C#字符串暂存池

.NET/C# 编译期能确定的字符串会在字符串暂存池中不会被 GC 垃圾回收掉 当我们不再使用某个对象的时候,此对象会被 GC 垃圾回收掉。当然前提是你没有写出内存泄漏的代码。我们也知道如果生成了大量的字符串,会对 GC 造成很大的压力。 但是,如果在编译期间能够确定的字符串,就不会被 GC 垃圾回收掉了。 本文内容示例代码 示例代码 下面,我创建了几个字符串,我关心的字符串是 "walterlv","lindexi" 以及一个当前时间。 于是使用下面的代码来验证: usi... 阅读详情

今天偶然看到String.Intern这个方法感觉特别好奇,查了一下msdn发现有这么一段描述

公共语言运行时维护名为暂存池,其中包含对每个声明或在程序中以编程方式创建的唯一字符串的单个引用的表,从而节约的字符串存储空间。因此,存在一个实例并用特定值的文字字符串的仅一次在系统中

这里面提到了暂存池,关于这个有很多种叫法,在这里还是使用msdn的翻译:”暂存池“。有时候会经常讨论:”多个相同的字符串到底会不会被保存到暂存池中么“,来做几个测试就明白了

var a = "123";
var b = "123";
var c = "1" + "2" + "3";
var d = String.Empty;
for (int i = 1; i < 4; i++)
{
    d += i.ToString();
}

代码中声明了四个变量,变量的值是相同的,那么地址是否相同呢?

在immediate window中查看结果如下:

&a
0x0780ec08
    *&a: {37688668}
&b
0x0780ec04
    *&b: {37688668}
&c
0x0780ec00
    *&c: {37688668}
&d
0x0780ebfc
    *&d: {37688840}

以变量a为例 :&a表示要获取变量a的地址,下面的 0x0780ec08表示该变量在栈上的地址,对应的*&a:{37688688}表示 0x0780ec08地址中存储的值,对于引用类型而言该值也是一个地址,所以{37688688}这个地址应该是指向了字符串的存储位置。当然,这个也可以通过Object.ReferenceEquals这个方法来验证两个对象是否相等,对比结果如下:

a和b:True
a和c:True
a和d:False

所以从上述两种测试结果看发现变量a、变量b、变量c的地址是相同的,唯独变量d的地址不同。所以在这里可以先简单得出一个结论:”在进行初始化时以非编程方式声明的相同值的字符串会被保存在字符串暂存池的同一位置“

其实我自己得出的这个结论和文章开头引用的msdn对暂存池的定义存在冲突的地方,接下来通过String.Intern这个神奇的方法来证明一个字符串是否是在暂存池,首先先看Intern方法的定义:

Intern 方法使用暂存池来搜索字符串的值等于 str。如果存在这样的字符串,则返回它在暂存池中的引用。如果该字符串不存在,对引用 str 添加到暂存池中,则返回该引用。

测试代码:

var x = "abc";
var y = new StringBuilder().Append("a").Append("b").Append("c").ToString();
var z = string.Intern("abc");

上面代码中变量x、变量y、变量z的值是相同的,都是abc。变量z是通过String.Intern从暂存池获取字符串“abc”,所以通过这个变量z就可以看出变量x与变量y谁在暂存池

在immediate window测试结果如下:

&x
0x077fec98
    *&x: {38737244}
&y
0x077fec94
    *&y: {38737440}
&z
0x077fec90
    *&z: {38737244}

Object.ReferenceEquals比较结果如下:

x==y:False
x==z:True

结果很明先,变量x是保存在暂存池中的,变量y由于是通过“编程”的方式声明的,所以不再暂存池中。当然可能有人要问,如果上面的代码把变量x声明去掉呢?变量y会不会被保存到暂存池?其实去掉也是一样的,去掉变量x的声明以后当String.Intern(“abc”)暂存池查找变量abc时发现这个值不存在,会将abc这个字符串值添加到暂存池并返回一个新的地址引用给变量z,所以变量z和变量y的引用地址还是不相同。

