exception类的区别。 简述异常处理的两种方式,并举例说明区别。 声明抛出处理 程序捕获处理 选取RuntimeException类的五个子类,编写抛出并捕获上述子类异常的程序。(例如算术异常,空指针异常,类转换异常,数组越界异常等) 仿照例7.9,自定义一个异常类,并在某场景下抛出该异常对象。 ...

Colleen_hh的博客 1116

java.util包

Util是utiliy的缩写,是一个多功能、基于工具的包。 Java的实用工具类库java.util包。在这个包中,Java提供了一些实用的方法和数据结构。例如,Java提供日期(Data)类、日历(Calendar)类来产生和获取日期及时间,提供随机数(Random)类产生各种类型的随机数,还提供了堆栈(Stack)、向量(Vector) 、位集合(Bitset)以及哈希表(Hashtable...

mao_xiaoxi的博客 2411

201521123013 《Java程序设计》第9周学习总结

1. 本章学习总结 2. 书面作业 Q1.常用异常题目5-1  1.1 截图你的提交结果(出现学号)  1.2 自己以前编写的代码中经常出现什么异常、需要捕获吗(为什么)?应如何避免? 经常出现ClassCastException、EmptyStackException、IllegalArgumentException、ArrayIndexOutOfBoundsException、 Nu...

weixin_30321709的博客 88

JAVA(七)

1. Throwable的子类包含哪两类?简述Java Error类与Exception类的区别。 Throwable子类: Error: 致命 异常,标识系统发生了不可控的错误。程序无法处理,只能人工介入。例如,虚拟机产生了StackOverflowError,OutOfMemoryError。 Exception: 非致命 异常。程序可处理。分为受编辑器检测的checked异常(受检异常)和不受编辑器检测的unchecked异常(非受检异常)。 2. Exception又分为checked异常和

m0_51232831的博客 179

java学习之路---使用异常机制的技巧

1.异常处理不能代替简单的测试 例:试着上百万次地对一个空栈进行退栈操作。在实施退栈操作之前,首先要查看栈是否为空。 if(!s.empty()) s.pop(); 接下来,强行进行退栈操作。然后,捕获EmptyStackException异常来告知我们不能这样做: try { s.pop(); } catch(EmptyStackException e) { } 在测试的机器上,...

m0_38088392的博客 238

Android RuntimeException汇总

Android中的RuntimeException的直接子类 (有些还没有碰到过,所以后续继续更新) ActivityNotFoundException Activity未找到异常 This exception is thrown when a call tostartActivity(Intent)or one of its variants fai...

awp7451的博客 439

java学习

定义Student类。

weixin_73455978的博客 334
上一篇: EmptyResultDataAccessException产生原因及解决方案
下一篇: EOFException产生原因及解决方案
境里婆娑
境里婆娑 新星创作者: Java技术领域 新星创作者: Java技术领域 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄10年 1万+粉丝 300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

打赏作者

境里婆娑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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