ThinkInJava学习笔记--1

《Think in Java》深入理解编程指南 本文还有配套的精品资源,点击获取 简介:《Think in Java》是由Bruce Eckel编写的Java编程经典教程,为初学者和经验丰富的程序员提供全面的Java语言理解。本书以详尽的解释、丰富的示例和深入的概念分析著称,涵盖了Java基础语法、面向对象编程概念、异常处理、集合框架、泛型、IO流、多线程和网络编程等。同时,书中还强调了在线资源和社区的重要性,提供额外的... 阅读详情

BigDecimal:支持任意精度的定点数,适用于精确的货币计算(必须String作为构造器参数,否则依旧会出现精度损失的情况)(double和float由于会出现精度丢失的问题,适用于科学计算)。

 

JAVA数组:确保初始化,牺牲少量内存的代价进行运行时的范围检查(下标检查)。

 

无需销毁JAVA对象:Java对象无法在作用域之外被引用,但会一直存在于堆中,它不需要像C++那样指定其存在的时间;由于java存在垃圾回收机制,也不要担心堆中滞留的对象会导致内存溢出。(回收长时间、、、未被引用的对象)

 

方法参数列表:方法的参数都是对象(言外之意就是基本类型最好使用包装器类型进行传递么?不过实际场景中由于自动包装和自动拆包的特性应该也没必要这么做)

 

static的用法:1、为特定域分配单一的存储空间(static域,静态变量)。2、定义静态方法,不与类的对象关联(静态方法)。由于static方法不需要由特定对象进行访问,所以导致static方法也不能访问非static的域(变量)[也可以简单的粗暴的认为:static类型的方法不是初始过后的对象进行调用的,所以对于需要初始化的非static变量,它不能够访问;嗯,没有完成义务,同样不能享受福利?]另外static方法可以通过初始化的具体对象进行引用(莫名有种重复定义的感觉,可能是某些特定的情境下需要吧)

public class TestStatic {
    private static int a = 3;
    private int b = 4;
    public int getA(){
        return a;
    }
    public static int getNum(){
        return a;
    }
    
    public static void main(String[] args){
        TestStatic ts = new TestStatic();
        System.out.println(TestStatic.getNum());   //类名访问静态方法
        System.out.println(ts.getNum());           //具体的对象访问静态方法
        System.out.println(ts.a);                  //具体的对象访问静态域
        System.out.println(TestStatic.a);          //类名访问静态域
        System.out.println(ts.getA());             //通过非静态方法获取静态域
        
        //可以粗略的当作静态成员拥有天然的初始化属性,可以较为自由的访问
        //而非静态成员在未经具体对象初始化就去访问是会报错的
    }
}

args: 存储命令行参数;

 

关于等于符号 "="   当使用 "=" 给基本类型赋值时,是将右值复制给左值,右值和左值分别指向不同的物理地址,两者各自的运算不影响对方的值;当使用 "=" 给对象类型赋值时,此时是将同一个对象的引用分享给了另一个对象,也就是俗称的浅拷贝,不论左值还是右值试图修改对象的属性,都会导致对方发生改变。将对象作为参数传递到方法中,对象在方法中被修改某些域,方法外的对象也被改变。(JDK5)

 

 

 

thinkinjava源码-Think-In-Java-Code:ThinkingInJava(第四版)书中源码以及课后练习代码 think in java 源码 Think-In-Java-Code Thinking In Java 书中源码以及课后练习代码(从第7章开始随着看书的进度一步步更新) 第七章 复用类 7.1 组合语法 7.2 继承语法 7.2.1 初始化基类 7.3 代理 7.4 结合使用组合和继承 7.4.1 确保正确清理 7.4.2 名称屏蔽 7.5 在组合与继承之间选择 7.6 protected关键字 7.7 向上转型 7.7.2 再论组合与继承 7.8 final关键字 7.8.1 final 数据 7.8.2 final 方法 7.8.3 final 类 7.9 初始化以及类的加载 7.9.1 继承与初始化 第八章 多态 8.1 再论向上转型 8.2 转机 8.2.2 产生正确的行为 立即下载

