JavaAPI.02.包装类与正则表达式

每天10分钟,混剪视频Agent产出50条爆款,单月变现6位数(喂饭级教程) 混剪视频是指将多个视频片段、图片或音频素材进行剪辑组合,创造出新的视频内容。随着Coze上线联动剪映功能,混剪视频制作正在进入自动化时代,为创作者带来巨大便利。高效自动化处理:AI可以自动完成琐碎的剪辑工作,让创作者省下大量时间专注于项目策划和创意。批量素材产出:特别适用于抖音、小红书和视频号等平台上的养生、科普、心理、疗愈等垂直领域,可以自动化批量生产图片和视频素材。引流获客:通过优质内容吸引目标受众知识变现:通过教学传授技术工具变现:将搭建好的工作流作为产品销售。 阅读详情

Java包装类概述及作用

  • 在Java中,基本数据类型(如 int , char , boolean 等)不是对象,而是一些简单的数据值。为了能够将这些基本类型作为对象来操作,Java提供了对应的包装类。

  • 这些包装类位于 java.lang 包中,它们是不可变的,即一旦创建了包装类的对象,就不能改变它的值。

  • 对应包装类

    • Long - 封装了基本类型 long

    • Integer - 封装了基本类型 int

    • Short - 封装了基本类型 short

    • Byte - 封装了基本类型 byte

    • Double - 封装了基本类型 double

    • Float - 封装了基本类型 float

    • Character - 封装了基本类型 char

    • Boolean - 封装了基本类型 boolean

    • 提供额外的方法包装类提供了一系列方法来处理对应的基本类型数据。

    • 存储在集合中由于集合只能存储对象,因此使用包装类可以将基本类型的数据存储在集合中。

  • 包装类的转换方法(parse)

    • Integer.parseInt(String s)

    • int num = Integer.parseInt("123");
      System.out.println("Parsed integer: " + num); / 输出: Parsed integer: 123
    • Long.parseLong(String s)

    • long num = Long.parseLong("1234567890123456789");
      System.out.println("Parsed long: " + num); / 输出: Parsed long:
      1234567890123456789
    • Byte.parseByte(String s)

    • byte num = Byte.parseByte("127");
      System.out.println("Parsed byte: " + num); / 输出: Parsed byte: 127
    • Short.parseShort(String s)

    • short num = Short.parseShort("32767");
      System.out.println("Parsed short: " + num); / 输出: Parsed short: 32767
    • Float.parseFloat(String s)

    • float num = Float.parseFloat("123.45");
      System.out.println("Parsed float: " + num); / 输出: Parsed float: 123.45
    • Double.parseDouble(String s)

    • double num = Double.parseDouble("123.456789");
      System.out.println("Parsed double: " + num); / 输出: Parsed double: 123.456789

正则表达式

  • 正则表达式是一种强大的文本匹配工具,可以用来查找、替换、分割字符串等。

  • 在Java中,String 类也提供了一些直接使用正则表达式的方法,如 matches()、split()、replaceAll() 等。

  • 常用方法

    • matches(String regex): 判断该字符串是否匹配给定的正则表达式。如果整个字符串匹配成功,则返回 true;否则返回 false。

    • split(String regex): 根据给定的正则表达式将字符串分割成一个数组。

    • replaceAll(String regex, String replacement): 替换所有匹配给定正则表达式的子字符串。

  • 正则表达式的基本书写符号

    • . 代表任意字符

    • \w 代表字母、数字、下划线

    • \d 代表数字

    • +指定字符重复1次或者n次,最少1次

    • ? 指定字符重复0-1次

    • {n} 只能重复n次

    • {a,} 最少重复a次

    • {,a} 最多重复a次

    • {a,b} 最少重复a次,最多重复b次

    • \s 空格

    • | 代表或者

    • [a-zA-Z0-9],可以是a-z、A-Z、0-9中的任意一个

    • [a-z] 可以是a-z中间的任意一个

    • *任意次,可有可无

    • 切记:Java中的\都是有两根的,"\\s","\\w","\\d"

