Java-Spring-AOP

本文深入探讨了Spring AOP(面向切面编程)的概念,包括关注点、横切关注点、连接点、切面、切点和通知。详细介绍了通知的五种类型及其执行顺序,并通过代码示例展示了如何在目标方法前后增加功能。此外,还讲解了@Aspect注解用于定义切面类,以及切入点表达式的使用。最后,举例说明了AOP在日志处理和声明式事务管理中的应用。

1. AOP 和 相关术语

AOP(Aspect Oriented Programming,即 面向切面编程)

  • 在外部编写代码而不侵入原始代码层,使其增加额外功能
  • 应用场景:权限、缓存、内容传递、错误处理、懒加载、调试、记录跟踪、性能优化、持久化、资源池、同步、事务、日志

AOP 相关术语

  • 关注点:根据功能划分系统的一部分
  • 横切关注点:系统中每个业务都实现的功能,即这个关注点横切了整个系统
  • 连接点:Spring中指被拦截到的方法
  • 切面:是一个类,里面定义了切点和通知
  • 切点:带有通知的连接点,利用切入点表达式实现切入
  • 通知:切点上执行的增强处理

雷神的图
在这里插入图片描述
AOP的底层就是动态代理,IOC容器中保存的组件实际都是代理对象

2. 通知

通知实际就是在目标方法前后执行的方法,有以下5中通知注解类型:

  • @Before:在目标方法被调用之前做增强处理(前置通知)
  • @AfterReturning:在目标方法完成后增强(返回通知)
  • @AfterThrowing:处理执行过程中未处理的异常(异常通知)
  • @After:在目标方法完成之后增强,无论目标方法是否成功完成(后置通知)
  • @Around:在目标方法完成前后增强处理,和动态代理写法一样(环绕通知)

通知方法的执行顺序

  • 正常情况:@Before——>@After——>@AfterReturning
  • 异常情况:@Before——>@After——>@AfterThrowing

通知方法中的参数

JoinPoint 类:通知时获取目标方法的全部信息

使用:作为参数放入通知方法的参数列表中,然后就可以在方法体里get各种信息

环绕通知的使用(和动态代理使用方法一样)

@PointCut("execution(public int com.codfish.impl.Calculator.add())")
public void myPoint(){} //把切入点表达式封装到一个方法中,可在其他通知中直接调用

@Arround("myPoint()")
public Object arroundCalculator(ProceedingJoinPoint pjp){
	Object[] args = pjp.getArgs();
	Object proceed = null;
	try{
		/*前置通知*/
		proceed = pjp.proceed(args); //开始执行目标方法
		/*返回通知*/
	}catch(Exception e){
		e.printStackTrace();
		/*异常通知*/
	}finally{
		/*后置通知*/
	}
	return proceed;
} 

3. @Aspect (定义切面类)

//假设有一个计算器类,里面定义了加、减、乘、除、方法
@Component
public class Calculator implements ICalculator{
    @Override
    public void add() {
        System.out.println("加法运算执行");
    }

    @Override
    public void sub() {
        System.out.println("减法运算执行");
    }

    @Override
    public void mul() {
        System.out.println("乘法运算执行");
    }

    @Override
    public void div() {
        System.out.println("除法运算执行");
    }
}
//定义一个 切面类 使计算器执行前后增加其他功能
@Aspect
@Component
public class OrientUtils {
    //前置通知方法
    @Before("execution(public void codfish.Calculator.*())")
    public void beforeCalculate(){
        System.out.println("打开计算器");
    }

    //后置通知方法
    @After("execution(public void codfish.Calculator.*())")
    public void afterCalculate(){
        System.out.println("关闭计算器");
    }
}
//测试切入是否成功
@RunWith(SpringJUnit4ClassRunner.class)
@ContextConfiguration(locations = "classpath:spring-config.xml")
public class TestCalculator {

    @Resource
    public ICalculator iCalculator;

    @Test
    public void test(){
        iCalculator.add();
        System.out.println("-----------------------");
        iCalculator.sub();
        System.out.println("-----------------------");
        iCalculator.mul();
        System.out.println("-----------------------");
        iCalculator.div();
    }
}

执行结果:

打开计算器
加法运算执行
关闭计算器
-----------------------
打开计算器
减法运算执行
关闭计算器
-----------------------
打开计算器
乘法运算执行
关闭计算器
-----------------------
打开计算器
除法运算执行
关闭计算器

切入点表达式

语法:execution(访问权限符 返回值类型 方法全签名(参数类型 参数变量))

4. 应用场景

4.1 日志处理

定义一个 AOP 切面,监控 controller 层的所有方法

  1. 定义注解
@Documented
@Retention(RetentionPolicy.RUNTIME)
@Target(ElementType.ANNOTATION_TYPE)
public @interface MyLog {
    boolean value() default true;
}
  1. 定义切面类
@Aspect
@Component
public class LoggerAspect {

    private static final Logger logger = LoggerFactory.getLogger(LoggerAspect.class);

    @Pointcut("@annotation(com.codfish.myproject.annotation.MyLog)")
    public void point(){}

    @Around("point()")
    public Object around(ProceedingJoinPoint pjp) throws Throwable {
        long beginTime = System.currentTimeMillis();
        ServletRequestAttributes attributes = (ServletRequestAttributes) RequestContextHolder.getRequestAttributes();
        HttpServletRequest request = attributes.getRequest();
        List<Object> logArgs = Arrays.stream(pjp.getArgs())
                .filter(arg -> (!(arg instanceof HttpServletRequest) && !(arg instanceof HttpServletResponse)))
                .collect(Collectors.toList());
        try {
            logger.info("请求url={}, 请求参数={}", request.getRequestURI(), JSON.toJSONString(logArgs));
        } catch (Exception e) {
            logger.error("请求参数获取异常", e);
        }
        
        Object result = pjp.proceed(); //执行目标方法
     
        long time = System.currentTimeMillis() - beginTime; //计算时常
        try {
            logger.info("请求耗时={}ms, 返回结果={}", time, JSON.toJSONString(result));
        } catch (Exception e) {
            logger.error("返回参数获取异常", e);
        }
        return result;
    }
}
  1. 在 Controller 层需要处理日志的方法上添加 @MyLog 注解实现切入
4.2 声明式事务

Spring的事务管理器可以通过控制数据源 dataSource 实现事务的自动控制

Springboot直接在应用程序主类上添加@EnableTransactionManagement即可开启

非Springboot,则需要使用 xml 配置开启:

<!-- 1. 配置事务管理器 -->
<bean id="transactionManager" class="org.springframework.jdbc.datasource.DataSourceTransactionManager">
	<property name="dataSource" ref="dataSource"></property>
</bean>

<!-- 2. 启用事务注解 -->
<tx:annotation-driven transaction-manager="transactionManager"/>

配置好后直接在需要进行事务控制的方法上添加注解 @Transactional 即可

@Transactional注解的常用属性
在这里插入图片描述

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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