oc 常用字符串操作

spy++中文版/inspect.exe 自动化测试工具: spy++中文版 和 inspect.exe 立即下载
/--------操作字符串--NSString(静态字符串)---------------------
    NSString *Beijing= @"北京欢迎您";        //字符串的声明
    NSString *log=@"北京欢迎您a"; //[NSString stringWithFormat:@"I am '%@'",Beijing];     //字符串格式化
    NSString *zhui = [Beijing stringByAppendingString:@"哈哈哈"];        //字符串追加
    bool b=[Beijing isEqualToString:log];                               //字符串比较
    NSString *hh = @"http://www.sina.com.cn";
    if([hh hasPrefix:@"http"]){                                          //查找以http开头的字符串
        NSLog(@"含有http");
    }else{
        NSLog(@"没有http");
    }
    NSString *ss = @"123";
    int a = [ss intValue]+13;                                   //字符串转int型
    double dd = [ss doubleValue]+33.3;                          //字符串转double型
    NSLog(@"%g",dd);
//字符串转数组 
    NSString *zifuchuan =@"one,two,three,four";
    NSLog(@"string:%@",zifuchuan);
    NSArray *array = [zifuchuan componentsSeparatedByString:@","];
//    NSLog(@"array:%@",array);                             //输出整个数组中所有元素 
    NSString *value = [array objectAtIndex:0];          //取出第0个元素
    NSLog(@"value:%@",value);
//数组转字符串
    NSString * zifuchuan2 = [array componentsJoinedByString:@","];
    NSLog(@"zifuchuan2:%@",zifuchuan2);
       
//-substringToIndex: 从字符串的开头一直截取到指定的位置,但不包括该位置的字符
NSString *string1 = @"This is a string";
NSString *string2 = [string1 substringToIndex:3];
NSLog(@"string2:%@",string2);

//-substringFromIndex: 以指定位置开始(包括指定位置的字符),并包括之后的全部字符
NSString *string1 = @"This is a string";
NSString *string2 = [string1 substringFromIndex:3];
NSLog(@"string2:%@",string2);

//-substringWithRange: //按照所给出的位置,长度,任意地从字符串中截取子串
NSString *string1 = @"This is a string";
NSString *string2 = [string1 substringWithRange:NSMakeRange(0, 4)];
NSLog(@"string2:%@",string2);

//--------操作动态字符串--NSMutableString----------------------------------------------------
    NSMutableString *mstr = [[NSMutableString alloc] init];
    NSString *str1 = @"This is a example.";
    //创建可变字符串
    mstr = [NSMutableString stringWithString:str1];
    //插入字符
    [mstr insertString:@"very easy " atIndex:10];
    //删除一些字符
    [mstr deleteCharactersInRange:NSMakeRange(10,5)];
    //查找并删除
    NSRange substr = [mstr rangeOfString:@"example"];             //字符串查找,可以判断字符串中是否有
    if (substr.location != NSNotFound) {
        [mstr deleteCharactersInRange:substr];
    }
    //重新设置字符串
    [mstr setString:@"This is string AAA"];
    //替换字符串
    [mstr replaceCharactersInRange:NSMakeRange(15, 2) withString:@"BBB"];   //从第15个字符串处替换掉后2个字符串
   
    //查找第一个并替换
    NSString *search = @"This is";
    NSString *replace = @"An example of";
    substr = [mstr rangeOfString:search];
    if (substr.location != NSNotFound) {
        [mstr replaceCharactersInRange:substr withString:replace];      //把第1个遇到的substr替换为replace
        NSLog(@"%@",mstr);
    }
   
    //查找全部匹配的,并替换
    search = @"a";
    replace = @"X";
    substr = [mstr rangeOfString:search];
    while (substr.location != NSNotFound) {
        [mstr replaceCharactersInRange:substr withString:replace];
        substr = [mstr rangeOfString:search];
    }

    NSLog(@"%@",mstr);