结束

从上述的测试结果可以看出,当程序在初始化的时候会将以非编程方式声明的字符串变量保存到暂存池,从而节约字符串存储空间,但是在msdn的定义中也提到以编程方式创建的字符串也会保存到暂存池,这个与上述的测试结果不符,或者是我个人理解有错误,如果哪位朋友有更好的理解或测试方法还望不吝赐教 :D

测试使用了vs2015+Framework4.6。_

C#之CLR内存字符串常量池(string) 主要介绍了C#之CLR内存字符串常量池(string),对于学习和理解C#内存原理很有帮助,需要的朋友可以参考下 立即下载

相关推荐

OneNET物联网平台实战:从零搭建到双向数据通信测试

本文提供了一份详细的OneNET物联网平台实战指南,从零开始讲解平台搭建与设备创建,并重点演示了如何通过MQTT协议实现设备数据上报与云端命令下发的双向数据通信测试。通过模拟设备连接与数据交互,帮助开发者快速理解物联网核心通信流程。

weixin_29306571的博客 354

关于String存储机制的理解

一.字符串存储机制 公共语言运行时通过维护一个表来存放字符串,该表称为"暂存池",该容器的key是字符串内容,value是字符串在托管堆上的内存地址. 它包含程序中以编程方式声明或创建的每个唯一的字符串的一个引用。因此,具有特定值的字符串的实例在系统中只有一个。 例如,如果将同一字符串分配给几个变量,运行时就会从暂存池中检索对该字符串的相同引用,并将它分配给各个变量。   二.字...

爱java 278

ConnectionResetError 10054 根因分析与全链路防御指南

ConnectionResetError(错误码10054)是TCP协议中服务端主动发送RST包导致的强制断连,本质并非网络连接失败,而是服务端基于空闲超时、连接满载、TLS协商失败等策略做出的确定性终止决策。理解其底层原理有助于跳出‘重试’误区,转向连接生命周期管理。该错误高频出现在HTTP长连接、WebSocket、第三方API对接等场景,尤其在Nginx反向代理、负载均衡器(如AWS ALB)、WAF设备及内核conntrack机制下极易触发。本文结合Wireshark抓包分析、客户端心跳保鲜、协议指

weixin_30225755的博客 642

c#中的关于存取文本的方法

最近写爬虫的时候用到一些关于从磁盘读写文本的方法,拿出来和大家分享一下。 首先是取文本中的内容的方法 string txtStr = File.ReadAllText(contentPath); 这样就可以把你想要的内容从contentPath里取出到txtStr了, 还有存文本的方法 File.AppendAllText(Path , content); 给一个路径Path和内容...

qq_39824323的博客 282

国产麒麟系统下用Rider开发C#桌面应用:从环境配置到Avalonia UI实战

本文详细介绍了在国产麒麟系统上使用JetBrains Rider开发C#桌面应用的完整流程,重点讲解了Avalonia UI框架的实战应用。从环境配置、Rider安装到Avalonia项目创建和UI开发技巧,全面覆盖了在非Windows环境下进行C#开发的关键步骤和优化建议,助力开发者高效构建跨平台桌面应用。

weixin_27791839的博客 387

瑞萨MCU定时器API实战:从Smart Configurator配置到中断与输入捕获应用

在嵌入式系统开发中,定时器(Timer)是实现精准时序控制、PWM输出和信号测量的核心硬件外设。其工作原理基于计数器在稳定时钟源驱动下递增或递减,达到预设值后触发中断或改变输出电平,从而为系统提供节拍和事件基准。通过图形化配置工具(如瑞萨的Smart Configurator),开发者可以高效地将复杂的硬件寄存器操作转化为清晰、标准化的C语言API函数,这极大地提升了开发效率并降低了出错风险。这种从硬件抽象到软件接口的技术价值在于,它使得开发者能更专注于应用逻辑,而非底层细节,尤其适用于工业控制、汽车电子等

weixin_42519733的博客 277

C# 本地储存文本的几种方式

游戏中经常会有本地储存信息的需求,一般会使用xml和json两种格式,更简单的信息也会有txt直接存。 xml是比较繁琐的方式,因为每条信息都需要自己手动编写。上代码先: public void SaveRecordFiles() { XmlDoc = new XmlDocument(); XmlRoot = XmlDoc.CreateElement(