    • .* \d * 代表有数字

    • .* [a-z] .* 代表有小写字母

    • .* [A-Z] .* 代表有大写字母

    • .* [@!.] .* 代表有特殊符号

  • 正则结合代码

    • 验证1~12个月:
              while(true) {
                  System.out.println("请输入月份");
                  String ii = sc.next();
                  if(ii.matches("[1-9]|[1][0-2]")){
                      System.out.println("您输入的为:"+ii+"月");
                      break;
                  }else {
                      System.out.println("输入错误");
                      continue;
                  }
              }

SpringCloud Alibaba - Seata 实现高可用和异地容灾 这里不仅仅要实现高可用,还需要实现异地容灾. 异地容灾就是说,如果你整了好几个节点部署起来,全部放到一个机房里面,那么如果这个机房出了故障,就意味着整个集群就完了,所以对于一个大型的集群来讲,都会把这些服务异地部署.问题2:如果我们要实现异地容灾,也就说某一个机房挂了,需要快速的切换到另一个可用的机房,但是这个配置在配置文件中写死了,如果要改配置文件,还需要重启服务器,这是我们不希望看到的,怎么办?进入 seata/bin 目录,运行 seata-server.bat 文件,默认端口为 8091。 阅读详情

相关推荐

MySQL等保三级合规实践:如何安全配置root账户的本地与受信主机登录策略

本文详细介绍了MySQL在等保三级合规框架下如何安全配置root账户的本地与受信主机登录策略。通过分析root账户的特殊保护需求,提供三种安全加固方案,包括限制访问范围、限定登录IP和完全禁止远程登录,并指导创建安全的远程管理账户。文章还涵盖了密码策略强化、日志审计配置和网络层防护等关键合规要求,帮助用户实现MySQL的等保三级全面合规。

weixin_42522964的博客 259

JavaAPI.02.包装类与正则表达式(基本概念,常用方法,字符规则,数量规则)

正则表达式是一种强大的文本匹配工具,可以用来查找、替换、分割字符串等。在Java中,String类也提供了一些直接使用正则表达式的方法,如matches()split()

yyayyl_xzq的博客 1011

离线安装ambari 更换spark版本 集成carbondate文档

1、Linux系统环境配置 1.1 配置IP地址 vim /etc/sysconfig/network-script/ifcfg-eth0 “DEVICE”:网卡对应的设备别名,如ifcfg-eth0第一块网卡; “HWADDR”:网卡物理地址; “BOOTPROTO”:网卡获得ip地址的方式,Static(静态 ip地址)dhcp(通过dhcp协议获取ip)bootip通过boot...

weixin_44742962的博客 3036

JavaAPI — 包装类与正则表达式

JavaAPI中的包装类与正则表达式是处理基础数据类型和字符串操作的重要工具。包装类如Integer、Double等将基本类型封装为对象,使其能应用于泛型集合等面向对象的场景。自动装箱和拆箱机制在JDK5后实现基本类型与包装类的隐式转换,提升代码简洁性,但需警惕频繁转换引发的性能损耗。正则表达式通过Pattern和Matcher类实现复杂文本匹配,Pattern.compile()编译正则规则,Matcher通过find()、group()等方法执行匹配和结果提取。

2403_89893216的博客 1203

【超详细】基于YOLOv8的PCB缺陷检测

印刷电路板(PCB)瑕疵数据集:是一个公共的合成PCB数据集,由北京大学发布,其中包含1386张图像以及6种缺陷(缺失孔,鼠标咬伤,开路,短路,杂散,伪铜),用于检测,分类和配准任务。本文我们选取了其中适用与检测任务的693张图像,随机选择593张图像作为训练集,100张图像作为验证集。

weixin_45679938的博客 2万+

opencode完整使用指南:从安装配置到Agent式编程实战

AI编程工具正从辅助补全向智能体协作演进。编程智能体不仅理解项目全局,还能自主执行原子级重构、测试验证等工程任务,显著提升研发效能。以opencode为代表的开源终端AI编程工具,凭本地优先和灵活模型接入成为技术团队新宠。本文围绕opencode的完整使用链路展开,从Node.js环境准备、npm全局安装,到解决Windows环境变量配置问题,再到接入OpenAI、Anthropic或多模型管理平台,梳理一套标准化接入方案。同时演示VSCode插件调用、LSP语义分析及Playwright驱动的浏览器自动化

weixin_28837817的博客 319

JavaAPI.包装类与正则表达式

在Java中,基本数据类型(如intcharboolean等)不是对象,而是一些简单的数据值。为了能够将这些基本类型作为对象来操作,Java提供了对应的包装类。这些包装类位于java.lang包中,它们是不可变的,即一旦创建了包装类的对象,就不能改变它的值。

