javase核心day13

JavaSE进阶基础这一篇就够了,你值得拥有! 本Java视频教程适合有一定编程语言基础的学员观看,在本Java视频教程中讲解了Java开发环境搭建、Java基础语法、面向对象、异常、数组、常用类、集合、IO流、线程、反射机制。该Java视频教程为讲师上课实录,共60个课时(1小时为1个课时),讲师语言表达流利,思路清晰。如果您是有一门编程语言基础的,或者您现在是一名Java程序员且想巩固一下JavaSE的,请打开Java视频教程观看吧!... 阅读详情
1,collection:集合的概念,包含有list,set接口
  List 接口,表示有序线性表,包含ArrayList,LinkedList,前者底层实现是数组,后者是链表
2,set接口,表示无序不重复,hashset
3,数组的工具类是Arrays,集合的工具类是Collections,其中提供了许多的方法,如排序,二分查找,打乱,填充
4,comparable,可比较的,Comparator 比较工具,用于临时定义比较规则


5,java中的包装类:用于把基本类型包装成对象类型,
Integer ,Long,Byte,Short,Float,Double,Boolean,Character


6,包装类是final类,包装类的对象是不变的,与字符串类似
7,集合被遗:两种方法,一是clone(),是由object定义的,另一种是使用
  集合复制器,如Map map=new HashMap(),Map map2=new HashMap(map)
               List list1=new ArrayList()
               List list2=new ArrayList()
8,clone()只能复制本类型,但是复制构造器可以复制不同类型的集合。


9,线程安全,就是线程同步


10,集合与数组的转换。
   J转S,用toArray()如:object[] ary1=list.toArray()
     s转j,set set=new Hashset(list);
11,Collection,抽象的集合概念,实现它的有set与list
  Collections集合静态工具类,包含集合的工具方法,如sort()等


12,Map的迭代,有三种:对key:value  ,map.entrySet()
                     对key,map.keySet();
                     对value,map.values();
13,charAt,查询第几个的字符,就是根据位置查字符
  java中继承的方法,修饰符的范围只能放大不能缩小


14,内部类:按位置不同,内部类分为四种:
      静态内部类,声明在类体中,用static修饰,可以访问外部类的静态成员。
      成员内部类:声明在类体中,不使用static,具有类的成员特征,必须有类的实例才能创建内部类实例
            可以访问共享外部类的成员变量,链表的节点可以定义为内部类
      局部内部类:把类声明在方法中,就是局部内部类,作用域。类似局部变量
      匿名内部类:可以写在任何地方,如同一般语句,方法如同创建对象,如
            Date date=new Date(){}
                   匿名类是对原类的一个继承,同时创建了实例,{}是继承后的类体,其中可以用所有类的语法
            匿名类不能写构造器
            匿名类可以从抽象类或者接口继承,必须提供帛象方法的实现
     任何内部类都编译成独立的class文件,最大的作用是封装!


15 ,
public class InnerClass {


public static void main(String[] args) {
// TODO 自动生成的方法存根


Foo.Koo koo=new Foo.Koo();
System.out.println(koo.add());

}


}
public class InnerClass {


public static void main(String[] args) {
// TODO 自动生成的方法存根


Foo.Koo koo=new Foo.Koo();
System.out.println(koo.add());

}


}




class Foo{
int a=1;
static final int b=2;
static  class Koo{
int add(){
return b+1;
}
}

}

/*
//注意这里不能这样写,不然会出错,所以,要单独写成一个类
          文件或者写在主类的下面
* 只能在静态类型或者顶级类型中声明静态类型
class Foo{
int a=1;
static final int b=2;
static  class Koo{
int add(){
return b+1;
}
}

}
*/


}


//用静态内部类实现比较
import java.util.Arrays;
import java.util.Comparator;


public class StComCla {


public static void main(String[] args) {
// TODO 自动生成的方法存根
      String[] names={"郭","郭美","郭美美"};
      Arrays.sort(names,new ByLength());
      System.out.println(Arrays.toString(names));
}


static class ByLength implements Comparator<String>{
public int compare(String o1,String o2){
return o2.length()-o1.length();
}

}
}

**~~西安鸥鹏JavaSE课程day01&day02笔记整理~~** 西安鸥鹏JavaSE课程day01&amp;day02 1.1计算机基础 **计算机:**电子计算机,俗称电脑。能够按照程序运行,自动、高速处理海量数据的现代化智能电子设备。由硬件和软件组成。 1.2计算机硬件和软件概述 1**计算机硬件:**计算机系统中,由电子,机械和光电元件组成的各种物理装置的总称。通常由CPU、主板、内存、电源、主机箱、硬盘、显卡等多个部件组成。 2**计算机软件:**计算... 阅读详情

相关推荐

Day01_JavaSE篇(精炼版)