菰城茧的博客 3249

从零差、外差到内差:一文读懂激光雷达中的相干探测原理

本文深入解析激光雷达中的相干探测原理,重点比较零差、外差与内差检测的技术特点与应用场景。通过实际工程案例,揭示相移测距中的相位解调技巧和FMCW激光雷达的外差奥秘,并提供光电探测器选型与光学组件匹配的实用建议,帮助开发者规避常见陷阱,提升系统性能。

weixin_42652674的博客 413

C#中字符串的内存分配与暂存池【非常详细】

一、学会查看变量的内存地址 想要研究C#中字符串的内存分配情况,如果能查看字符串的内存地址就好了。其实我们可以在VS2017中查看变量的内存地址,截图中有详细说明: 二、string类型简单说明 string是引用类型的,在C#中引用类型的内存分配在托管堆(堆内存)上。string不支持以下两种创建方式: string str01 = "heng"; //错误创建方法1 strin...

xiaouncle的博客 9917

C300 | 5680t | 新格林| AN5516 | 远程ONU升级指导

ONU的远程管理升级 1、ZTE C300 OLT : 1.1 环境拓扑: PC1(filezilla server)------(uplink_default-vlanID)OLT---------ONU | | mng1 1.2 配置部署: 1):PC1(filezilla server): IP:192.168.88.252 255.255.255.0 配置FTP-Server的用户名:gp...

Shelly的博客 3772

Vue2 - 最新详细实现网站内部打开预览 office 全套附件,在页面弹窗内解析预览 word文档、excel电子表格、ppt演示文稿(docx|xlsx|pptx|pdf|txt等文件)详细代码

vue2,nuxt2,office,文档,文件,查看预览,弹框预览,下载预览,如何预览pdf文档,打开查看,office全套文档,实现在线预览文件,小程序内预览word文件,手机h5移动端网页,nuxt文档在线预览,预览office最好用的插件,下载查看,Office在线预览,vue-office,vue如何使用vue-office教程示例,word文档,ppt,exce表格,预览电子文件,文档无法解析,打不开,报错,失效,保存下载,vue前端预览并下载doc、xls、pdf、txt及图片,vue2中预览p

🏆 前端领域优质创作者 1万+

详解c#中String类型的存储原理

解释了String在内存中是如何存储的以及分类出不同情况下String的不同存储方式。

Green_756的博客 3514

如何在MacBook上安装部署原生openclaw

本文介绍了在MacBook上安装OpenClaw的详细步骤:首先通过curl或国内镜像源安装nvm和Node.js(版本≥22),然后使用nvm安装Node.js 24并验证安装。接着通过脚本快速安装OpenClaw,完成安装后选择Qwen作为AI模型并进行OAuth认证。配置过程中可跳过联网搜索和Agent技能设置,最后选择Web界面作为呈现方式。安装完成后,系统会启动openclaw-gateway进程并打开Web界面,用户可通过简单的"hello"指令开始与AI对话。目前基础功能已

木简熙的博客 812

.NET/C# 的字符串暂存池

本文介绍 .NET 中的字符串暂存池。 本文内容字符串暂存池编译期间确定从暂存池中获取字符串不要池化垃圾回收 字符串暂存池 .NET 的 CLR 运行时会在运行期间管理一个字符串暂存池(string intern pool),在字符串暂存池中的字符串只有一个实例。 例如,在下面的代码中,变量 a、b、c 都是同一个实例: var a = "walterlv"; var b = "walterlv...

walterlv - 吕毅 845

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")