2401_88631548的博客 2141

Python实战:用jieba和WordCloud打造电商评论情感分析工具(附完整代码)

本文详细介绍了如何使用Python的jieba分词和WordCloud库构建电商评论情感分析工具,涵盖数据预处理、情感分析、可视化展示等关键步骤,并提供完整代码实现。通过该工具,开发者可以高效分析电商评论数据,挖掘消费者情感倾向,为产品改进和决策提供数据支持。

weixin_30316097的博客 415

JavaApi:正则和Object和包装类

JavaApi:正则和Object和包装类

weixin_48206782的博客 142

Power BI应用案例:淘宝用户行为分析实战

一、案例背景 基于千万级的淘宝用户的使用记录,对淘宝用户的行为进行分析,具体指标包括:日PV、日UV、小时PV、小时UV、不同用户行为的PV、用户购买次数分布、用户购买频次分布、活跃用户消费情况等。通过本案例,可以基本看看Power BI都能分析达到怎么样的效果。 二、数据来源及结构 阿里天池官方发布的1万用户在2014年双十二期间的行为记录,数据量达1200万+。 数据下载地址:...

灰哥数据智能的专栏 1万+

LPDDR5 学习笔记02:上电初始化与下电时序

LPDDR5上电初始化流程需严格遵守时序要求:首先确保电源按顺序上电(VDD1→VDD2H→VDD2L→VDDQ),RESET_n保持低电平至电压稳定。初始化包含自动ZQ校准、命令总线训练(CBT)、WCK2CK电平校准和DQ总线训练四个关键阶段,需完成全部训练后才能正常操作。在双电源轨系统中,须在CBT前设置MR13寄存器。复位操作需保持RESET_n低电平至少tPW_RESET时间,断电时要求CS保持低电平且电源电压有序下降。非受控下电时电压斜率需低于0.5V/μs,器件生命周期内不得超过400次非受控

一只豌豆象的博客 2041

JavaAPI常用类超详细笔记——基本数据类型包装类、Object类、Arrays类、String类、StringBuffer和StringBuilder类、正则表达式、数学类、日期类、大数据类

基本数据类型包装类、Object类、Arrays类、String类、StringBuffer和StringBuilder类、正则表达式、数学类、日期类、数据类

xinin919的博客 922

AI工具赋能日常工作的实践指南:以产品经理与程序员为例

AI工具赋能日常工作的实践指南:以产品经理与程序员为例

专注于编程、AI、人工智能等多个领域内容研究和分析 591

javaAPI之正则表达式,包装类

2.1 SimpleDateFormat 日期转换类: 在指定格式的字符串的日期表示和日期对象之间进行转换 创建对象: SimpleDateFormat sdf = new SimpleDateFormat(“格式”) yyyy-MM-dd HH:mm:ss 2017-12-04 09:26:50 使用:转换 String --- >Date par...

TomHaveNoCat的博客 287

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")

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。

JavaApi---第二节

家人们,javaApi第二节包装类和正则表达式来啦,快快学,马上,数据库记得温故而知新一下哦,喜欢的家人们点点关注吧,谢谢啦

XWM_Web的博客 1237

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

【JAVA语言学习】JavaAPI

文章目录基本类型包装类装箱拆箱常见APIObjectequals()toStringArrayssort()binarySearchString部分正则规则普通字符和10个元字符:预定义字符集(可以写在字符集[...]中)StringBuffer 和 StringBuilderMathRandom 基本类型包装类 ​ 在使用基本数据类型的时候,常常无法快速的解决一些问题, ​ 所以,为了方便人们使用,产生了,基本类型包装类: 基本数据类型 包装类 byte Byte short Sh

qq_44126342的博客 489

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

JavaAPI笔记(四)——正则表达式相关类

摘要 正则表达式定义了字符串的模式。 正则表达式可以用来搜索、编辑或处理文本。 正则表达式并不仅限于某一种语言,但是在每种语言中有细微的差别。 一、正则匹配语法 二、Pattern类 三、Matcher类 四、PatternSyntaxException类 五、正则匹配样例 ...