(main方法所在的类)基本数据类型sout打印出来的是数值, 引用数据类型sout打印出来的是对象的地址值其中八种基本数据类型:byte、short、char‐‐>int‐‐>long‐‐>float‐‐>double,boolean子类有super(),如果父类没有空参构造方法就会编译报错内部类可以分为四种: 成员内部类、局部内部类、匿名内部类和静态内部类。(1)自定义一个编译器异常:自定义类 并继承 java.lang.Exception。

weixin_45014721的博客 476

【JavaSE学习】Day2 JavaSE基础语法

一、标识符 1.java关键字的使用 2.标识符的使用 二、代码的使用 1.变量的分类 2.定义变量的格式: 3.变量使用的注意点: 4.基本数据类型变量间运算规则 三、运算符 1.算术运算符: 2.赋值运算符 3.比较运算符(关系运算符) 4.逻辑运算符 5.三元运算符 四、分支结构 if-else条件判断结构 switch-case选择结构 五、循环结构 1.循环结构的四要素 for循环结构 while循环结构 do-while循环结构 “无限循环”结构: break和continue关键字的使用

2201_75381449的博客 291

Linux单独编译设备树,开发者分享 | Petalinux 工程中设备树的介绍

本文来自XILINX嵌入式产品应用工程师 Terry Ni设备树是 Petalinux kernel 的关键组件,接下来以 2020.1 版本为例,为大家介绍一下在Xilinx Petalinux 工程中的设备树是如何产生,配置以及修改的。Petalinux 工程中设备树的位置当我们创建了一个 petalinux 工程后(以zcu102为例),在编译的时候,会自动生成对应的设备树文件。这些设备树的...

weixin_28877107的博客 2582

【JavaSE学习】Day4JavaSE面向对象 (上) 看这三篇就够了

上期讲述了JavaSE数组的使用和常见用法和异常,本期主要来讲述JavaSE面向对象和类,内容有点多,大家聚精会神听我说。以下是本篇文章正文内容。 本次文章讲述的是JavaSE面向对象与类(上),讲述的是初始类与对象、JVM中的内存结构、类的属性、属性和局部变量的对比、类的方法、方法的重载、可变个形参的方法、面向对象编程的封装性、类的构造器、this指针、属性赋值顺序等众多知识点,觉得文章帮助到你的,可以点点关注收藏起来,如果有疑问也可以评论区讨论。

2201_75381449的博客 321

Maven证书信任危机:PKIX path building failed的全面解析与实战修复

本文全面解析了Maven构建中常见的`PKIX path building failed`证书验证错误。该错误通常在使用特定镜像仓库或自建仓库时,因SSL/TLS证书不被JDK默认信任而触发。文章深入剖析了错误根源,对比了临时忽略检查与永久导入证书等不同修复方案的安全性与适用场景,并推荐通过`keytool`将证书导入JDK信任库的根治方法,以保障构建安全与稳定。

zzz56的博客 506

GCJ02坐标系转WGS84坐标系(已实地测试基本无偏差)

坐标系转化,GCJ02坐标系,WGS84坐标系

Xiao_XianYu_的博客 1854

Day13JavaSE——StringBuffer&数组常见操作&Arrays类&基本数据类型包装类

Day13JavaSE——StringBuffer&数组常见操作&Arrays类&基本数据类型包装类 文章目录Day13JavaSE——StringBuffer&数组常见操作&Arrays类&基本数据类型包装类StringBuffer&StringBuilder概述StringBuffer的方法StringBuffer常用的功能StringB...

adAir_liu的博客 914

电化学-NanoStat-开源系统的使用说明

本文主要介绍了NanoStat开源系统的使用方法,从硬件打板、设备组装、软件安装3个层次进行了详细说明。整个流程根据作者提供的视频能够很好的完成,不需要太多的技术,对刚入门的新手是一个不错的练手项目。其次软件还有很大的优化空间,能够进一步提高系统的精度,对之后类似恒电位仪系统的开发也有很大的借鉴意义。

分享技术笔记,希望对大家能够有一定的帮助,同时也通过归纳总结提升自己的个人能力。 2000

JavaSE、JavaEE与Spring的概念和异同点剖析以及规范13 个分析

JavaSE、JavaEE与Spring的概念和异同点剖析以及规范13 个分析这些类被用于网络、数据库访问、安全、xml解析、gui开发。除了这些核心的api之外,它还提供了虚拟机JVM、开发工具、部署技术等。Spring遵循所有的JavaEE规范吗?严格的说不是。Spring是一个独立的框架。Spring是一个独立的集成平台,在JavaEE中有改进和替换,也允许你使用JavaEE技术。

