跟我学c++高级篇——动态反射之二动态列表

实现C++反射机制:让代码动态生成、执行! 这样做虽然保证了代码的强类型性和安全性,但也限制了其灵活性和动态性,很难做到像其他语言一样支持动态类型、动态绑定、反射机制等特性。下面我们来介绍一种简单而通用的反射机制实现方法,即使用模板元编程和宏展开技术,动态生成类的成员和代码,并在运行时执行。这种方法虽然可能会增加代码复杂度和编译时间,但提高了代码的灵活性和可扩展性,在一些需要动态生成代码的场合发挥着重要作用。通过反射机制,程序可以在不知道对象实际类型的情况下访问其属性和方法,可以动态生成类的实例、执行类的方法、获取类的信息等。 阅读详情

一、动态生成列表

在上一篇中实现了一个Map映射,其实就是一个表。但那个表有点维护和扩展上的不方便,所以后为又开始用静态展开递归的方式来遍历枚举。其不管是怎么做,都是要得到整个枚举体的信息,然后才能进行处理。
这次使用一个动态生成表的方式来进行查询,得到相关的枚举的具体的信息。

二、例程

先看一个例程,然后分析一下:

#include <string>
#include <array>
#include <utility>
#include <type_traits>
#include <iostream>

#ifdef _WIN64
#define __FUNC__ __FUNCSIG__
#else
#define __FUNC__  __PRETTY_FUNCTION__
#endif
enum class DataType {USB,PCI,HD,NOT};
template<auto T>

constexpr auto TypeInfo()
{
    std::string_view type = __FUNC__;
    auto begin = type.find("T = ") + 4;
    auto end = type.find_last_of(']');
    return std::string_view{ type.data() + begin, end - begin };
}


constexpr auto n = static_cast<int>(DataType::NOT);

template<typename T>
constexpr auto enumMapName (T t)
{
    //constexpr auto n = TypeCount<T>();
    constexpr std::array<std::string_view,n> mapNames
    {
        [] <std::size_t... Is>(std::index_sequence<Is...>)
        {
            return std::array<std::string_view,n>{ TypeInfo<static_cast<T>(Is)>()... };
        }(std::make_index_sequence<n>{})
    };
    return mapNames[static_cast<std::size_t>(t)];
}

int main()
{
    DataType dt = DataType::USB;
    std::cout << enumMapName(dt) << std::endl;
    for(auto i = 0; i <  n; ++i)
    {
        std::cout << enumMapName(static_cast<DataType>(i)) << std::endl;
    }

  //调用方式
  //std::cout<<TypeInfo<DataType::HD>()<<std::endl;
  //std::cout<<TypeInfo<DataType(6)>()<<std::endl;
  //std::cout<<TypeInfo<DataType(1)>()<<std::endl;
}

如果是在c++20上可以增加一个“概念”控制(类似SFINAE),“requires std::is_enum_v”,做一下安全性的验证,其实在这里只是限定在枚举里进行反射的讨论,它可以不考虑。
上面的代码中,求枚举的数量有点暴力简单,其实也可以用其它一些方法来实现,比如下面的两种方式都可以:

//first
#include <iostream>
#define DefineEnum(Name, Type, ...)                               \
enum class Name {                                                 \
        __VA_ARGS__                                               \
        ,count=std::size({__VA_ARGS__}) };                                                         

#define Enum(Name, ...) DefineEnum(Name, int, __VA_ARGS__)

Enum(DataType,USB,PCI,HD);

//second-需要借助前面的函数
template<typename T, std::size_t N = 0>
constexpr auto TypeCount()
{
    constexpr auto v = static_cast<T>(N);
    if constexpr (TypeInfo<v>().find("(") == std::string_view::npos){
        return TypeCount<T, N + 1>();
    }
    else{
        return N;
    }
}

