Java帝国之动态代理

JavaWeb学生成绩管理系统毕设实战:从环境搭建到二次开发避坑指南 JSP、Servlet与JDBC是JavaWeb开发的经典技术组合,理解其MVC分层原理与数据库连接机制,是掌握企业级Web应用的基础。在实际工程中,环境配置、编码链路与连接池优化直接影响系统稳定性与性能。学生成绩管理系统作为典型应用场景,涵盖多角色权限、成绩统计与考勤管理,适合作为毕设项目或实战练习。本文围绕一套可直接运行的JavaWeb源码,梳理从Tomcat部署、MySQL导入到Filter统一编码与Druid连接池改造的完整路径,并给出高频问题排查清单,帮助开发者快速跑通项目并完成二次开发。 阅读详情

1

深夜奏对

已经快三更天了, Java帝国的国王还在看着IO大臣的奏章发呆,他有点想不明白, 帝国已经给臣民了提供了这么多的东西,他们为什么还不满意呢? 集合、IO、反射、网络、线程、泛型、JDBC ......在IT界哪一个不都是响当当的硬通货?  有了这些技术,写个Java程序多简单啊, 臣民们为何还整天抗议呢?

这还是昨天IO大臣的一个奏章,其中说到各个部落要酝酿一场大规模的抗议游行,抗议Java不支持动态性,不能在运行时修改一个类,导致不能用声明的方式来编程。

国王愤愤地想,我的政策太开明了,这些刁民不知好歹,蹬鼻子上脸,以后要坚决加强东厂西厂锦衣卫镇抚司等纪检法的建设,有意见可以上访, 不能这么胡闹,增加社会不稳定因素。帝国正在和Python, PHP等国家开战,处处都要银子,攘外必先安内啊。

想到这里,国王立刻命令吕公公宣IO大臣进宫。

IO大臣半夜里被从热腾腾的的被窝里拽出来,心里老大不情愿, 迷迷糊糊地跟着吕公公进了宫。

“陛下半夜三更还在为国事操劳,真乃臣等之罪也 !”  IO大臣虽然心里不情愿,但还是毕恭毕敬。

“爱卿,你说说这是怎么一回事? 什么是Java 不支持动态性? ”国王拿出了奏章。

IO大臣心里明白了,原来是介个啊。

“启奏陛下,其实这是刁民们羡慕Python 、Ruby 等语言的动态性,想让我们Java 也支持,他们最想要的一个功能就是能在运行时对类进行修改,这样可以用声明的方式来编程。”

“你能不能说点朕能听懂的话?” 国王低沉的声音里隐藏着马上就要喷薄而出的怨气,老子想了一晚上都没整明白,你还在这里给我文绉绉的!

“是这样”  IO大臣开始调用脑细胞遣词造句,准备用通俗易懂的语言扑灭陛下的怒火。

“所谓运行时对类进行修改,打个比方来说,我写了一个HelloWorld的类,其中有两个方法:sayHello()和sayHelloToPHP(),陛下请看: ”

0?wx_fmt=png

“这是帝国三岁小孩都能明白的代码,说重点!”

“然后这个类运行起来了,刁民们希望在运行的时候可以修改这类, 譬如加一个新方法sayHelloToPython(), 或者对现在的sayHello()方法里加一点新东西, 甚至把sayHelloToPHP()这个方法删除!”

0?wx_fmt=png

“这些刁民太过分了, 难道他们不能写个新的类来做这件事吗?”

“陛下圣明, 臣也觉得可以新写一个类比如HelloWorldNew来做这件事情,重新编译一下不就行了吗?  可是他们说的是在运行时修改,是运行时,运行时,运行时,重要的事情说三遍,不是编译时。”

“运行时? 一个类一旦装入到方法区还怎么修改 ”  国王还是很了解JVM这一套。 “你知道他们为什么有这个要求吗?”

“他们说了想用声明的方式来编程.....”  IO大臣意识到大事不好。

“什么是声明的方式”  国王穷追不舍

“这个臣还不太清楚......”

