RefPtr, passRefPtr, adoptRefPtr, OwnPtr

  1. RefPtr,passRefPtr, adoptRefPtr, OwnPtr

RefPtr:引用计数

passRefPtr:用于函数参数和函数返回值。赋值给别人后,自己的内容置NULL.

AdoptRefptr():输入rawptr, 输出passRefPtr.

RefPtr<T>p = rawPtr; //引用计数为1



passRefPtr的函数:

PassRefPtr(T* ptr) : m_ptr(ptr) { refIfNotNull(ptr); }从raw指针构造passRefPtr.

PassRefPtr& operator=(T*);  //raw直接赋值给passRefPtr,ref成为1。

PassRefPtr& operator=(const PassRefPtr&);  //passRefPtr互相赋值,后者清空,ref不变。

refPtr的函数:

refPtr=〉passRefPtr:

PassRefPtr<T> release() { PassRefPtr<T> tmp = adoptRef(m_ptr); m_ptr = 0; return tmp; } //release()直接将refPtr转换为一个passRefPtr

refPtr互相赋值的话,前者所指对象的ref--,后者所指对象的ref++.

rawPtr=>passRefPtr://adoptRef把一个rawptr转换为一个passRefPtr.

template<typename T> inline PassRefPtr<T> adoptRef(T* p)  

  • {  

  •     adopted(p);  

  •     return PassRefPtr<T>(p, true);  

  • }



常用的使用场景:

(1)passRefPtr=>refPtr:把一个函数的passRefPtr类型的参数现赋值给一个refPtr.或者直接用refPtr的构造函数。

(2) refPtr=>passRefptr:很少有直接把refPtr赋值给passRefptr的,一般都是调用refptr.release()得到一个passrefptr.一般都是在函数内部通过refptr.release()得到一个passrefptr然后当作返回值返回出去。

(3)rawptr=>refptr:可以把一个rawPtr赋值给一个refptr.也可以通过refptr的构造函数从一个rawptr直接构造一个refptr

(4) refptr=>rawPtr:

步骤:refptr=>passRefptr=>rawPtr

rawPtr.release()转换成passPtr,然后调用passrefptr.leakRef得到rawPtr.这样就没有ref计数了。

template<typename T> inline T*
PassRefPtr<T>::leakRef() const
{
    T* ptr = m_ptr;
    m_ptr = nullptr;
    return ptr;
}

(5)rawPtr=>passRefPtr.赋值和构造函数

(6) passRefPtr=>rawPtr: 调用leakRef。

(7)注意,passRefPtr和RefPtr都有一个get()函数直接拿到rawPtr,但是不影响passRefPtr和refPtr本身的属性。

OwnPtr,adoptPtr(T*), passOwnPtr.

OwnPtr完全占有一个ptr,ownPtr析构应该会释放所拥有的对象.使用在一个函数内部,可以避免在函数内忘了释放该对象。如果不想释放可以调用release()函数得到一个passOwnPtr传递出去。

使用例子:



1
2
3
4
5
6
7
8
9
10
11
12
PassOwnPtr
			createInstance() {
    OwnPtr ret =
			adoptPtr(new
			MyClass);
    if
			(!checkA())
			{
       return
			NULL;
			
			
    }
 
    if
			(!checkB())
			{
       return
			NULL;
    }
 
    return
			ret.release();
}



问题:可以把一个refPtr赋值给ownPtr么?据说不可以,据说一个ownPtr只可以从另一各ownPtr或者passOwnPtr赋值过来。

rawPtr=>ownPtr:使用passOwnPtr= adoptPtr(T*)

ownPtr=>rawPtr:可以用get()但是ownPtr依然有控制权,还可以用leakPtr,这样ownPtr就失去了控制权。

ownPtr=>passOwnPtr:调用release函数:passOwnPtr = ownPtr.release().,这样ownPtr就失去了控制权。PassOwnPtr可以作为函数返回值返回出去,在函数外部,可以赋值给一个ownPtr.