常见的NSString方法

 +(id)stringWithContentsOfFile:path encoding:enc error:err

创建一个新字符串并将其设置为path指定的文件的内容,使用字符编码enc,如果非零,则返回err中的错误。

+(id)stringWithContentsOfURL:url encoding:enc error:err

床架一个新字符串,并将其设置为url的内容,使用字符编码enc,如果非零,则返回err中的错误。

+(id)string   创建一个新的空字符串。

+(id)stringWithString:nsstring 创建一个新字符串,并将其设置为nsstring

-(id)initWithString:nsstring   将新分配的字符串设置为nsstring

-(id)initWithContentsOfFile:path encoding:enc error:err

将字符串设置为path指定的文件的内容

-(id) initWithContentsOfURL:url encoding;enc error:err

将字符串设置为url(NSURL*)url的内容,使用字符编码enc,如果非零,则返回err中的错误。

-(UNSIgned int)lengtn  返回字符串中字符数目

-(unichar) characterAtIndex:i  返回索引i的Unicode字符

-(NSString*)substringFromIndex:i   返回从i开始直到结尾的字符串

-(NSString*)substringToIndex:i 返回从该字符串开始位置到索引i的子字符串

 

-(NSComparator *)caseInsensitiveCompare:nsstring 比较两个字符串,忽略大小写

-(NSComparator *)compare:nsstring  比较两个字符串

-(BOOL)hasPrefix:nsstring 测试字符串是否以nsstring开始

-(BOOL)isEqualToString:nsstring  测试两个字符串是否相等。

-(NSString*)capitalizedString 返回每个单词首字母大写的字符串(每个单词的其余字母转换为小写)

 

-(NSString *)lowercaseString 返回转换为小写的字符串

-(NSString *)uppercaseString 返回抓换为大写的字符串

-(const char *)UTF8String 返回转换为UTF8字符串的字符串

-(double) doubleValue 返回转换为NSInteger整数的字符串

-(int)intValue 返回转换为整数的字符串

NSMutableString字符方法

+(id)stringWithCapacity:size 创建一个字符串,初始包含size的字符

-(id)initWithCapacity:size 使用初始容量为size的字符来初始化字符串

-(void)setString :nsstring 将字符串设置为nsstring

-(void) appendString:nsstring 在接受者的末尾附加nsstring

-(void)deleteCharactersInrange:range 删除指定range中的字符

-(void)insertString:nsstring atIndex:i以索引i为起始位置插入nsstring

-(void) replaceCharactersInrange: range withString:nsstring 使用nsstring替换range指定的字符

-(void)replaceOccurrencesOf  String:nsstring withString:nsstring2 options:opts range:range

根据选项opts,使用指定range中的nsstring2替换所有的nsstring。选项可以包括NSBackwardsSearch(从范围的结尾开始搜索),NSAn冲热点Search(nsstring必须匹配范围的开始),NSLiteralSearch

Inspect.exe工具 1.inspect.EXE小工具,包含32位和64位 2.桌面自动化,pywinauto辅助神器 3.找资源不容易,各位大哥给点积分 立即下载

相关推荐

inspect.exe

Inspect.exe是一种基于 Windows 的工具,它可以选择任何 UI 元素并查看其辅助功能数据。 可以查看 Microsoft UI 自动化属性和控件模式以及 Microsoft Active Accessibility (MSAA) 属性。 “检查”还可以测试 UI 自动化树中自动化元素的导航结构以及 Microsoft Active Accessibility 层次结构中的可访问对象。

oc 字符串操作

/--------操作字符串--NSString(静态字符串)---------------------     NSString *Beijing= @"北京欢迎您";        //字符串的声明     NSString *log=@"北京欢迎您a"; //[NSString stringWithFormat:@"I am '%@'",Beijing];     //字符串格式