“快去彻查,限你三天回话。”

“遵旨”

2

明察暗访

IO大臣冷汗都出来了, 他睡意全无,赶紧召集家丁幕僚准备上山下乡、明察暗访,限他们两天把这个“以声明的方式编程”搞清楚。

两天内不断有快马回报,各种各样的信息如雪片般飞来。  IO大臣又花了一天时间整理,终于明白了这个“以声明的方式编程”。

原来这帮刁民犯懒,写完了代码以后有这样的需求:

在某些函数调用前后加上日志记录

给某些函数加上事务的支持

给某些函数加上权限控制

......

这些需求挺通用的,如果在每个函数中都实现一遍,那重复代码就太多了。 更要命的是有时候代码是别人写的,你只有class 文件,怎么修改? 怎么加上这些功能?

所以“刁民”们就想了一个损招,他们想在XML文件或者什么地方声明一下, 比如对于添加日志的需求吧, 声明的大意如下:

对于com.coderising这个package下所有以add开头的方法,在执行之前都要调用Logger.startLog()方法, 在执行之后都要调用Logger.endLog()方法。

对于增加事务支持的需求,声明的大意如下:

对于所有以DAO结尾的类,所有的方法执行之前都要调用TransactionManager.begin(),执行之后都要调用TransactionManager.commit(), 如果抛出异常的话调用TransactionManager.rollback()。

他们已经充分发挥了自己的那点儿小聪明,号称是开发了一个叫AOP的东西,能够读取这个XML中的声明, 并且能够找到那些需要插入日志的类和方法, 接下来就需要修改这些方法了。 但是Java帝国不允许修改一个已经被加载或者正在运行的类, 于是他们就不干了,就要抗议、就要游行,就要暴动, 真是可恶。

IO大臣决定向国王做一次汇报,看看国王的反应。

3

Java 动态代理

国王不愧是国王, IO大臣稍微一解释, 就明白怎么回事了。

“爱卿,你觉得该怎么办? ”  皮球又被踢到了IO大臣那里。

“臣觉得不能让这些刁民突破帝国的底线, 我们的class在运行时是不能被修改的,如果也像Python,Ruby 那样在运行时可以肆意修改,那就太混乱了!”  IO大臣小心翼翼地揣摩圣意。

“言之有理, 爱卿有何办法? ”

“臣想到了一个办法,虽然不能修改现有的类,但是可以在运行时动态的创建新的类啊,比如有个类HelloWorld:

0?wx_fmt=png

“这么简单的类,怎么还得实现一个接口呢? ” 国王问道

“臣想给这些刁民们增加一点点障碍, 你不是想让我动态地创建新的类吗?你必须得有接口才行啊” IO大臣又得意又阴险地笑了。

国王脸上也露出了一丝不易觉察的微笑。

“现在他们的问题是要在sayHello()方法中调用Logger.startLog(), Logger.endLog()添加上日志, 但是这个sayHello()方法又不能修改了!”

0?wx_fmt=gif

0?wx_fmt=png

“所以臣想了想, 可以动态地生成一个新类,让这个类作为HelloWorld的代理去做事情(加上日志功能), 陛下请看,这个HelloWorld代理也实现了IHelloWorld接口。 所以在调用方看来,都是IHelloWorld接口, 并不会意识到其实底层其实已经沧海沧田了。”

0?wx_fmt=gif

0?wx_fmt=png

“朕能明白你这个绿色的HelloWorld代理,但是你这个类怎么可能知道把Logger的方法加到什么地方呢?” 国王一下子看出了关键。 

“陛下天资聪慧,臣拜服,‘刁民’们需要写一个类来告诉我们具体把Logger的代码加到什么地方, 这个类必须实现帝国定义的InvocationHandler接口,该接口中有个叫做invoke的方法就是他们写扩展代码的地方。  比如这个LoggerHandler: ”

0?wx_fmt=png

0?wx_fmt=gif

“ 看起来有些让朕不舒服,不过朕大概明白了, 无非就是在调用真正的方法之前先调用Logger.startLog(), 在调用之后在调用Logger.end(), 这就是对方法进行拦截了,对不对?”