相关推荐

think in java_Think in java笔记(一)

Introduction to Objects & Everything is an Objects1.万物皆对象2.upcast是安全的3.downcast不是绝对安全的,SE5之前,由于容器类只能容纳Object,所以当你将一个对象引用丢进容器,这个对象就upcast成Object,丢失了原有的信息。4.但是SE5允许利用generics(泛型)可以安全地downcast S例如Arr...

weixin_42521032的博客 435

45个经典Linux面试题(非常详细)零基础入门到精通,收藏这一篇就够了

(文件系统分配其中的一些磁盘块用来记录它自身的一些数据,如 i 节点,磁盘分布图,间接块,超级块等。$ chmod 751 file 给 file 的属主分配读、写、执行(7)的权限,给 file 的所在组分配读、执行(5)的权限,给其他用户分配执行(1)的权限。linux命令’hash’管理着一个内置的哈希表,记录了已执行过的命令的完整路径, 用该命令可以打印出你所使用过的命令以及执行的次数。创建文件:典型的如 touch,vi 也可以创建文件,其实只要向一个不存在的文件输出,都会创建文件。

小陈的博客 2070

《Thinking in java》笔记

《thinking in java》引发的思考 关于java面向对象的思考——抽象、并发 thinking in java中1.1抽象过程的描述 问题空间——>解空间的映射(所有问题最终都是列表,所有问题最终都是算法,面向对象) 对象是现实世界的抽象,到解空间中很好表述 难点:如何在问题空间的元素 到 解空间的对象之间创造一一对应的映射 java中的不足——interface、abst?、 (1.必须先定义最高层[或者使用适配器方式] 2.类似的类如何高效的相互复用[比如...

__一叶__的博客 1134

MODIS 遥感数据批量下载(使用Cygwin)

MODIS 遥感数据批量下载(使用Cygwin)包含Cygwin的下载教程

weixin_45913084的博客 916

第4.4节:保护轴承与安全系统

飞轮储能系统的保护轴承是磁悬浮失效时的最后安全屏障,其设计需满足非干涉性、高可靠性和有限寿命承载原则。转子跌落过程包括自由下落、碰撞、进动和滑行减速等复杂非线性阶段,产生远超常规工况的冲击载荷。保护轴承需具备极限冲击容量、高温耐受性和抗卡死能力。系统采用多层级安全架构,结合故障诊断与健康管理,通过监测振动、电流等参数实现预测性维护。安全停机序列有序结合主动制动与被动摩擦制动,确保系统在极端工况下的安全。保护轴承类型多样,需根据系统规模与可靠性要求合理选择。

技术工作者 228

探索Java编程艺术:Think in Java项目详解

探索Java编程艺术:Think in Java项目详解 在编程的世界中,Java一直以其稳定性、可移植性和强大的库支持占据着重要的位置。今天,我们要介绍一个名为“Think in Java”的开源项目,它旨在帮助开发者深入理解Java编程思想并提升技能。该项目可以在上找到。 项目简介 “Think in Java”是由开发者Quanke编写的,灵感来源于经典的《Thinking in Java》...

gitblog_00027的博客 594

STM32 TIM3硬件XOR+复位模式实现霍尔信号精准捕获

霍尔传感器是电机控制系统中获取转子位置的关键器件,其三路数字信号需通过高精度、低延迟的边沿检测机制转换为电角度信息。其核心原理在于利用定时器输入XOR逻辑合并多路信号,并结合从模式复位(Reset Mode)实现硬件级时间间隔测量——每次跳变强制计数器清零,使CNT值直接表征换相周期。该方案规避了软件轮询的不确定性,显著提升FOC控制的实时性与鲁棒性。典型应用场景包括BLDC/FOC电机驱动、机器人关节伺服及工业变频器设计,尤其适用于STM32F4系列等具备硬件XOR与从模式控制器的MCU平台。