简简单单记录 197

Java 对外API接口开发 java开发api接口如何编写

Collection:单列集合类的根接口,用于存储一系列符合某种规则的元素,它有两个重要的子接口,分别是List和Set。Map:双列集合类的根接口,用于存储具有键(Key)、值(Value)映射关系的元素,每个元素都包含一对键值,其中键值不可重复且每个键最多只能映射到一个值,在使用Map集合时可以通过指定的Key找到对应的Value。某些场合下可能需要把基本数据类型的数据作为对象来使用,为了解决这样的问题,JDK中提供了一系列的包装类,可以把基本数据类型的值包装为引用数据类型的对象。

2301_78159247的博客 2519

从零开始的JavaAPI-常用类

JavaAPI-常用类汇总 1.API API(Application Programming Interface)应用程序编程接口 语言中提供的类、接口; 对类、接口功能的说明文档。 2.基本数据类型包装类 Java语言是一个面向对象的语言,但是Java中的基本数据类型却是不面向对象的,这在实际使用时存在很多的不便,为了解决这个不足,在设计类时为每个基本数据类型设计了一个对应的类进行代表,这样八个和基本数据类型对应的类统称为包装类。 即Java为每种基本类型提供了一个类,这些类被称为包装类。 /*

weixin_45866849的博客 216

java高级(javaAdv和JavaApi)

在使用字符串时,如果要比较其值是否相同,不要使用==判断,因为 == 判断的是内存地址。所以 在比较字符串是否相同时,要使用 String重写的 equals方法进行判断。String 中 equals 方法判断的原理,大致为:将两个字符串保存到字符数组中,再对每个字符逐一比较, 如果全部一致则返回。在使用 equals 方法时,通常要将已知的非空字符串作为调用者。

2301_79880794的博客 3646

JavaAPI常用类03

**/String name = "张三";//张三//张三111。

2303_77543831的博客 915

JAVA第六章javaAPI

byte byteValue() :以byte形式返回指定的数值abstract double doubleValue(): 以double形式返回指定的数值abstract float floatValue() :以float形式返回指定的数值abstract int intValue() :以int形式返回指定的数值abstract long longValue(): 以long形式返回指定的数值short shortValue() :以short形式返回指定的数值。

2301_78624187的博客 985

javaAPI1

应用程序编程接口除java.lang包以外,其他包中的类在使用时需要导入。

qq_55630615的博客 688

JavaAPI基础

--------------API第一天-------------- Object: 它是所有类的超类,祖宗类 java中所有的类都直接或间接的继承这个类 方法(都要了解) public int hashCode() 返回当前对象的哈希码值,理解为对象的地址值 public String toString() 返回当前对象中的内容, 对于Object类默认操作来说,返回的 包名....

ah_hzy的博客 401

JAVA---API

Java--API

qq_56797899的博客 3211

Java String类、正则表达式、Object类型、包装类、内部类、日期时间

1.API的使用    1). API:应用程序编程接口,就是开发文档。    2). javaAPI内包含了大量的已经开发好的功能(被封装到类型中),含有常用的API(字符串操作,集合操作,文件操作,IO流,线程,异常等)。    3).常用的包: java.lang包:内部含有常用的类型,不需要导入包,可以直接使用 String类型。 java.util包:常用的类型,Scanner,日期D...

qq_35589955的博客 228
上一篇: JavaAPI.01.API概述及Object类
下一篇: MySQL 关系型数据库笔记
码_先生
博客等级 码龄4年 256粉丝 37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