“正是如此! 其实这个LoggerHandler 充当了一个中间层, 我们自动化生成的类$HelloWorld100会调用它,把sayHello这样的方法调用传递给他 (上图中的method变量),于是sayHello()方法就被添加上了Logger的startLog()和endLog()方法”

0?wx_fmt=png

0?wx_fmt=gif

“此外,臣想提醒陛下的是,这个Handler不仅仅能作用于IHelloWorld 这个接口和 HelloWorld这个类,陛下请看,那个target 是个Object, 这就意味着任何类的实例都可以, 当然我们会要求这些类必须得实现接口。  臣民们使用LoggerHandler的时候是这样的:”

0?wx_fmt=gif

0?wx_fmt=png

输出:

Start Logging

Hello World

End Logging

“如果想对另外一个接口ICalculator和类Calcualtor做代理, 也可以复用这个LoggerHandler的类:”

0?wx_fmt=gif

0?wx_fmt=png

“折腾了变天,原来魔法是在Proxy.newProxyInstance(....)  这里,就是动态地生成了一个类嘛, 这个类对臣民们来说是动态生成的, 也是看不到源码的。”

“圣明无过陛下,我就是在运行时,在内存中生成了一个新的类,这个类在调用sayHello() 或者add()方法的时候, 其实调用的是LoggerHanlder的invoke 方法, 而那个invoke就会拦截真正的方法调用,添加日志功能了! ”

“爱卿辛苦了,虽然有点绕,但是理解了还是挺简单的。 朕明天就颁发圣旨, 全国推行,对了你打算叫它什么名字? ”

“既然是在运行时动态的生成类,并且作为一个真实对象的代理来做事情, 那就叫动态代理吧!”

动态代理技术发布了,臣民们得到了暂时的安抚,但是这个动态代理的缺陷就是必须有接口才能工作,帝国的臣民能忍受得了吗?

(完)

你看到的只是冰山一角, 更多精彩文章,请移步《码农翻身2016文章精华》或者《码农翻身2017上半年文章精华》

有心得想和大家分享? 欢迎投稿 ! 我的联系方式:微信:liuxinlehan  QQ: 3340792577


码农翻身

用故事讲述技术

0.jpeg

Java手机游戏--帝国时代.jar Java手机游戏--帝国时代.jar Java手机游戏--帝国时代.jar Java手机游戏--帝国时代.jar Java手机游戏--帝国时代.jar 立即下载

相关推荐

条件风险价值CVaR内容介绍(MATLAB例程)

在对微电网优化调度过程中,由于新能源机组出力和负荷的不确定性,若采用确定性的优化调度方案会存在一定的风险。反之,若风电和光伏输出功率的实际值高于预测值时,则需要降低可控机组出力或者弃风弃光,这都会给系统带来运行费用增加的风险。下,损失超过VaR值时的条件均值[1]。VaR是指在一定的置信水平下,某一投资组合在未来某一时间段内的最大损失。为m维决定系统风险损失的随机向量f(y)为y的概率密度函数。式中,m为所有场景的数量,yk为第k个场景下随机变量的值,为第k个场景发生的概率。的最小值即为CVaR,对应的。

贾贾的博客 3061

Java帝国的诞生以及Java的一些简单介绍

Java帝国的诞生以及Java的一些简单介绍

yujiyai的博客 190

Infineon MOSFET开关损耗计算实战指南

本文是英飞凌MOSFET开关损耗计算的实战指南。针对MOSFET发热问题,文章深入剖析了开关损耗的产生机理,并基于Infineon数据手册的关键参数,手把手推导了开通与关断损耗的工程计算公式。同时,指南强调了栅极电阻、寄生参数等实际因素对损耗的影响,并提供了从理论计算到实测优化的完整路径,帮助工程师精准评估与优化电源设计。

weixin_29212867的博客 445

第三课:走进Java帝国

Java帝国的诞生 Java 三 大 版 本 ⭐Write once ⭐Run anywhere JavaSE ( 桌面程序,控制台开发等 ) JavaME( 手机、电器等 ) JavaEE ( web段,服务器开发等 ) JDK、JRE、JVM JDK:Java Development Kit 用于程序开发 JRE:Java Runtime Environment 运行时环境 Java Virtual Machine 虚拟机 = CPU (软件或硬件实现) Java开发环境搭.