passOwnPtr=>ownPtr:直接赋值:ownPtr=passOwnPtr

scoped_refptr, unique_ptr的各种用法 scoped_refptr 是 Chromium 项目中用于管理内存的一种类型,它是一种引用计数智能指针,用于指向对象。scoped_refptr 的这些用法提供了一种很好的方式来管理内存,确保内存在不再需要时被正确释放,并且在使用过程中可以方便地维护对象的引用计数。 阅读详情

相关推荐

智能化运维(AIOps)

• 调查显示,54.79%的企业当前着重关注智能运维的质量领域(包括异常检测、告警收敛、根因分析、 故障处置等)能力建设,其次45.77%的企业关注效率领域,45.49%的企业关注成本领域,30.82%的 企业关注安全领域。从目前的发展情况来看,现阶段AIOps能力大多集中在L2级别, 主要以系统辅助分析,帮助人工进行决策和操作为主,较为领先的 能力实践可以达到L3级别,而L4和L5级别随着AIOps的技术发展 和能力的逐步增强,将是未来智能运维能力建设的发展方向和目标。

追求更专业的设计 3106

webkit智能指针 - RefPtr, PassRefPtr

历史 2005年之前,Webkit中很多对象都采用引用计数的方式。它们通过继承RefCounted】类模板来实现这种模式。RefCounted主要是实现了ref()和deref()两个函数。在需要引用对象时要调用ref()增加引用计数,在不再需要对象时,要调用deref()函数减少引用计数。ref()和deref()需要成对出现。这和使用new/delete一样,多调用、少调用、没调用的问题

1864

Ubuntu20.04安装Ceres库

ceres真难安装。

little_white138的博客 8382

RefPtr and PassRefPtr Basics

如转载,请注明出处! 原文地址:http://www.webkit.org/coding/RefPtr.html History         在WebKit内核中,很多对象都有引用计数。操作引用计数的方法有两个,分别是用于增加引用计数的方法ref以及减少引用计数的方法deref。调用ref的次数与调用deref的次数必须相等。如果在对象的引用计数等于1时调用deref,那么对象就会被

shuimuniao的专栏 960

Prokka实战:10分钟搞定细菌基因组注释(附详细参数解析)

本文深入解析Prokka细菌基因组注释工具的核心参数与实战策略。通过拆解其集成化工作流程,详细解读物种分类、功能注释、输出控制等关键参数,并提供快速初筛、高质量发表、质粒注释及批量处理四种典型场景的高效参数组合方案,帮助用户精准掌控注释过程,将原始序列转化为有价值的生物学见解。

weixin_29271053的博客 447

AI 赋能测试全生命周期:多 Agent 协同的自动化提效方案

本文提出了一种基于Coze平台的多Agent协同测试解决方案,旨在解决软件测试中PRD解析不清晰、测试点覆盖不全、用例编写效率低、代码生成耗时等痛点。通过PRD优化、测试点生成、测试用例生成和单元测试框架生成四个Agent的协同工作,结合Cursor工具实现从需求到代码的全链路自动化。以电商平台登录模块为例,展示了从模糊PRD到标准化测试用例和可执行Java单元测试代码的完整转化流程。该方案通过AI赋能显著提升测试效率,减少人工干预,实现测试覆盖率≥95%,为快速迭代的软件研发提供了高效的测试自动化支持。

QINJIEEE的博客 1107

cocos2dx 数据内存管理----RefPtr智能指针

对于所有的UI元素,用autorelease来管理,而对于游戏中的数据,每帧释放一次不适用,所以添加了RefPtr智能指针(模版类)来管理游戏中的数据类(需动态申请内存的数据) 简介:2dx 3.1引入了智能指针RefPtr,RefPtr是基于RAII实现的,在RAII中,动态资源的持有发生在一个对象的生命周期之内,也就是在对象的构造函数中分配内存,对象的析构函数中释放内存,这样

码农的自我修养 949

SuperPoint与SuperGlue的C++ TensorRT工程化实战:从理论到部署的完整指南

本文详细介绍了如何将SuperPoint和SuperGlue算法通过C++和TensorRT进行工程化部署,从模型准备、格式转换到TensorRT引擎构建和C++推理实现。通过性能优化技巧和实际应用案例,展示了在边缘设备上实现实时特征匹配的完整流程,显著提升处理速度与效率。

weixin_42537831的博客 162

[WebKit]RefPtr和PassRefPtr基础[1]

