JAVA教程 从入门到精通 Day8

Go语言从入门到精通:一站式学习指南 Go语言是由Google的Rob Pike、Ken Thompson和Robert Griesemer设计的编程语言。Go语言旨在提供一种简洁、快速、并且易于并发编程的解决方案。Go语言的设计理念之一是“简单就是美”,它抛弃了传统编程语言中的一些复杂特性,如继承、多态等,而通过一些现代特性(如goroutine并发机制)弥补这些限制。Go语言以其简单、并发、性能优异的特点,成为了开发者的首选语言之一。通过本文的介绍,从Go的基础语法到进阶应用,你应该对Go有了一个全面的了解。如果。 阅读详情

4.7 构造方法

  • new关键字做的事情:

    • 在堆中为当前对象开辟一块内存空间 并且同时类的成员变量跟随对象进入到堆内存并附默认值
    • 调用构造器为对象初始化信息
    • 将地址返回给引用
  • 构造方法

构造方法是一种特殊的方法

  • 作用: 为对象初始化信息 为对象的属性赋值 不是用来创建对象的 new才能够创建对象

  • 调用: 只能跟随new一起使用

  • 注意:

    • 构造器可以实现重载
    • 如果没有定义构造方法 系统将给出一个默认的无参数构造方法
    • 如果定义了构造方法 系统将不再提供默认的构造方法
    • 如果自定义了带参构造方法 还要使用无参数构造方法 就必须再写一个无参数构造方法
    • 无论是否使用 都手工书写无参数构造方法
  • 定义:

    修饰符 类名(参数){
        
            初始化信息代码;
        
    }
    
  • 范例:

package user;

public class Car {
    public String brand;
    public String color;
	
    public Car(){	//无参构造方法
        
    }
    
    public Car(String carName,String carColor){	//有参构造方法
        //new中提供的值直接赋值
         brand=carName;
         color=carColor;
    }

    public void show(){
        System.out.println("一个品牌为"+brand+"颜色为"+color+"的车正在跑");
    }
}


package user;

public class CarDemo {
    public static void main(String[] args) {
        Car sc=new Car("保时捷","金黄色");	//给参数
        sc.show();
    }
}

4.8 this关键字

  • this指向当前new的对象

作用:

  1. 在构造器的首行通过this(实参)调用本类中其他构造器

**注:**构造器不能相互调用

2)区分同名成员与局部变量问题

  • 默认会发生就近原则
  • 可以通过this 调用成员变量 否则默认找局部变量
  • 如果不存在局部与成员同名问题 指代成员的this.可以省略

注意:

  • this在构造器中使用 默认指代当前new的对象
  • 在成员方法中的this 默认指代调用成员方法的对象
  • this不能使用在static方法中
public class Class001_This {
    public static void main(String[] args) {
        Person p = new Person("张三");
        System.out.println("p--->地址--->"+p);
        p.show();
    }
}

class Person{
    //属性
    public String name;
    public int age;
    public boolean gender;

    //构造器
    public Person(){
        System.out.println("-----空造器.....");
    }

    //带参构造
    public Person(String name){
        System.out.println("-----1个参数构造器.....");
        this.name = name;
    }
    public Person(String name,int age){
        System.out.println("-----2个参数构造器.....");
        this.name = name;
        this.age = age;
    }

    public Person(String name,int age,boolean gender){
        this(name,age);
        this.gender = gender;
        System.out.println("-----3个参数构造器.....");
    }

    //功能
    public void show(){
        System.out.println("this------->"+this);
        String name = "str";
        System.out.println(this.name+"--->"+age+"--->"+this.gender);
    }
}

4.9 static关键字

  • 静态的使用注意 :
    • 成员方法中的this默认指代当前调用成员方法的对象
    • 成员方法中可以直接使用成员 也可以直接使用静态
    • 静态方法中可以直接使用静态内容 但是需要通过对象使用成员变量
    • 在静态方法中不能使用this 因为冲突
public class Class002_Static {
    static int i = 20;
    int j = 100;

    public static void main(String[] args) {
        testStatic();

        Class002_Static cs = new Class002_Static();
        cs.test();
    }

    //成员方法
    public void test(){
        System.out.println("成员方法");
        //直接使用
        System.out.println(i);
        System.out.println(j);
    }

    //静态方法
    public static void testStatic(){
        //直接使用
        System.out.println(i);
        //通过对象使用
        System.out.println(new Class002_Static().j);
    }
}