Mr.An 的专栏 2万+

医用超声图像模拟系统算法:空间分辨率详解

医用超声图像模拟系统中的空间分辨率,是连接物理原理、信号处理算法和最终图像质量的桥梁。通过精确模拟从声场发射、组织相互作用到信号接收和图像重建的全链条过程,并运用先进的波束形成、解卷积和超分辨率算法,我们可以不断逼近并突破物理极限,为开发下一代高分辨率超声成像系统提供强大的算法验证平台和数据集来源。未来的趋势将是更高保真度的物理模拟、更智能的自适应算法与数据驱动方法的深度融合。

alxraves的博客 702

OC各种数据类型之间的转换方法

NSNumber转NSString: 假设现有一NSNumber的变量A,要转换成NSString类型的B 方法如下: NSNumberFormatter* numberFormatter = [[NSNumberFormatteralloc] init]; B = [numberFormatter stringFromNumber:A]; [numberForm

阿海的博客 6万+

Labelme安装教程(附Anaconda安装教程)

本文详细介绍了如何安装Anaconda和Labelme,还提供了常见问题的解决建议。

HanYan_ing的博客 1万+

相机光学(三十八)——VCM(Voice Coil Motor)音圈马达

VCM(Voice Coil Motor)音圈马达全称Voice Coil Montor,电子学里面的音圈电机,是马达的一种。因为原理和扬声器类似,所以叫音圈电机,具有高频响、高精度的特点。其主要原理是在一个永久磁场内,通过改变马达内线圈的直流电流大小,来控制弹簧片的拉伸位置,从而带动上下运动。手机摄像头广泛的使用VCM实现自动对焦功能,通过VCM可以调节镜头的位置,呈现清晰的图像。弹片式结构滚珠式结构摩擦式结构Open loop开马达Close loop闭环马达。

图像学习之旅 7217

inspect.exe安装使用

标题栏。显示“ 检查 ”窗口句柄 (HWND)。菜单栏。提供对检查功能的访问权限。工具 栏。提供对检查功能的访问权限。树视图。将 UI 元素的分层结构呈现为可用于在元素之间导航的树视图控件。数据视图。显示所选 UI 元素的所有公开辅助功能属性。

测试入坑之路 1万+

Jaspersoft Studio 6.20.0 免注册安装指南(附下载链接)

本文提供了Jaspersoft Studio 6.20.0社区版的免注册安装详细指南。文章介绍了绕过官网注册获取安装包的多种可靠途径,并逐步详解了从启动安装器到首次运行的全过程,帮助用户快速完成安装与基础配置,高效开启报表设计工作。

mars5的博客 1689

【PC自动化测试-4】inspect.exe 详解

inspect.exe 详解

人生苦短,何妨一试 6187

分布式存储系统关于GDPR条例中的数据清除原则

文章目录前言HDFS存储系统数据的完全删除基于加解密的输入输出流的数据保护方案 前言 关于GDPR是什么,可能许多同学之前并不太了解,至少笔者在之前也是不清楚的。GDPR全称为通用数据保护条例,General Data Protection Regulation。它是一项来自欧盟的关于计算机数据保护相关的条约,旨在规范系统如何收集,管控用户私人数据的种种行为。但是当前的一些存储系统并没有完全符合...

走在前往架构师的路上 3623

RK3568笔记十七:LVGL v8.2移植

若该文为原创文章,转载请注明原文出处。本文介绍嵌入式图形库移植到Linux开发板ATK-RK3568上的步骤。

4230

OC中字符串常用的操作

OC中NSString 的常用方法 NSString *str1 = @"BeiJing"; NSString *str2 = @"beijing"; //全部转为大写 NSLog(@"%@",[str1 uppercaseString]); //全部转为小写 NSLog(@"%@",[str1 lowercaseString]);

wanglong1121的专栏 944

CKS-CN考试之路----04

根据上面信息我们知道,这个pod运行在default命名空间下,pod名字为cpu-77cd5ddcbf-bvb8w。可以从/etc/falco/falco_rules.yaml中获得相关内容,大概在文件的460行左右.编辑/etc/falco/falco_rules.local.yaml。7c688a8bfd69即是我们想要获得的docker id。将行为不当 Pod 的 Deployment 缩放为零副本。根据我们刚才定义的rule生成报告。访问/dev/mem 的 Pod。那么如果考试记不住怎么办?