历史:     在WebKit中,许多对象采用了引用计数。这种模式是通过类的ref,deref成员函数来递增和递减对象的引用记数。调用一次ref必须调用一次deref。当对象的引用记数为0的时候,对象就被删除。WebKit中许多类创建的新对象引用记数都为0,这被称作是浮动状态(Floating State)。在浮动状态的对象必须调用ref,在删除之前必须调用deref。WebCore中许多类通

Warden@CN 8719

VS Code下载安装与使用教程

VSCode下载安装与使用教程

weixin_46713695的博客 4万+

RestFul API 详解

RESTful API 经常也被叫做 REST API,它是基于 REST 构建的 API。RESTful API 可以让你看到 URL+Http Method 就知道这个 URL 是干什么的,让你看到了 HTTP 状态码(status code)就知道请求结果如何。

wynn的博客 7585

osg指针ref_ptr和observer_ptr

使用OSG的人都知道OSG的内存管理方式采用了智能指针,通过智能指针的方式让OSG自己处理对象的销毁工作。在OSG中有两个智能指针类型,一个就是我们再熟悉不过的ref_ptr,另外一个可能很多人不一定经常用,但确实非常好的observer_ptr。这两种类型都是作为智能指针而出现的,那他们到底有什么区别?为什么会出现两个类似的东西?下面我们慢慢揭开它们的面纱。 其实它们是两种智能指针类型,一种是我...

qq_17792451的博客 1403

Qt项目开发实例 (含源码)

qt教程、qt项目、qt下载、qt项目实战、qt多线程。本文通过分析demo源码,QT实战的方式进行学习,学习路线是以实战为目录,全面的使用自己的学习知识,文章中编写一系列的学习游戏demo,与大家一起分享。

啊渊的专栏 14万+

Refptr and PassRefPtr basic

http://www.webkit.org/coding/RefPtr.html Refptr and PassRefPtr basic Webkit中的很多对象都是引用计数的,所使用的方法是在类中加入ref和deref成员函数用于增加和减小引用计数。调用ref的次数一定要和调用deref的次数相同,当引用计数deref到1的时候,该对象会被释放。Webkit中的很多类通过继承RefCount

路 979

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

智能指针

 摘自:Don Burns《Using Reference Pointers in Producer and OpenSceneGraph》ref_ptr 利用引用计数管理分配在堆上的内存,计数为(0)时自动释放内存规则1:对所有从Referenced 继承的类,都用ref_ptr规则2:绝对不要返回ref_ptr 指向的地址,返回ref_ptr 它自己规则3:绝对不要用ref()、unr

虫子的森林资料库 812

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")

WebKit源代码里的RefPtr智能指针

WebKit源代码里的RefPtr智能指针的一些心得。 Overview WebKit的智能指针由类族 RefPtr 来实现,其核心由三个类组成: RefCounted RefPtr PassRefPtr 其中RefCounted提供了引用计数器(一个int型成员),而RefPtr和PassRefPtr则提供了自动管理引用计数器的功能。根据RefPtr and PassRefP...

weixin_33909059的博客 182

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

详解osg::ref_ptr

首先,要使用ref_ptr的类必须继承自Referenced类(当然Referenced本身肯定也可以),这样才能使用->ref()和unref(),才能正确,ref_ptr其实本身是一个类,后面的是它的对象,但是它重载了->符号,使得它的对象表现得像一个指针的特性一样,所以叫智能指针,这里实现的方法为引用计数。 然后让我们进入ref_ptr的内部: 第一句:ref_pt...

dianxiaochuang7777的博客 1756

WebRTC中的scoped_refptr解析

众所周知,C++中在堆中申请的内存都需要程序员自己手动删除,这是C++容易造成内存泄漏的根本原因。使用过Java的朋友都清楚,Java有完善的内存回收机制,无需程序员调用释放内存的操作。C++里是否能够实现类似Java的自动回收内存的机制呢?答案是肯定的,而Webrtc中的scoped_refptr就是实现类似的功能。 首先我们从这个类的名字入手去理解它的含义。名字由三个单词组成,分别为scope,ref,ptr。 先看ptr,C++程序员都知道这是pointer指针的意思,但是类名中包含指针的语义,.