4.10 block关键字

块 { }:

分类 位置 执行时机

分类位置执行时机
局部代码块 | 普通语句块定义在方法或者语句块中跟随方法
构造块 | 成员代码块定义在类中方法外跟随new
静态块定义在类中方法外类第一次加载

注意 :

  • 构造块中的代码先于构造器代码之前执行 因为在编译期间构造块代码会被编译到要执行的构造器内部 构造器代码之前
  • 如果存在多个构造块 从上到下依次执行
  • 静态块中的内容在类第一次加载完成之后就执行 并且只执行一次 先与main方法执行
  • 如果存在多个静态块 从上到下依次执行

执行顺序 :

静态块 --> main —> 构造块 --> 构造器

public class Class001_Block {
    static int i = 10;
    int j;

    //静态块
    static{
        System.out.println("我是静态块1");
    }
    static{
        System.out.println("我是静态块2");
    }

    //构造器
    public Class001_Block(){
        System.out.println("构造器...");
    }
    public Class001_Block(int j){
        System.out.println("构造器...");
    }

    //构造块
    {
        j = 10;
        System.out.println("构造块1");
    }
    
    {
        System.out.println("构造块2");
    }


    public static void main(String[] args) {
        i = 1;
        //局部代码块|普通语句块
        {
            System.out.println("局部代码块");
            int  i = 5;
            System.out.println(i); //5
        }
        System.out.println(i); //1

        Class001_Block cb  = new Class001_Block();
        Class001_Block cb2  = new Class001_Block();
    }
}
Java基础入门知识总结 Java基础入门: 1.计算机的基础知识(day01) 2.Java语言基础(day02-day06) 3.Java面向对象(day07-day10) 4.Java开发工具(day11) 5.Java常见对象(day12-day14) 6.Java集合框架(day15-day19) 7.JavaIO流(day20-day22) 8.Java多线程(day23-day24) 9.JavaGUI(day25) 10.Java网络编程(day26) 11.Java反射(day27) 视频教程:黑马程序员全套Jav 阅读详情

相关推荐

java从入门到精通basic

文章目录Day01--Java开发环境+HelloWorld计算机基础知识计算机计算机硬件计算机软件软件开发计算机语言人机交互方式键盘功能键及快捷键介绍常用的DOS命令Java语言概述Java语言发展史Java语言平台版本Java语言特点JDK概述下载与安装配置环境变量目录介绍Eclipse概述下载与安装工作空间workspaceHelloWorld案例创建day01工程创建包创建HelloWorld类创建方法测试运行与工作原理1.6 拓展:1.6.1 在自己电脑上安装jdk1.6.2 下载最新版本ecli

cgblpx的博客 3659

JAVA教程 从入门到精通 Day15

JAVA基础

dlogcs的博客 376

若依(RuoYi)框架从零到部署:Spring Boot+Vue权限系统完整配置指南

在Java企业级应用开发中,Spring Boot作为构建微服务和单体应用的基石,极大地简化了项目初始化和配置流程。其核心原理在于通过自动配置和起步依赖,快速整合数据访问、安全认证、缓存等常用模块,显著提升开发效率。这一技术价值在需要快速构建后台管理系统的场景中尤为突出,例如权限管理、用户角色分配等通用需求。若依(RuoYi)框架正是基于Spring Boot和Vue.js的优秀实践,它封装了RBAC权限模型、代码生成器等高频功能,提供了开箱即用的解决方案。本文聚焦于若依框架的【环境配置】与【项目部署】,通

weixin_33984032的博客 455

JAVA教程 从入门到精通 Day 1

JAVA基础

dlogcs的博客 325

抖音__NS_sig3签名机制解析与动态Hook实战

在现代移动应用中,客户端与服务端之间的可信通信契约往往依赖于动态生成的请求签名,如抖音(某手)的__NS_sig3参数。该签名并非简单哈希,而是融合设备指纹、传感器数据、运行时上下文与轻量加密的综合摘要,体现了‘环境即凭证’的安全设计思想。其核心价值在于抵御静态伪造与批量模拟,提升接口调用的真实性与不可复用性。典型应用场景包括Feed流加载、点赞关注等关键业务接口的身份校验。本文基于真实逆向与Frida动态Hook实践,深入解析__NS_sig3的so层实现逻辑、JNI调用链路、输入参数真实性验证机制,以及

weixin_30127995的博客 375

FPGA实现电机转速PID控制

通过纯RTL实现电机转速PID控制,包括电机编码器值读取,电机速度、正反转控制,PID算法,卡尔曼滤波,最终实现对电机速度进行控制,使其能够渐近设定的编码器目标值。

