OkHttpUtils - 封装了okhttp的网络框架(1),Android面试真题精选

okHttpUtils okHttpUtils工具类要用到的三个jar包,这里有相应的解释http://blog.youkuaiyun.com/xxdw1992 立即下载

使用前,对于Android Studio的用户,可以选择添加:

compile ‘com.zhy:okhttputils:2.0.0’

  • Eclipse

自行copy源码。

注意

整合了Gson,提供了自定Callback,可以按照泛型,自行解析返回结果:

compile ‘com.android.support:support-annotations:23.1.1’

compile ‘com.zhy:okhttputils:2.0.0’

compile ‘com.google.code.gson:gson:2.5’

目前支持


  • 一般的get请求

  • 一般的post请求

  • 基于Http Post的文件上传(类似表单)

  • 多文件和多参数同时上传

  • 大文件下载和下载进度回调

  • 大文件上传和上传进度回调

  • 支持session的保持

  • 支持自签名网站https的访问,提供方法设置下证书就行

  • 支持根据Tag取消请求

  • 支持自定义泛型Callback,自动根据泛型返回对象

即将实现


  • 统一的文件上传管理

  • 统一的文件下载管理

  • 采用线程池或者volley对普通请求进行管理

用法实现


1.普通的GET请求,根据泛型Bean返回值也是Bean

private void getJson() {

OkHttpUtils.get(“http://192.168.1.111:8080/UploadServer/ResponseJson”)//

.tag(this)//

.params(“ppppppp”, “ppp”)//

.headers(“hhhhhhh”, “hhh”)//

.execute(new MyBeanCallBack() {

@Override

public void onResponse(Bean bean) {

System.out.println(“onResponse:” + bean);

}

});

}

2.普通的POST请求,根据泛型Bean返回值也是Bean

private void responseJson() {

OkHttpUtils.post(“http://192.168.1.111:8080/UploadServer/ResponseJson”)//

.tag(this)//

.params(“ppppppp”, “ppp”)//

.headers(“hhhhhhh”, “hhh”)//

.execute(new MyBeanCallBack() {

@Override

public void onResponse(Bean bean) {

System.out.println(“onResponse:” + bean);

}

});

}

3.普通Post,直接上传String类型的文本

不建议这么用,该方法上传字符串会清空实体中其他所有的参数,但头信息不清除,例如本例中的 params 参数不会上传

private void postString() {

OkHttpUtils.post(“http://192.168.1.111:8080/UploadServer/UploadString”)//

.tag(this)//

.params(“ppppppp”, “ppp”)//

.headers(“hhhhhhh”, “hhh”)//

.content(“asdfasdfad这是文本这是文本aasfesr”)//

.mediaType(PostRequest.MEDIA_TYPE_PLAIN)//

.execute(new MyBeanCallBack() {

@Override

public void onResponse(String s) {

System.out.println(“onResponse:” + s);

}

});

}

如果要上传Json,把上面的 mediaType 改为 .mediaType(PostRequest.MEDIA_TYPE_JSON)

4.表单Post,同时上传多文件和多参数(推荐使用)

private void uploadFile() {

OkHttpUtils.post(“http://192.168.1.111:8080/UploadServer/UploadFile”)//

.tag(this)//

.headers(“aaa”, “111”)

.headers(“bbb”, “222”)

.params(“ccc”, “333”)

.params(“ddd”, “444”)

.params(“file1”, new File(Environment.getExternalStorageDirectory() + “/DCIM/Camera/IMG_20151225_155549.jpg”))//

.params(“file2”, new File(Environment.getExternalStorageDirectory() + “/DCIM/Camera/IMG_20160109_010308.jpg”))//

.params(“file3”, new File(Environment.getExternalStorageDirectory() + “/video/splash.avi”))//

.execute(new MyBeanCallBack() {

@Override

public void onResponse(String s) {

System.out.println(“onResponse:” + s);

}

});

}

其中文件的key,相当于表单中input type=“file” name="File1"的name属性。

5.下载文件,get和post都可以,这里使用post演示

OkHttpUtils.post(“http://192.168.1.111:8080/UploadServer/DownloadFile”)//

.tag(this)//

.params(“ppppppp”, “ppp”)//

.headers(“hhhhhhh”, “hhh”)//

.execute(new MyFileCallBack(Environment.getExternalStorageDirectory() + “/video”, “bbb.avi”) {

@Override

public void onResponse(File response) {

System.out.println(“onResponse:” + response);

}

});

6.根据tag取消请求

目前对于支持的方法都添加了最后一个参数Object tag,取消则通过OkHttpUtils.cancel(tag)执行。

例如:在Activity中,当Activity销毁取消请求,可以在onDestory里面统一取消。

@Override

protected void onDestroy() {

super.onDestroy();