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

关于string中涉及到的暂存池

关于string中涉及到的暂存池之前看了一些string相关的博客,感觉写的挺好,但终究还是没深究。哎,学习最怕就是我这种心态了吧!今天看了一些C#相关的面试题,其中一题感觉很简单,题目如下:string a = "abc"; a = (a.ToUpper()+"123").SubString(0,2);问上述代码运行时总共会产生多少个临时对象?自己看了下,应该是5个: ToUpper()会产生一

benimaur0的专栏 952

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

C#基础----string和stringBuilder

string string的特性:不可变性,字符串一旦创建,就不可以改变;字符串暂存池(针对字符串常量);字符串留用。 string s1 = "abc"; s1 = "cba"; Console.WriteLine(s1); Console.ReadKey(); //由于字

shang1010的专栏 744

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,

字符串及ref,out

字符串特性:不可变性,暂存池 string str=null; str.Length:长度 string.IsNullOrEmpty(str): 判断是否为空或者null str.ToCharArray():将字符串转换为数组 str.ToUpper():大写 str.ToLower():小写 str.Equals():比较字符串值是否相等 *object.ReferenceEqua

xbc1213的博客 428

如鹏网.Net高级技术4.String特点及常用方法

String特点及常用方法 字符串的特性:不可变性和"暂存池"(常量池)的特性 通过案例了解字符串中的方法. 如何比较两个对象是不是同一个对象的最准确的方法ReferenceEquals ------------------------------------------------- 不可变性:str 被赋值后 内存地址是不一样的。 只是字符串的值是常量值时,就指向暂存池中的对象。...

weixin_30532987的博客 110

复习.Net高级

索引器:本质是封装了get,set方法,可以是只读或只写(在get或set前加上private),字符串是只读索引。 密闭类与静态类: 第一、密闭类是修饰为sealed的类,sealed不能有子类。String类无法被继承,因为String被声明了sealed。 第二、声明为static的类,不能实例化,只能定义static成员。通常用它定义扩展方法。 第三、C#3.0特性:扩展方法。声明...

weixin_30408739的博客 184

[C#基础] 07 简述String、StringBuilder和String暂存池

项目 区别 string 执行速度较慢 stringBuilder 非线程安全,执行速度快 stringBuffer 线程安全,执行速度中 三者使用总结:在操作少量变动的数据时,使用String,或者经量少用,避免内存泄露; 在单线程中操作大量数据的字符串时,使用StringBuilder; 在多线程中操作大量数据的字符串时,使用StringBuffer。 ...

qq_21407523的博客 348

第八篇 .NET高级技术之字符串暂存池(缓冲池)

第八篇 .NET高级技术之字符串暂存池(缓冲池) 字符串不可变性,字符串的‘暂存池’两个特性 字符串是引用类型,程序中会存在大量的字符串对象,如果每次都创建一个字符串对象,会比较浪费内存、性能低,因此CLR做了“暂存池”(拘留池,缓冲池,暂存池),在一些情况下对于...

aizhejuan4396的博客 198

到底什么是字符串的不变性?

string 类型是c#中使用最频繁的类型,因此CLR用专门的方法来处理、优化string,使得string虽然你是引用类型,但在表现上被.NET优化为值类型。 先看string的定义是: public sealed class String : IComparable, ICloneable, IConvertible, IComparable<string>, IEnu...

weixin_34357267的博客 195

字符串处理

String kvp = " 4 : 30: "; string [] vs = kvp.Split(new char[] { ':' }, StringSplitOptions.RemoveEmptyEntries); string [] vss = kvp.Split(new char[] { ':' }, StringSplitOptions.None); vs = [4...

qq_23018459的博客 249

.Net字符暂存池(String Intern Pool)

字符串在.Net中既有值类型的特点又有引用类型的特点,字符类型也称作为不可变对象类型,字符串类型在使用上可以说占很大的比例,每次使用的时候都要重新开辟一个新的空间,这样会大量消耗内存,所以微软给我们一个名为String Intern Pool的字符暂存池,我在重复使用这个字符串的时候不需要重新开辟一个新的空间,只需要从这个池子里面获取即可。 我们在新建一个字符的时候,首先去暂存池获取有没有这...

mango_love的专栏 8743

c# 中的string(神奇的string)

string,可以很简单,也可以略微复杂一些,完全取决于你对它的理解有多少~ 1.引用类型 首先你要明白,它是一个引用类型:(n多例子可以证明它是引用类型的) string strA = "abc"; string strB = "abc"; bool b=ReferenceEquals(strA, strB);...

weixin_30274627的博客 167
上一篇: (转载)不一样的冒泡排序
下一篇: LeetCode:整数反转
似静水流深
博客等级 码龄15年 5粉丝 6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