weixin_44299912的博客 219

游戏开发实战:用UE4 Marschner模型打造次世代头发渲染(附Shader代码解析)

本文详细解析了如何在UE4中使用Marschner模型实现次世代头发渲染,包括Shader代码逐行解读与参数调优。通过对比传统Kajiya-Kay模型,展示了Marschner模型在物理精确性和视觉效果上的优势,并提供了性能优化与实战技巧,帮助技术美术师提升游戏角色渲染品质。

weixin_28223453的博客 241

优秀的 Verilog/FPGA开源项目介绍(二十六)- ISP (图像信号处理)

介绍查看《ISP算法及架构分析介绍》今天项目的顺序就是先介绍几个关于ISP算法架构的项目,包括python、matlab、c等高级语言实现的ISP算法架构,最后介绍一个FPGA实现ISP的项目。openISPhttps://github.com/cruxopen/openISP项目介绍用python实现的ISP架构,该架构涉及到的知识如下:下图是最新实现的模块:主要模块如...

OpenFPGA的博客 4950

JAVA入门

JAVA帝国的诞生 1972年c诞生 1. 贴近硬件,运行极快,效率极高 2. 操作系统,编译器,数据库,网络系统 3. 指针和内存管理 1982年c++诞生 面向对象、兼容c、图形领域、游戏等 “三高“问题指高可用、高性能、高并发 1995年网页简单粗糙,缺乏互动性。 图形界面的程序(Applet) bill Gates:这是迄今为止设计最好的语言 2006年:Hadoop(大数据领域) 2008年:Android(手机端) JAVA的特性和优势 1.简单性:没有头文件,没有一

weixin_64995504的博客 123

windows使用jupyter notebook读取文件路径的几种方法和设置默认打开路径

简单分享小虎这段时间以来学到的jupyter notebook操作技巧。

狂小虎/Anthony Dave的博客 KuangXiaoHu's Blogs 1万+

jdk 动态代理和 cglib 动态代理的基础演示

项目结构 cglib动态代理 com.zyj.proxy.cglib.Advice package com.zyj.proxy.cglib; public class Advice { public void before(){ System.out.println("前置增强。。。。"); } public void afterReturning(){ System.out.println("后置增强。。。。"); ...

m0_48379126的博客 184

EMC基础知识总结

电磁干扰(Electromagnetic Interference),简称EMI,有和两种。传导干扰主要是电子设备产生的干扰信号通过导电介质或公共电源线互相产生干扰;辐射干扰是指电子设备产生的干扰信号通过空间耦合把干扰信号传给另一个电网络或电子设备。

学海无涯的专栏 1370

【020】C++ 动态内存管理解析:new 和 delete 的正确使用

C++中的动态内存分配是在程序运行时根据需要进行内存空间的分配和释放,与静态内存分配相比,具有更大的灵活性和适应性。动态内存分配可以通过new和delete或者malloc()和free()等函数实现。在程序运行时无法确定所需的内存大小。需要在多个函数之间共享数据,并且数据可能被频繁地创建和销毁。静态数组无法满足需求,例如需要支持可变长度数组。如果在动态分配内存后忘记了释放它,则会导致内存泄漏。为避免内存泄漏,可以使用智能指针或手动管理内存的方式来释放动态分配的内存。

Lion_Long的博客 1471

码农翻身——Java帝国之动态代理

已经快三更天了, Java帝国的国王还在看着IO大臣的奏章发呆,他有点想不明白, 帝国已经给臣民了提供了这么多的东西,他们为什么还不满意呢? 集合、IO、反射、网络、线程、泛型、JDBC ......在IT界哪一个不都是响当当的硬通货?  有了这些技术,写个Java程序多简单啊, 臣民们为何还整天抗议呢? 这还是昨天IO大臣的一个奏章,其中说到各个部落要酝酿一场大规模的抗议游行,抗议Java...