weixin_28931507的博客 92

ThinkInJava_1_对象导论

(1)万物皆对象 对象可以存储数据,也可以执行操作 (2)程序是对象的集合,它们通过发送消息来告知彼此所要做的 可以把消息想象为对某个对象的特定方法的调用 (3)每个对象都有自己的由其他对象所构成的存储 可以通过创建包含现有对象的包的方式来创建新类型的对象 (4)每个对象都拥有类型 每个对象都是某个类的一个实例 (5)某一类特定类型的所有对象都可以接收同样的消息 子类可以完全替代父类的所有功能 ???? Light lt = new Light(); lt.on(); 面向对象要解决的是创建从问题空间到解

gosick_的博客 193

Qt —— 在Win11下“Qt for Android“开发环境,通过USB在真机(华为Meta60 PRO)上调试运行,并打包APK并在真实手机运行

Qt —— 在Win11下“Qt for Android“开发环境,打包APK并在真实手机运行

314

嵌入式开发环境Vscode开发STM32单片机程序

STM32单片机非常强大,大多数教程都是使用 keil 编译器,keil 是收费的而 gcc 是开源免费的。这里介绍一些使用 gcc +开发单片机程序的经验。(这里不解释 gcc 是什么)。

嵌入式技术开发 1843

ThinkInJava之内部类

一:内部类概述   将一个类的定义放在另一个类的内部,这就是内部类。内部类是Java一种非常有用的特征,因为他允许你把一些逻辑相关的数据组织在一起,并控制它的可见性。 二:内部类的创建   我们都知道类的创建语法(简略)如下   [public |...] class 类名 [implements|....]{ 定义属性(注意不同的修饰符(如public ....)) ...

weixin_30945039的博客 101

YOLOv13必学核心:SKAttention选择性核注意力机制原理 + 实战全拆解

SKAttention的核心思想来源于人类视觉系统的一个重要特性:根据不同的视觉刺激,人眼能够自适应地调整感受野大小。SKAttention将这一生物学原理转化为深度学习中的注意力机制,通过动态选择和融合不同大小的卷积核,实现了自适应的多尺度特征提取。在人类视觉皮层中,不同的神经元具有不同大小的感受野,而且这些感受野的大小会根据视觉刺激的类型动态调整。本文将深入解析SKAttention模块的设计原理、数学基础、实现细节,以及其在YOLOv13目标检测框架中的集成应用,为读者提供全面而深入的技术理解。

FJN110的博客 97

ThinkInJava笔记

这篇是大一的时候看ThinkInJava的时候随后记录的笔记,感觉还是那么熟悉!   局部变量存放在内存的栈里面, 内存分为四块:code segment 存放代码;data segment 存放静态变量   和字符串常量;stack 存放局部变量;heap 存放new出来的东西; 面向对象: 合适的方法应该出现在合适的类里!  1.遇到问题时,先抽象出来各个对象,以及各对象之间

渠清如许 2432

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")

ThinkinJava

Think in Java 一本让人沮丧的书。 --mark 一、分析和设计 不同于C primer plus,她教你的不单是扎实的基础,还是一种思考问题的方法,你会不会忽然有一天发现自己不会编程! 1、 阶段 0 :拟出一个计划 假如能...

weixin_30849591的博客 94

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/

ThinkInJava学习笔记--4 组合、继承与代理

《复用类》 组合: 实现方法为通过在类中添加其他类对象为域达到目的,可以调用该类对外暴露的方法和域。 通过添加类对象,即使类未申明为public(继承或包访问权限),也可以通过类对象调用其public成员方法和域。 继承: 通过extends关键字得到基类向下暴露的方法和域(通常设计技巧将域设置为private,而将方法全部设置为public) 当基类没有默认的无参数构造器时,在导...