OkHttpUtils.getInstance().cancelTag(this);

}

7.自定义CallBack

目前内部提供的包含BeanCallBack, StringCallBack, FileCallBack, BitmapCallback,可以根据自己的需求去自定义Callback。

其中BeanCallBack使用比较多,它支持传递一个泛型,将返回的Response对象解析成需要的类型并且返回,目前支持:

  • 一般的 JavaBean

  • 字符串 String

  • 集合泛型 List< Bean >

  • 集合泛型 Map< Bean >

以下是实现代码:

public abstract class BeanCallBack extends AbsCallback {

@Override

public T parseNetworkResponse(Response response) throws Exception {

Type type = this.getClass().getGenericSuperclass();

if (type instanceof ParameterizedType) {

//如果用户写了泛型,就会进入这里,否者不会执行

ParameterizedType parameterizedType = (ParameterizedType) type;

Type beanType = parameterizedType.getActualTypeArguments()[0];

if (beanType == String.class) {

//如果是String类型,直接返回字符串

return (T) response.body().string();

} else {

//如果是 Bean List Map ,则解析完后返回

return new Gson().fromJson(response.body().string(), beanType);

}

} else {

//如果没有写泛型,直接返回Response对象

return (T) response;

}

}

}

通过parseNetworkResponse回调的response进行解析,该方法运行在子线程,所以可以进行任何耗时操作。

8.上传下载的进度显示

public abstract class AbsCallback {

/** Post执行上传过程中的进度回调,get请求不回调,UI线程 */

public void upProgress(long currentSize, long totalSize, float progress) {

}

/** 执行下载过程中的进度回调,UI线程 */

public void downloadProgress(long currentSize, long totalSize, float progress) {

}

}

callback回调中有upProgress 和 downloadProgress 方法,直接复写即可,在 get 请求中, upProgress 方法不会执行。

9.同步的请求

Response response = OkHttpUtils.get(“http://www.baidu.com”)//

.tag(this)//

.headers(“aaa”, “111”)//

.params(“bbb”, “222”).execute();

execute方法不传入callback即为同步的请求,返回Response对象,需要自己解析。

10.全局配置

可以在Application中,通过:

try {

OkHttpUtils.debug(true, “MyOkHttp”);

OkHttpUtils.getInstance()//

.setConnectTimeout(OkHttpUtils.DEFAULT_MILLISECONDS)//

.setReadTimeOut(OkHttpUtils.DEFAULT_MILLISECONDS)//

自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数初中级安卓工程师,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年最新Android移动开发全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
img
img
img
img

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注Android)
img

推荐学习资料


  • 脑图
    360°全方位性能调优


    由于文章篇幅问题点击链接查看详细文章以及获取学习笔记:GitHub

zIU-1711191125951)]
[外链图片转存中…(img-KAD9rjZ7-1711191125952)]
[外链图片转存中…(img-OORzmbiJ-1711191125952)]

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注Android)
[外链图片转存中…(img-JdPSj5Ub-1711191125952)]

推荐学习资料


  • 脑图
    [外链图片转存中…(img-3YRF2fAW-1711191125953)]
    [外链图片转存中…(img-u4Rznzon-1711191125953)]
    [外链图片转存中…(img-DWJeRWcr-1711191125954)]
    由于文章篇幅问题点击链接查看详细文章以及获取学习笔记:GitHub
Android-OkHttpUtils最简单的okhttp封装CallBack方法执行在UI线程 最简单的okhttp封装,CallBack方法执行在UI线程。支持get请求,post请求,支持文件上传和下载。 立即下载

相关推荐

com.zhy:okhttputils:2.6.2依赖包

implementation 'com.zhy:okhttputils:2.6.2'依赖包jar包

Android网路编程之okhttp项目中封装使用,'com.zhy:okhttputils:2.6.2'基础上再封装MyOkhttpUtils

一.使用场景,及业务需求 在Android项目开发中,为了让你的App能够连接后台服务器获取后台数据,在数据加载过程中弹出相应的"正在加载...."提示语,在网络或者服务器异常时请求失败弹出"加载失败,请重新请求", 二.写这篇博客原因 com.zhy:okhttputils:2.6.2'这个可以依赖的项目是Android大神鸿洋封装好的一个网络请求框架,我们可以把它集...

qq_38363256的博客 7781

ubuntu18.04 显卡驱动问题 造成屏幕分辨变大 NVIDIA-SMI has failed because it couldn't communicate with ....等问题

问题1:装好了显卡驱动,cudnn,tensorflow等没问题,一直可以用。但是突然有一天不行了,终端输入:nvidia-smi 显示:NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed...