HermanOpenGL的专栏 737

探索WebKit内核(五)------ 智能指针解析:RefCounted, RefPtr, PassRefPtr, OwnPtr和PassOwnPtr...

本文将从WebKit源码中解析WebKit智能指针的用法。进入正题之前,先还是要仔细看看官方文档:http://www.webkit.org/coding/RefPtr.html。不管能否看明白还是要先看看这篇文章,毕竟这是本文最主要的参考文档。 文档里已提到2005之前,WebKit基于RefCounted来管理对象的销毁。 RefCounted RefCounted原理很简单,就是最经典的引用...

dawuafang 382

webkit技术译文系列(二):RefPtr和PassRefPtr基础

原文链接:http://webkit.org/coding/RefPtr.html历史WebKit中的许多对象是引用计数的(reference counted),采用的模式就是类具有ref和deref成员函数增加和减少引用计数。每个ref调用必须有一个deref与之匹配。当在引用计数值为1的对象上调用deref方法时,对象删除。WebKit中的许多类通过继承RefCounted类模板应用该模式。时间回溯到2005年,我们发现存在许多由于不正确调用ref和deref而引起的内存泄露,特别是HTML编辑的代码。

K.I.S.S - Keep It Simple, Stupid 4894

scoped_refptr

/* 一、本文中包括以下几个类: RefCountedBase -->为子类增加引用计数,基类的基类,无线程安全 RefCountedThreadSafeBase -->为子类增加引用计数,基类的基类,有线程安全 RefCounted:public RefCountedBase -->为子类增加引用计数,基类,线程安全 RefCountedThreadSafe:

zeflove的专栏 4787

WebKit中RefPtr和PassRefPtr的使用

简单的说,RefPtr变量被赋值时,引用计数加1,当这个变量赋值给其他变量时,引用计数减1。 PassRefPtr和RefPtr一样,被赋值和赋值给其他变量时,引用计数会发生变化。除此之外,当PassRefPtr变量赋值给另外一个PassRefPtr或者RefPtr变量时,其本身的计数器将会变成0。 所以赋值一般用这种形式: static RefPtr g_oneRingToRuleTh

高雄的专栏 1220

WebKit里的RefPtr和PassRefPtr

原文链接: http://www.webkit.org/coding/RefPtr.html   历史 WebKit里的很多对象都是引用计数的。这些支持引用计数的类都包含ref和deref成员函数,分别用于增加和减少引用数。每次调用ref都必须匹配的调用deref。当deref被调用时,如果引用数变为1,这个对象就会被释放。WebKit里很多类通过继承RefCounted类,按照这个模式实

intimater的专栏 2514

庖解Chrome源码——线程模型 —— scoped_refptr

转自: http://www.cnblogs.com/marco/archive/2010/09/09/1820724.html   很多人喜欢Chrome,喜欢它的简洁,喜欢它的“快”。 简洁大家一目了然,无需多言,这里重点要说的是它的“快”。什么是“快”呢?大概不少人第一反应就是cnBeta上的日经Javascript跑分贴,Chrome那叫一个快啊。(其实每次点开这类文章时

kevin_Android_123456的专栏 4250

Webkit RefPtr and PassRefPtr Basic

RefPtr and PassRefPtr Basics 历史: 在webkit当中很多对象是使用引用计数方式。这种方式的实现是通过每个类当中拥有ref和deref成员函数用来递增和减小引用计数。每一个ref方法调用和deref相对应。当引用计数变为0时,这个对象就会被delete。在webkit当中的很多类实现这种模式的方法是继承RefCounted类模板。 回到2005年,我们发现有

typename 记录点滴 2757

webkit智能指针 - RefPtr, PassRefPtr(adoptRef)

点击打开链接

qq_34981632的博客 540
上一篇: WebView,WebFrame, Frame, FrameView, Document, Page的关系以及FrameLoader,DocumentLoader
下一篇: android中打印调用栈
csshell2002
博客等级 码龄11年 30粉丝 41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