Q先生 602

OC字符串NSString常用操作系列01

OC字符串常用操作 NSString基本操作  1 /** 2 * NSString字符串常用操作 3 * initWithFormat:构造方法 4 * initWithUTF8String:将C字符串转换成OC字符串 5 */ 6 #import <Foundation/Foundation.h> 7 8 int...

weixin_30657541的博客 133

SAP_MM模块采购订单显示含税价&不含税简介

不含税价(Net Price):基础商品价格,不包含税金。含税价(Gross Price):基础价格加上适用税金后的总价。在SAP中,采购订单通常以不含税价为基础,通过配置税码和定价方案,系统会自动计算含税总价。

我小时候很黑的博客 2301

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。

OC-字符串常用操作(NSString、NSMutableString)

在C语言中,将字符串作为jian'dan

会编程的橙子先生 1196

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

oc 的字符串常用操作,包含NSString NSMutableString也能使用

http://www.cnblogs.com/lovekarri/articles/2380033.html //1、创建常量字符串。 NSString *astring = @"This is a String!";   //2、创建空字符串,给予赋值。 NSString *astring = [[NSString alloc] init];

hccgk的专栏 654

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")

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

OC学习笔记16--OC中文件操作-NSFileManager的使用及文件操作中常用的一些字符串方法

#import #include #include "stdlib.h" /* 1>找出文件夹下所有的C和OC代码文件及TXT文件, 计算出这些文件中总共的行数, 2>将这些文件复制到另一个文件夹 */ // 创建文件夹 int cmkdir(char *path,int mode); //计算 文件或文件夹内文本总行数 int fileLineCount(NSString *

u012158482的专栏 456

经典常用,全!OC中NSString类中对字符串进行操作的方法.

#import int main(int argc, const char * argv[]) { @autoreleasepool { // //1.创建对象 // //两种方式: // //(1):便利构造器 // NSString *str1 = [NSString stringWithFormat:@"iPho

u010774394的专栏 1415

关于OC常用字符串函数介绍 - NSString

关于OC常用字符串函数介绍 - NSString 1.格式化字符串:stringWithFormat //1 定义一个字符串 NSString * s = @"My age is"; //2 定义一个整形变量 int myAge = 18; //3 将字符串s 和 整形变量...

chuanbi0140的博客 237

OC-字符串

需求方法获取指定位置的字符获取指定范围的子字符串从索引到末尾的子字符串从开头到索引的子字符串获取指定位置的字节获取指定范围的字节获取字节。

2501_91546205的博客 740

(Object-C)学习笔记(六) --OC的Foundation基础框架、常用集合、字符串操作

字符串常用方法http://www.cnblogs.com/wendingding/p/3711400.html 常用集合(十分常用)http://www.cnblogs.com/wendingding/p/3712127.html Foundation基础框架结构体http://www.cnblogs.com/wendingding/p/3710820.html 我才知道CGRect...

weixin_30414155的博客 83

【OC】字符串

OC中有两个字符串,一个是NSString,这是不可变的字符串,另一个是NSMutableString,这是代表字符序列可变的字符串。

weixin_72437555的博客 656

OC中控制台日志打印

OC中Debug版本常用的打印格式化操作 %@ 对象 %d,%i 整型 (%i的老写法) %hd 短整型 %ld , %lld 长整型 %u 无符整型 %f 浮点型和double型 %0.2f 精度浮点数,只保留两位小数 %o 八进制 %zu size_t %p 指针地址 %...

weixin_30455067的博客 454

(无码+有码)OC入门和字符串的常用方法

OC入门知识 类: 在OC中,所有的类都继承自祖先类 在main()函数里想要使用该类,要先初始化该类的对象, 对象命名规则:类名 *对象名 = [类名 new]; 当写代码时,要养成良好的代码规范,从入门开始 类里面的方法可以有定义不使用 声明类中的方法和方法传递参数 - (返回值)函数名:(参数类型)参数名  and参数名:(类型)参数名 字符串 声明:文章

bin236的博客 5115
上一篇: iOS 常见面试题目-看着不错就转载了 (三)
下一篇: c语言字符串函数
KingOfTheCoders
博客等级 码龄12年 1粉丝 18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