梦萦飞--CV/DL/ML 2248

OkHttpUtils - 封装了okhttp的网络框架

前言OkHttpUtils - 封装了okhttp的网络框架,目前Get,Post的请求已经完成,支持大文件上传下载,上传进度回调,下载进度回调,表单上传(多文件和多参数一起上传),链式调用,整合Gson,自动解析返回对象,支持Https和自签名证书,支持cookie自动管理,后期将要实现的功能,统一的上传管理和下载管理。用法 Android studio 使用前,对于Android Studio

向着太阳迎着光 2200

restbed编译笔记

Restbed 可以构建出基于asio库的restfulAPI服务,Restbed 4.7版本使用了1.12.0版本的asio(其他版本编译不通过),可直接访问github下载:https://github.com/chriskohlhoff/asio/tree/asio-1-12-0。另外Restbed还依赖openssl库(可直接下载exe的安装包,安装后取出lib库及头文件放到到restbed\dependency\openssl中即可,https://slproweb.com/download/W.

mahong100的博客 2106

OTN传送网实战指南:从光层到电层的完整架构解析(附配置示例)

本文深入解析OTN传送网从光层到电层的完整架构,涵盖关键组件、技术实现及配置示例。通过高速公路与光传送网的类比,详细介绍了光层超宽传输管道构建、电层业务调度核心引擎以及控制平面智能运维实战。附有典型组网方案与故障排查指南,助力网络工程师高效部署与维护OTN传送网。

tomato的博客 684

Android 一个改善的okHttp封装库(2),面试怎么学

最后对于程序员来说,要学习的知识内容、技术有太多太多,要想不被环境淘汰就只有不断提升自己,从来都是我们去适应环境,而不是环境来适应我们!这里附上上述的技术体系图相关的几十套腾讯、头条、阿里、美团等公司2021年的面试题,把技术点整理成了视频和PDF(实际上比预期多花了不少精力),包含知识脉络 + 诸多细节,由于篇幅有限,这里以图片的形式给大家展示一部分。

2401_84103844的博客 1165

svn co --depth和svn up --set-depth 只check out下一层文件 只更新指定文件 只更新下一层的用法

svn的工程可能很大 有时我们只需要部分文件即可 这里介绍几个命令 1.svn co(check out) --depth --depth=empty,files,immediates,infinity 假设某svn结构如下 svn://root/PRO/A_dir/a svn://root/PRO/B_dir/b svn://root/PRO/c_file svn co --depth=emptysvn://root/PRO 此时只会在本地check out出 PRO/的空目录。 sv.

cy413026的博客 1万+

Android 一个改善的okHttp封装库

最后为了帮助大家深刻理解。

m0_75012072的博客 1105

Windows正在配置Xftp6在下面的框输入包含安装程序包“Xftp 6.msi“的文件夹的路径

Windows正在配置Xftp6在下面的框输入包含安装程序包“Xftp 6.msi"的文件夹的路径

m0_56588258的博客 2471

LTspice第三方SPICE模型集成全流程指南

SPICE模型是电子电路仿真的核心基础,它通过数学方程描述半导体器件的非线性、温度依赖与寄生特性,决定仿真结果是否具备工程可信度。其技术价值在于 bridging 理论参数与实测行为,显著提升电源、电机驱动及逻辑电路设计的一次成功率。典型应用场景包括IGBT开关损耗分析、LDO瞬态响应验证、CMOS逻辑门传播延迟评估等。而LTspice作为轻量级工业级工具,依赖用户主动集成原厂提供的.subckt或.model文本模型——这正是‘LTspice导入SPICE模型’和‘74HC14 SPICE模型’等高频搜索

weixin_33868027的博客 305

Android 一个改善的okHttp封装库,中高级Android面试题目汇总解答

.url(url)//.build()//.execute(new FileCallBack(Environment.getExternalStorageDirectory().getAbsolutePath(), “gson-2.2.1.jar”)//{@Overridepublic void inProgress(float progress){mProgressBar.setProgress((int) (100 * progress));}@Overridepublic void onError(R