专注Java(全栈)应用开发,求知若渴,虚心若愚,talk is cheap, show me the code. 814

使用 MATLAB/Simulink 进行锂电池SOC估算和等效电路建模

本文介绍了使用MATLAB/Simulink进行锂电池SOC估算与等效电路建模的方法。首先阐述了SOC估算和等效电路模型的背景及重要性,然后详细讲解了系统结构设计的主要组成部分,包括电池模块、SOC估算模块(采用卡尔曼滤波器算法)和等效电路模型等。文章重点分步说明了建模过程:从创建Simulink项目、搭建电池模块,到实现SOC估算算法(提供示例代码),构建等效电路模型(Thevenin模型示例),添加传感器模块,最后设置仿真参数。通过仿真运行分析关键指标(SOC估算误差、电压偏差等)来评估模型性能,为锂电

xiaoheshang_123的博客 263

Transformers 实战修炼与源码剖析专栏大纲

本专栏以 Hugging Face Transformers 为主线,围绕“能用、会调、敢上线、懂源码”四个目标展开。内容不把理论堆成公式墙,而是用真实或拟真的业务场景驱动:客服分类、合同抽取、知识库问答、模型微调、推理服务、监控告警、源码扩展等。采用“业务痛点 → 三人剧本对话 → 代码实战 → 总结思考”的四段式结构,让读者在动手完成一个个小项目的过程中,逐步理解 Tokenizer、Model、Pipeline、Trainer、Generation、PEFT、Accelerate、Serving等概念

davidwang456的专栏 921

JavaSE_day13

1.实现多线程 1.1简单了解多线程 是指从软件或者硬件上实现多个线程并发执行的技术。 具有多线程能力的计算机因有硬件支持而能够在同一时间执行多个线程,提升性能。 1.2并发和并行 并行:在同一时刻,有多个指令在多个CPU上同时执行。 并发:在同一时刻,有多个指令在单个CPU上交替执行。 1.3进程和线程 进程:是正在运行的程序 独立性:进程是一个能独立运行的基本单位,同时也是系统分配资源和调度的独立单位 动态性:进程的实质是程序的一次执行过程,进程...

kakaloveTS的博客 570

vue-vben-admin 打包编译报错Failed to resolve entry for package “@vben-core/design“ 的解决方法

如果你在你是不是在 apps/子目录下执行了 build?# 项目根目录 pnpm build而不是在下面单独打包。这个问题本身不复杂,但非常容易被误导去“怀疑依赖、怀疑配置、怀疑人生”。实际上,只要理解vue-vben-admin 是 monorepo 架构,很多类似问题都会迎刃而解。如果你后面还遇到 vben-admin 的构建、部署、权限或性能相关问题,这一套思路都很有用。希望这篇记录,能帮你节省至少半小时的排坑时间。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 423

上海传智播客JAVASE_day13学习笔记

包 1、包的介绍 我们书写的Java程序编译后会生成class文件。由于操作系统在同一个目录不能存放相同的文件或者文件夹。 我们在使用Java表述事物的时候,有时也会出现同名的类,那么编译完之后,就会生成同名的class文件,这样就无法在同一个目录下保存。于是Java就给我们提供解决方案,采用不同的文件夹来保存这些同名的类。 在Java中把用于保存class文件的文件夹称为包。 包的作用

zhanglunqi45的专栏 566

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

【Java SE学习】Day6 JavaSE面向对象(下)看着三篇就够了

static,interface,abstract,代码块,final等关键字的使用和特性的讲解。到这里Java类的内容也就讲完了,零基础到精通Java类的使用看着三篇就够了,下期讲的是Java异常类,欢迎大家订阅专栏。

2201_75381449的博客 264

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")

JAVASE目录

JDK安装详情 JAVA初窥-DAY01 JAVA第一个程序“HELLO,WORLD! 数据类型 变量的赋值与输出 变量命名” JAVA初窥-DAY02 字符串类型 转义字符 拼接、运算 常量 String转int 逻辑运算 短路求值 位运算符 三目运算符 JAVA初窥-DAY03 注释 分支结构:if语句、switch语句 循环语句:for循环、while语句、do while语句 break语句、continue语句 Scanner输入 随机数、开根号 ...

weixin_52793965的博客 2153

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

学习日志day1(2021-07-06)(1、 安装jdk,配置环境变量 2、 学习JavaSE 基本语法)