STATEABC的博客 7490

Java入门到精通 day2

Java入门到精通 day2 关键字 数据类型: 基本数据类型 1.1 整数型 byte short int long 1.2 浮点型 float double 1.3 布尔型 boolean 1.4 字符型 char 引用数据类型 2.1 类 接口 数组 定义的注意事项: 默认整数类型为int型,需要注意定义时各数据类型的范围,从大范围定义到小范围可能会精度丢失导致出错.可以使用强转 强转:目标类型 变量名 = (目标类型)常量值或者变量值 标识符 自定义的 类名 接口名 方法名 1.1 类名:采

weixin_44850324的博客 135

UE5游戏逆向实战:用FModel提取.pak文件中的3D模型(附Dumper-7避坑指南)

本文详细介绍了如何使用FModel工具从UE5游戏的.pak文件中提取3D模型,并提供了Dumper-7的避坑指南。内容涵盖FModel工具链配置、UE5特有的unversioned properties问题解决方案、Dumper-7实战流程以及模型后处理技巧,帮助开发者高效获取游戏资产。

weixin_30872499的博客 422

Java入门到精通 day1

java从入门到精通day1 软件介绍 JDK JRE JVM的区别 JDK JDK:Java Development Kits Java开发程序者必须要安装的开发工具包 JDK中包含JRE和JVM JRE Java Runtime Environment Java运行坏境 JRE包含JVM JVM Java Virtual Machine Java虚拟机 Java程序先经过编译,把我们输入的语言编译成计算机能够识别的二进制代码,然后由JVM负责启动相对应操作系统的虚拟机去"解释"给操作系统.(

weixin_44850324的博客 117

环境配置与基础教程:当前大厂主流套路:使用 MLflow 全链路管理 YOLO 实验参数、指标与模型版本

YOLO26与MLflow结合实现高效实验管理 YOLO26通过移除DFL模块和实现无NMS端到端推理,在CPU推理速度上提升43%,同时简化了模型导出流程。MLflow 3.10/3.11版本新增多工作区支持、成本追踪和安全序列化等功能,为机器学习实验提供全生命周期管理。两者结合可解决传统"截图+Excel"式实验管理的痛点,实现参数追踪、指标对比和模型版本控制的自动化。 关键优势: YOLO26架构优化带来显著性能提升 MLflow提供实验到生产的全链路管理 原生集成简化了计算机视觉

ZXSXJ的博客 191

使用AutoDL云服务器训练YOLO计算机视觉网络模型(AutoDL+Xftp+VS Code),附详细操作步骤

AutoDL AI算力云是一个提供人工智能算力服务的云平台。丰富的GPU资源:提供多种GPU型号,包括NVIDIA的A100A800L40V100RTX 4090RTX 3090等,能满足我们在不同场景下的需求,无论是进行大规模的AI训练还是复杂的科学计算等任务,都可以找到合适的GPU资源。灵活的付费方式:支持按量付费包日包周包月等多种付费模式。对于短期的实验或不确定时长的项目,可以选择按量付费;如果有长期稳定的算力需求,预付费或包周包月则可能更划算,可以根据自己的需求和预算进行选择。集成主流框架:集成了。

Limiiiing的博客 957

day01-Java入门

day01-Java入门

ZHUSHANGLIN的博客 1208

【第1章>第5节】SOM自组织映射网络的理论学习与MATLAB仿真

自组织映射网络(Self-Organizing Map,SOM)是一种无监督学习的人工神经网络,由芬兰学者Teuvo Kohonen于1981年提出,也被称为Kohonen网络。它的主要功能是将高维输入数据映射到低维(通常是二维)的离散网格上,同时保持输入数据的拓扑结构,即相邻的输入数据在映射后的网格上也相邻。

FPGA/MATLAB学习教程/源码/项目合作开发 402

JAVA教程 从入门到精通 Day 2

java基础

dlogcs的博客 261

深入解析:AndroidManifest.xml 与 Qt 6.7.0 的整合

本文探讨了在Qt 6.7.0和CMake构建Android应用时,AndroidManifest.xml未被正确识别的问题。通过分析CMake配置错误、文件路径问题等可能原因,提出了在CMakeLists.txt中明确指定路径、确保目录结构正确等解决方案,并给出了示例项目演示。文章强调正确配置AndroidManifest.xml对获取权限和应用功能的重要性,为Qt开发者提供了实用的调试建议。