2401_84152140的博客 718

Hermes Agent 对阵 OpenClaw:自我改进的 AI 队友

但在 2026 年 2 月,Nous Research 发布了 Hermes Agent,它带来了不同的愿景:一个不仅能够运行,还能学习的代理。在完成复杂的多步骤任务后,它会分析自己的操作并创建一个可复用的技能。对于已在使用 OpenClaw 的澳大利亚企业而言,这意味着您可以试用 Hermes Agent,而无需丢失数月的配置和自定义成果。最重要的区别在于理念:OpenClaw 是一个需要配置的工具,而 Hermes Agent 则是一个会学习的队友。OpenClaw 的技能是静态的。

xiaoshun007的专栏 1571

解决添加依赖包后出现Failed to resolve: com.zhy:okhttputils:2.6.2的问题

在项目目录下的settings.gradle文件中增加。在项目目录下的build.gradle文件中增加。

MoonAndroid的博客 4361

Docker 环境 Playwright MCP 部署全流程指南

Docker部署Playwright MCP全流程指南 本文详细介绍了使用Docker容器化部署Playwright MCP的完整流程,涵盖镜像拉取、容器启动、配置优化和问题排查。主要内容包括: 核心部署步骤:通过官方镜像快速搭建环境,支持自定义端口和数据持久化 关键配置要点:详解网络设置、持久化目录挂载和环境变量配置 服务验证方法:通过日志检查和服务连通性测试确保部署成功 客户端集成:提供VS Code等IDE的配置示例 常见问题解决:针对浏览器启动超时、跨域限制等问题给出解决方案 实战案例:演示自动化爬

勤奋的码农 1473

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")

Android okhttputils 第三方库网络请求库

Android okhttp

MrYanXi的博客 1447

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Android 网络请求框架okhttputils报错(okhttp3找不到)

Gralde升级导致网络请求框架okhttputils报错(okhttp3找不到)

帅次的博客 4955

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

05.Android用Okhttp搭建自己的网络框架

在Android Studio中只要在dependencies里添加 compile ‘com.zhy:okhttputils:2.6.2’ 而在eclipse中则需要导入okhttp-3.9.0.jar,okhttputils-2_6_2.jar,okio-1.13.0.jar 这三个jar包,但是放心,我已经上传了资源 http://download.youkuaiyun.com/download/zxc...

qq_37390941的博客 704

OkHttpUtils的使用

OkHttpUtils是一个非常好的网络协议框架,它是在OkHttp的基础上进行了二次封装。要使用这个类首先下载jar包,如下: http://download.youkuaiyun.com/download/xxdw1992/10151070 OkHttpUtils下载文件 OkHttpUtils.get().url("网址").build().execute(new FileCall...

xxdw1992的博客 2733

推荐项目:OKHttpUtils - 简单高效的Android HTTP请求库

推荐项目:OKHttpUtils - 简单高效的Android HTTP请求库 在开发Android应用时,我们经常会需要与服务器进行数据交互,这时一个高效、易用的HTTP请求库就显得尤为重要。今天,我们要向大家推荐的是,这是一个基于OkHttp的Android网络请求工具库,旨在简化网络请求的操作,并提供更好的性能和稳定性。 项目简介 OKHttpUtils是作者duzechao对OkHttp的...

gitblog_00100的博客 957

ANDROID 问题整理 九

// 判断软件是否在后台 // 后台启动页面设置 // java.security.cert.CertPathValidatorException: Trust anchor for certification path not found. // rsa加密 // RSA/RSA2 生成签名

qq_33990091的博客 230

okhttp-utils

okhttp-utils 出处:https://github.com/hongyangAndroid/okhttp-utils 对okhttp的封装类,okhttp见:https://github.com/square/okhttp. 用法 Android Studio compile 'com.zhy:okhttputils:2.5.2' Eclipse 下载最新

山城木府 6594

okhttputils下载安装apk

1、配置 build.gradle添加依赖 implementation 'com.zhy:okhttputils:2.6.2' 2、初始化(可以在application中初始化) OkHttpClient.Builder builder = new OkHttpClient.Builder() .connectTimeout(15000L, TimeUnit.SECOND...

碎火流荧的博客 1528

OkHttpUtils一个专注于让网络请求更简单的框架

1.支持的常用功能 一般的 get,post,put,delete,head,options请求基于Post的大文本数据上传,postString(),postJson()等多文件和多参数统一的表单上传(允许监听上传进度)支持一个key上传一个文件,也可以一个Key上传多个文件大文件下载和下载进度回调大文件上传和上传进度回调支持cookie的内存存储和持久化存储,支持传递自定义cookie提

hehe307的专栏 1万+

浅谈android开发中的的OkHttpUtils

okhttputils 是csdn 鸿洋大神基于okhttp网络请求进行的二次封装,相比较其他的如retrofit框架本人还是喜欢用hongyang大神的okhttputils只是结合自身情况做一些简单的修改便可。当然了两种框架到底谁好就仁者见仁智者见智了。废话少说直接上代码,带你们一步一步了解用法。 1.在你的app gradle添加依赖 compile ‘com.zhy:okhttput...

baidu_32015283的博客 2207
上一篇: 网络编程套接字Socket,java面试编程经典题
下一篇: 面试官:HashMap中变量modCount的真实作用是什么,15分钟的字节跳动视频面试
普通网友
博客等级 码龄5年 4697粉丝 610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