第一种方法需要用宏来定义产生枚举,第二种使用了类似于前面静态反射中的判断特定字符,这里使用小括号,也可以否定的使用“::”,TypeInfo返回值类似下面:

auto TypeInfo() [with auto T = DataType::HD]
DataType::HD
auto TypeInfo() [with auto T = (DataType)6]
(DataType)6
auto TypeInfo() [with auto T = DataType::PCI]

如果给一个不在范围内的枚举变量则会产生上面的效果(如前面代码注释部分)。方法有很多,看哪种更适合实际的应用即可。

三、总结

在上文说过,本来这篇是和上一篇打算合在一起,可是又觉得它们有点不同的意思,就拆分了开来。其实说来归去,重点是理解如何进行反射前的准备,把相关的字段名称都准备出来,只是同一个基础的应用,却可以在上层写出不同的反射方法来,这也是c++总被称为难的原因。
因为其灵活,不容易掌握,而每个方法又有长处和不同的适应场景,这都需要开发者自己权衡,这就是难的原因。见仁见智,各取所需吧。

C++反射动态创建所需类的实例 使用单例,工厂,函数指针实现的反射,减少了分支语句,次方法可以动态创建类实例,减少了工厂类里面的分支语句(工厂类完成后基本不需要修改,就可以随意创建想要的类的实例)。 立即下载

相关推荐

qt下使用grpc编程(2) —— 练手!自己改的一个简单小例子!1

(1)在研究了grpc官方提供的helloworld例程后,自己试着写了个小程序。 (2)编写proto文件。 proto文件用于定义服务和消息,用protobuf的语法编写,protobuf是一种通信协议,详细请百度。下面附上源码: syntax = "proto3"; option java_multiple_files = true; option java_pac

u011099079的博客 3923

跟我学c++高级篇——动态反射之一遍历

这篇内容就有点接近正常理解的反射的意思了,本来这篇想把一个动态表生成的方式也分析了,但是又觉得太长了,还是分到下一篇再一起分享。慢慢来,不要急。

fpcc的专栏 563

Windowns下Git环境配置-命令行方式

文章目录一、配置Git1.1 下载Git并安装1.2 配置本地Git用户名和邮箱1.3 注册GitHub二、生成本地公钥,放到GitHub上-SSH Key2.1 生成本地公钥命令2.2 查看生成的公钥2.3 在GitHub放上公钥并测试连通性三、创建项目实操四、可能出现的问题4.1.push不成功4.2.提示SSL的问题4.3.域名不能解析的问题4.4.如果github连接不上的问题 一、配置Git 1.1 下载Git并安装 Git官网 默认安装,根据需要修改安装路径 1.2 配置本地Git用户名和邮箱

学习工作笔记 1135

数据结构(c++)学习笔记--列表

数据结构学习笔记的一部分,主要用于个人记忆和复习,在代码和编辑习惯上也倾向于本人特点,主要专注于能读性和简便性。

VaIOReTto1的博客 2004

UG476 GT Transceivers文档翻译和自身理解

对UG476 Xilinx官方文档进行翻译的基础上加上自己的理解

weixin_45143788的博客 4593

【Windows】 解决联想为主的所有自带摄像头(integrate camera)打不开的毛病(特别点名小新、thinkbook、thinkpad、y7000...)

解决联想系列电脑打不开自带摄像头的问题

Iamruzi的csdn博客 3万+

c++的静态反射与动态反射

动态反射: 元<型名 F>用 值转=函数<空(F*f,常 串&名)>; //每一项转值,成员项,都可转成指针,指与名对应 元<型名 T>类 段转基{ 公: 虚~段转基()=默认; 虚 空 符号()(T*p)常=0; }; 元<型名 T,型名 F> 类 段转:公 段转基<T>{ 公: 段转(常 串&名,F ...