2501_90323865的博客 110

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Java入门学习笔记 -- Day8

本文介绍了Java中的代码块和内部类。代码块分为静态代码块(类加载时执行一次,用于初始化静态变量)和实例代码块(每次创建对象时执行,用于初始化实例变量)。内部类包括成员内部类(可直接访问外部类成员)、静态内部类(只能访问外部类静态成员)和局部内部类(定义在方法内)。通过示例代码演示了各类的创建方式和特点。

qq_51915532的博客 470

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

【JAVA入门】Day39 - 字符集

在计算机当中,任意数据都是以二进制形式来存储的。一个二进制位我们叫做 1 bit。我们把 8 bit 合成一个新的计量单位叫做,一个字节能存储 2^8 = 256 种数据,英文是 byte。字节是计算机当中最小的存储单元。要存储英文字母,一个字节就足够了。在 ASCII 码表中记录了 128 个数据,这128个数据已经包含了 26 个英文字母和一些常用的英文标点符号,在表达英文日常需求时已经足够使用,而一个字节能存储 256 种数据编码,是这个表中字符的两倍,因此。

oo00Z00oo的博客 1243

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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入门详细教程——day01

DOS:DOS是微软在window操作系统之前推出的一款操作系统,在我们现在的window系统中一直保留。DOS命令:DOS操作系统是命令行式的,跟我们window可视化不一样,我们需要通过命令来完成各种操作。为什么要学习DOS命令:javac.exe java.exe 直接双击不能运行 需要在DOS下进行运行。进入DOS窗口的方式:win + r打开运行窗口,输入cmd,回车。快捷进入cmd窗口方式。

Z99263的博客 913

Jmeter入门到精通教程

21天Jmeter打卡day15 配置元件之用户定义的变量+抽离公共数据添加配置元件,用户定义的变量把协议和请求设置为用户自定义变量设置引用执行请求,读取变量成功。

seanyang_的博客 1万+

Java中Calendar对于日期的控制详解--DAY_OF_MONTH, DAY_OF_YEAR, DATE 的区别

文章目录前言创建测试代码执行结果结果分析 前言 开发过程中经常遇到对时间的操作,通过具体的实验完成对时间类Calendar的基本使用方法。 创建测试代码 package action; import java.text.SimpleDateFormat; import java.util.Calendar; public class TestCalendar { public static void getCaltime() { SimpleDateFormat sdf = new Simpl

jerrygaoling的博客 2万+

JAVA教程 从入门到精通 Day16

JAVA基础

dlogcs的博客 221

JAVA教程 从入门到精通 Day13

JAVA基础

dlogcs的博客 164

【Java基础】DAY8

DAY8DAY81、字符串概述和特点2、字符串的构造方法和直接创建创建字符串的常见3+1种方式。3、字符串的常量池4、字符串的比较相关方法5、字符串的获取相关方法6、字符串的截取方法7、字符串的转换相关方法8、字符串的分割方法9、练习一:按指定格式拼接字符串10、练习二:统计输入的字符串中各种字符的个数11、静态static关键字概述12、静态static关键字修饰成员变量13、静态static关...

Memory的博客 358

java入门day01

Java是软件开发中的高级编程语言机器语言: 101010101010010101010 执行效率高 开发效率低汇编语言高级语言:C C++ java python C# Golang PHP rust Object-C swiftJava之父是詹姆斯高斯林java是在SUN公司开发出来的1995年5月,java语言诞生2004年,JDK1.5发布(javaSE,javaEE,javaME)2009年,甲骨文(ORACLE)以74亿美元收购sun公司2014年3月,java8发布。

2302_77734990的博客 605

java程序设计教程 20天java核心技术教程

java很多的培训机构都会录制比较完整的java程序设计入门级视频教程提供下载的,单是想要java入门的话下载尚硅谷20天java核心技术教程看这些就够了,如果要深入的学习java可以参考他们列出来的教学提纲! 【java课程内容】 第1章:Java语言概述(day01) 第2章:基本语法(day01-day04) 第3章:面向对象编程(day05-day07) 第4章:高级类特性1(day07-...

fengliaoai的博客 614
上一篇: JAVA教程 从入门到精通 Day7
下一篇: JAVA教程 从入门到精通 Day9
dlogcs
博客等级 码龄7年 0粉丝 19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