bokerr的博客 310

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

ThinkInJava

听说资源不多? 那就趁这个机会骗点点击吧~ 链接: https://pan.baidu.com/s/1U2_rXayEQHF4vJ5R2uyxig 提取码: spbt 

sinat_35719640的博客 417

ThinkInJava_8_多态

OOP 继承,抽象,多态 多态的作用是消除类型之间的耦合 8.1 向上转型 把某个对象的引用视为其基类的引用的做法称为向上转型 8.2 转机 绑定:将一个方法调用同一个方法主体关联起来被称作绑定 静态绑定:在程序执行前进行绑定,是面向过程的默认绑定方式 动态绑定:直到运行时通过某种机制确定对象的类型,才与方法绑定 有了动态绑定,只编写基类的代码,所有的导出类都可以正确运行 Shape s = new Circle(); //创建一个 Circle 对象,并把得到的引用立即复制给 Shape s.draw

gosick_的博客 200

ThinkInJava_13_字符串

13.1 不可变 String String 对象是不可变的,String 类中每一个改变 String 值的方法,实际上都创建了一个新的 String 对象 String s1 = "aaa"; String s2 = s1.toUpperCase(); //创建了新的对象值为 AAA 13.2 重载 “+” StringBuilder String mango = "mango"; String s = "abc" + mango + "def" + 47 //实际上执行了四次StringBuil

gosick_的博客 153

ThinkInJava_5_初始化与清理

5.1 用构造器确保初始化 构造器与类名相同 编译器自动调用构造器 不接受任何参数的构造器称为默认构造器或者无参构造器 构造器是特殊的方法,没有返回值,也不返回空 Tree t = new Tree(12) 如果Tree(int)是唯一定义的构造器,则不允许以其他任何方式创建对象,也不能用无参构造器创建对象 5.2 方法重载 不同参数列表能够区分重载的方法,不仅是类型不同,参数的顺序不同也视为不同的方法,不能以返回值的类型来区分不同的方法 static void f(String s,int i) {}

gosick_的博客 193

ThinkinJava--摘要(1)

第一章  对象导论 1.1 抽象过程 1)万物皆无对象; 2)程序是对象的集合,通过发送消息告知彼此所要做的; 3)每个对象都有自己的由其他对象所构成的存储; 4)每个对象都拥有其类型; 5)某一特定类型的所有对象都可以接收同样的消息; 1.2每个对象都有一个接口 1.3每个对象都提供服务 1)调用其对象提供服务 1.4被隐藏的具体实现 1)访问控制存在的原因: i)让客户

m0_37176232的博客 313

ThinkInJava_12_异常

12.1 概念 12.2 基本异常 12.3 异常参数 12.4 创建自定义异常 12.5 异常说明 12.6 捕获所有异常 12.7 Java标准异常 12.8 使用 finally 进行清理 12.9 异常的限制 12.10 构造器 12.11 异常匹配 12.12 其他可选方式

gosick_的博客 187

ThinkInJava 中文版-下载

下载地址:http://www.yq1012.com/ThinkingInJava/ 第1章 对象入门 “为什么面向对象的编程会在软件开发领域造成如此震憾的影响?” 面向对象编程(OOP)具有多方面的吸引力。对管理人员,它实现了更快和更廉价的开发与维护过程。对分析与设计人员,建模处理变得更加简单,能生成清晰、易于维护的设计方案。对程序员,对象模型显得如此高雅和浅显。此外,面向对象工具以及库的巨大...

s275287998的博客 1118

ThinkInJava_10_内部类

10.1 创建内部类 public class Parcel2 { class Contents {} class Destination {} public Destination to() { return new Destination(); } public Contents contents() { return new Contents(); } public static void main(String[] args) { Parcel2 p = new Parce

gosick_的博客 184

ThinkInJava学习笔记--2 + 4位吸血鬼数

一.四位数的吸血鬼数的实现: import java.util.Arrays; public class test1 { public static void main(String[] args){ System.out.println("总数:"+Judge(1000,9999)); } /* * @param begin 吸血鬼数范围集合 ...

bokerr的博客 298
上一篇: ORA-00054: 资源正忙 解决办法
下一篇: ThinkInJava学习笔记--2 + 4位吸血鬼数
bokerr
博客等级 码龄10年 41粉丝 70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