学习内容:学习JavaSE(Day1) 1、 安装jdk,配置环境变量 2、 学习JavaSE 基本语法 1、安装jdk,配置环境变量 (1)Java之父James Gosling,任职经历:IBM → SUN → Google → Liquid Robotics,SUN被Oracle收购之后,Java归Oracle所有。Oracle发布的开源jdk称为Oracle jdk,不可商用;AdoptOpenJDK是OpenJDK的社区维护版,可以商用。 (2)安装jdk8,从官网下载之后点击安装。右击“计算

huzige_的博客 191

【JavaSE学习】 Day9 JavaSE常用类 万字文章拿捏JavaSE常用类

在Java中,类是一个非常重要的东西,想要学好Java(做到简历上的精通Java ),我们不仅要自己能够根据业务需求创建合适的类,进行相关的开发,还要必须要学会使用Java常用类,这样才能获得更高的效率。在Java中常用类主要包括:String、StringBuffer、StringBulider、时间类Date、System、Math、BigInteger类、BigDecimal类、实现Comparator、Comparable接口使类与类之间可以比较等。

2201_75381449的博客 386

JAVASE进阶day13(线程池)

理解:吃饭碗,用完就摔太浪费,线程池解决。

qq_65095414的博客 313

Javase day09_汇总

集合 组:定长的 可以存放相同类型的数据 数据可以是基本类型也可以是引用类型 访问速度比较快 集合:可变长 只能存放引用类型 访问速度比数组会稍慢一些 java.util包里 set 无序(存和取得顺序)不允许重复(相同的只保存一个)可用来去重复 list 有序(存和取),允许重复(经常用于保存从数据库中查询的数据) map key,value形式 13904001139 object key 不允许重复 (缓存用户数据) 如果有相同key的,新的会覆盖旧的 package com.neuedu.day0

weixin_45019989的博客 249

JavaSE_day01【Java概述、环境搭建、标识符、变量、基本数据类型】

JavaSE_day01【Java基础语法】 今日内容 Java语言的发展历史 安装JDK 配置环境变化 编写HelloWorld程序 Java注释 Java关键字 标识符 常量 变量 Java基本数据类型 学习目标 能够使用常见的DOS命令 理解Java语言的跨平台实现原理 理解JDK/JRE/JVM的组成和作用 能够配置环境变量JAVA_HOME(会参照笔记配置) 能够编写HelloWorld程序编译并执行 会使用单行注释和多行注释 能够辨识关键字 理解标识符的含义 理解Java

Brave_jh的博客 294

2022-07-13 学习笔记 day06-JavaSE-基础内容

计算机只能识别机器语言,高级需要翻译成机器语言才能被计算机识别并执行,但由于不同操作系统的内核不同,所以底层执行的指令也不同,所以一份相同的源程序想要运行在不同的操作系统上需要写多份,对此java开发人员通过JVM来实现java代码的可移植性。此处的”短路现象“是指,在进行与运算时,当一边的表达式结果为false时,终止后面表达式的运算,直接得出运算结果false,通过短路显现可以避免一些异常的发生。在Java中对于整数型字面值的默认类型是int类型,所以10这个字面值是int类型,即。.........

weixin_56090951的博客 769

Java-笔试强训(Day1~12)牛客刷题带链接

java面试Leedcode笔试强训编程题,1.组队竞赛(数组.循环.公式总结)2.删除公共字符(哈希思想)3.排序子序列(数组,条件循环,计数器)4.倒置字符串(方法,循环)5.字符串中找出连续最长的数字串(定义两个空字符串)6.数组中出现次数超过一半的数字(循环)(排序)(两两相消)7.计算糖果8.进制转换9.统计回文10.连续子数组最大和11.不要二12.把字符串转换成整数13.合法括号序列判断14.Fibonacci数列(循环)15.两种排序方法16.求最小公倍数17.另类加法18.走方格的方案数.

m0_73456341的博客 1690

JavaSE基础复习day01

学习目标 * 能够说出JDK,JRE,JVM各自的作用和关系 * 能够完成HelloWorld案例的编写及运行 * 能够使用注释对程序进行说明 * 能够知道标识符、关键字的特点 * 能够知道常量的分类 * 掌握JDK、eclipse的安装配置 第1章 初识Java 1.1 Java语言概述 1.1.1 Java简介 Java语言是美国Sun公司(Stanford University Network),在1995年推出的高级的编程语言。所谓编程语言,是计算机的语言,人们可以使用编程语言对计算机下达命令,让

阳光宅男的博客 1100

JavaSE学习笔记day01

Java为何风靡全球?150字摘要 Java凭借三大核心优势成为主流编程语言: 跨平台能力:通过JVM实现"一次编写,到处运行",完美适配Windows、Linux等系统; 面向对象设计:以类和对象为基础,提升代码复用性和可维护性; 强大生态:开源特性吸引全球开发者贡献,多线程机制支持高并发场景(如12306抢票)。其混合编译模式(.java→.class→机器码)和清晰的JDK/JRE/JVM层级结构,进一步降低了开发门槛。此外,严格的语法规范(如驼峰命名法)和完备的进制处理能力,使其

2503_94545876的博客 461
上一篇: 记忆总结——javase核心1
下一篇: Comparable& Comparator
freemindhack
博客等级 码龄13年 53粉丝 182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