个人进步之路 4319

生信物种注释软件Kraken2+Bracken的安装与使用

一、软件安装与数据库下载 1.Kraken2安装 Kraken2是一个基于k-mer算法的高精度宏基因组序列分类软件,能够快速的将测序reads进行物种分类。 使用conda一键安装,要先安装好anaconda或者miniconda conda install -y kraken2 输入krakek2 --help 出现如下所示帮助文档,则表示安装成功。 2.Bracken安装 bracken是一种从宏基因组数据中高度准确的计算物种丰度的统计方法。 同样使用conda一键安装 conda install -

jileiqwd的博客 1万+

C++实现反射技术

0 引言反射(reflection)的概念是由Smith在1982年首次提出的,主要是指程序可以访问、检测和修改它本身状态或行为的一种能力。这一概念的提出很快引发了计算机科学领域关于应用反射性的研究。它首先被程序语言的设计领域所采用,并在Lisp和面向对象方面取得了成绩。同时,反射机制也被应用到了视窗系统、操作系统和文件系统中。反射是Java被认为是动态语言的一个非常重要的特性,它允许动态发现和绑...

IT女孩儿的日常的博客 8142

泰凌微8258入门教程 环境篇④——开发板+烧录器 8258mesh新手套件购买

工欲善其事,必先利其器。 淘宝链接:https://item.taobao.com/item.htm?

4128

【用unity实现100个游戏之18】从零开始制作一个类CSGO/CS2、CF第一人称FPS射击游戏——基础篇1(附项目源码)

生存和射击游戏一直是我的最爱,说起3D最普遍的应该就是射击系统了,你可以在任何情况下加入射击功能,所以我写下了这篇FPS开发记录。希望对你有帮助。在这个项目中,你将学习如何设计和实现射击系统、武器系统、玩家控制、场景设计等方面的内容。通过这个项目,你将深入了解游戏开发中的许多核心概念和技术,并且在实践中不断提升自己。本项目将带你从零开始逐步实现一个完整的第一人称射击游戏,并且会逐步引入一些高级功能,如特效、声音等。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 5494

在C++上实现反射用法

最近看很多端到端的工作,发现大多数都是基于mmdet3d来做的,而这个里面用的比较多的形式就是反射机制,这样其实可以比较好的通过类似plugin的形式完成模型模块的插入。当然我们这里不是来分析python的反射机制的。我们这篇文章主要来介绍C++上实现反射。

lovely_yoshino的博客 1万+

基于CNN的三相故障识别算法及实现(Matlab)

通过预处理数据、构建CNN模型、训练与评估模型等步骤,我们可以准确快速地识别三相故障。现代电力系统中,三相故障是一种常见的故障情况,可以导致电网中断、设备损坏甚至火灾等严重后果。本文将介绍基于卷积神经网络(CNN)的三相故障识别算法,并提供Matlab源代码实现。首先,将原始信号分为训练集和测试集。然后,对输入信号进行归一化处理,确保数据在合适的范围内。CNN适用于处理二维数据,所以我们可以将输入信号看作是时间序列数据和特征(如电压、电流等)的二维矩阵。在开始之前,我们需要一个包含正常和故障样本的数据集。

学习使你进步。 383

跟我学c++中级篇——再谈Concepts

重新认识一下Concepts这个c++20中提出的概念

fpcc的专栏 1655

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

使用C语言实现动态顺序表

使用C语言实现动态顺序表

Keep_Trying_Go的博客 849

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")

C++实现反射(根据类名动态创建对象)

和网上大多数实现一样,本文也采用工厂方法来实现对象的动态创建,唯一不同的在于,本文的实现优化了类的注册,使用起来更为简单。废话不多说,直接上代码(这也没什么可说的,看代码更加直观)。 DynamicFactory.h文件,需要支持动态创建对象的地方,包含此文件,然后继承DynamicCreate即可。 #ifndef __DYNAMIC_FACTORY_H__ #define __DYNAMI

heyuhang112的专栏 1万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

C语言实现动态顺序表(列表)操作及折半查找算法

动态顺序表及折半查找的实现 文章目录动态顺序表及折半查找的实现动态顺序表一、动态顺序表定义二、动态顺序表初始化三、动态顺序表相关操作1.增加动态数组长度2.动态顺序表顺序插入元素3.动态顺序表删除4.动态顺序表按位查找5.动态顺序表按值查找折半查找实现算法一、基于升序顺序表的查找二、基于降序顺序表的查找项目完整代码运行效果图 动态顺序表 一、动态顺序表定义 #define InitSize 15 //动态分配顺序表定义 typedef struct { int *data; int M