u012510849的专栏 454

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")

Java动态代理:一个面包店的动态代理帝国

原文链接:陈树义 代理模式是设计模式中非常重要的一种类型,而设计模式又是编程中非常重要的知识点,特别是在业务系统的重构中,更是有举足轻重的地位。代理模式从类型上来说,可以分为静态代理和动态代理两种类型。 在开始之前,我们先假设这样一个场景:有一个蛋糕店,它们卖的蛋糕都是用蛋糕机做的,而且不同种类的蛋糕由不同的蛋糕机来做,这样就有:水果蛋糕机、巧克力蛋糕机等。它们卖的面包片也是用面包机做的,同样不...

翎野君的博客 1088

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。

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》。

C语言函数指针与指针函数:从原理到工业级实战

函数指针和指针函数是C语言类型系统中两大基础而易混淆的概念,本质区别在于‘指针’修饰对象不同:前者是指向函数的变量,用于实现回调、策略模式与状态机;后者是返回指针的函数,常用于动态内存分配、链表节点访问与安全数据提取。其核心价值在于提升代码解耦性、可扩展性与运行时灵活性,在嵌入式开发、Linux驱动、协议解析等场景中不可或缺。理解二者差异需紧扣编译器类型检查机制与内存语义——函数指针承载代码地址,参与间接调用;指针函数封装数据地址,承担资源交付职责。本文结合qsort定制排序、温控状态机、线程安全strto

diaoju3333的博客 500

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

Java 帝国对 Python 的渗透能成功吗?

作者丨刘欣 责编 | 伍杏玲 本文经授权转载自码农翻身(ID:coderising) 2019年人工智能系统学: https://edu.youkuaiyun.com/topic/ai30?utm_source=cxrs_bw 引子 Java 帝国已经成立20多年,经过历代国王的励精图治,可以说是地大物博,码农众多。 可是国王依然不满足,整天想着如何继续开拓...

程序人生的博客 2243

动态代理之实现(父子)

1、深夜奏对 已经快三更天了, Java帝国的国王还在看着IO大臣的奏章发呆,他有点想不明白, 帝国已经给臣民了提供了这么多的东西,他们为什么还不满意呢? 集合、IO、反射、网络、线程、泛型、JDBC …在IT界哪一个不都是响当当的硬通货? 有了这些技术,写个Java程序多简单啊, 臣民们为何还整天抗议呢? 这还是昨天IO大臣的一个奏章,其中说到各个部落要酝酿一场大规模的抗议游行,抗议Java不...

weixin_43755216的博客 222

Java帝国对Python的渗透能成功吗?

引子 Java 帝国已经成立20多年,经过历代国王的励精图治,可以说是地大物博,码农众多。  可是国王依然不满足,整天想着如何继续开拓疆土, 这一天晚上他又把几个重臣招来商议了。  IO大臣说:“陛下,现在天下大势初定,我Java帝国已经占据了后端开发,大数据,Android开发等重要地盘,再想拓展殊为不易!”   “是啊, 前端被JavaScript所盘踞,我们很难渗透啊。” 线程大臣补...

勇往直前的专栏 768

动态代理之继承(兄弟)

前言:本文为《Java帝国之动态代理》的姊妹篇, 讲述动态代理的另外一种实现即CGLib的设计过程。 当IO大臣绞尽脑汁地在府中设计Java动态代理的时候,他并不知道,在帝国的一个小小的部落,一个年轻的小伙子正在为同样的问题而苦恼。 师傅刚刚给小伙子下达了任务:在运行时对一个类进行扩展, 例如有个类叫HelloWorld,要在运行时给他加点日志输出的代码。 师傅特别告诉年轻人:“大胖, 你要注...

weixin_43755216的博客 354

《码农翻身》之Java帝国

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.youkuaiyun.com/a724888/article/details/81321455 这位大侠,这是我的公众号:程序员江湖。 分享程序员面试与技术的那些事。 干货...

weixin_34404393的博客 374
上一篇: 国庆节去哪儿
下一篇: Java注解是怎么成功上位的?
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084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