酒醉浮生的博客 2515

【数据结构】实现动态顺序表及详细讲解

数据结构的常见线性表,分别是顺序表,链表,栈,队列 本篇给大家带来动态顺序表的实现和讲解

Eraser的博客 1045

C语言——(动态创建)链表

C语言——(动态创建) 链表(头插法、尾插法)

m0_69211839的博客 1024

C++ 动态反射 第一版

基于C++ 11 的 简单好用的C++ 反射库第一版

m0_56662207的博客 646

C++反射机制的实现

转载于: https://blog.youkuaiyun.com/Scythe666/article/details/51718864 Java中有天然的反射机制,因为Java本身就是半编译语言,很多东西可以在运行时来做,但是c++就不同了。要建立c++的反射机制,就需要登记每个类名与 创建类实例的回调函数 的对应关系。 前言 首先抛出一个问题:如何通过类的名称字符串来生成类的对象。比如有一个类ClassA,...

freshman94的博客 3万+

跟我学c++高级篇——反射

其实反射也可以放到模板元编程中来进行分析,但是为了更好的讲解一些c++的高级特性,还是把它分离了出来。c++的许多高级的特性,在国内的大多数应用场景上,其实是应用不到的。原因是,这些高级特性大多是在基础库支持或者基础软件上才用的。而这恰恰是国内的软肋。知已知彼,百战不殆。看到有什么不足,才能更好的补齐它。共同努力!

fpcc的专栏 8001

[C++]c++如何实现反射功能

发展,网络带宽也大幅提高,万维网验证了纯文本的http协议是一个简单、易理解的通讯协议,这时软件工程的主要矛盾已不是需求与硬件之间矛盾,而是开发者与不断变更的需求、逐渐多元化的系统之间矛盾,这时开发者需要一个不受语言制约、可读性强、易调试的通讯协议。的地址等信息)编译到程序文件中,当程序运行时将这些信息加载到内存中去,做到运行时只根据对象的地址或引用就可以获取到对象的类型信息,从而利用这些信息达到修改或重建对象的目标。反射机制就说到这里,上面代码很简单,有兴趣的同学可以查看我的完整代码。

FL1768317420的博客 2168

数据结构 ——— C语言实现动态顺序表

摘要:本文详细介绍了动态顺序表的实现方法。顺序表是用连续存储单元存储数据的线性结构,本质上是数组,分为静态和动态两种。静态顺序表使用固定长度数组,存在空间浪费或不足的问题;动态顺序表通过动态开辟数组空间,可按需扩容。文章重点讲解了动态顺序表的实现过程,包括初始化、扩容、增删查改等核心操作,提供了完整的代码实现(SeqList.h和SeqList.c)。关键操作包括:尾部插入/删除、头部插入/删除、中间位置插入/删除、查找和修改数据等,并给出了相应的测试示例。动态顺序表通过realloc实现扩容,比静态顺序表

weixin_55341642的博客 2151

C 语言动态顺序表

【代码】C 语言动态顺序表。

qq_68495605的博客 887

线性表——动态顺序表详解(C语言)

理解动态顺序表,基本的“增删改查”。

白井的博客 635
上一篇: 跟我学c++高级篇——动态反射之一遍历
下一篇: DPDK系列之三十八网卡优化
fpcc
fpcc 新星创作者: C/C++技术领域 新星创作者: C/C++技术领域
博客等级 码龄22年 4038粉丝 1185原创
评论 2
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