周四摸鱼,教你本地编译运行一个IDEA插件,在IDEA里实现聊天、下棋、斗地主!...

相信你自己!用IDEA写出自己斗地主 进过一番的了解(我是变成小白) 现在已经可以运用IDEA了 现在先用一项游戏进入自己编程 package Game.cn.hp; import java.util.ArrayList; import java.util.Collections; import java.util.List; /*** * @author jiangjingquan 完成斗地主游戏 */ public class Game02 { public static void main(String[] args) { Li 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:网络


XEChat-Idea

❝

基于Netty的IDEA即时聊天插件

❞

项目介绍

主要功能:

  • 即时聊天

  • 游戏对战

1f837a17581e38ce0aaa19fec1545a93.png
即时聊天
90459bcd6c90e44029af93145b13da3e.jpeg
idea摸鱼工具
ac587ef6e47a70a1ffc4d79665330646.png
idea斗地主
项目结构
.
├── LICENSE
├── README.md
├── xechat-commons //公共模块
│   ├── pom.xml
│   └── src
├── xechat-plugin //IDEA插件端
│   ├── build.gradle
│   ├── gradle
│   ├── gradle.properties
│   ├── gradlew
│   ├── gradlew.bat
│   ├── settings.gradle
│   └── src
└── xechat-server //服务端
    ├── pom.xml
    └── src
项目环境

「服务端 & 公共模块」

  • JDK8

  • Maven 3.6.x

「IDEA 插件端」

  • JDK11

  • Gradle 6.x

  • IDEA 2021.2.x

运行 & 部署

❝

提醒:公共模块需优先打包

❞

> 基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能。
>
> 项目地址:<https://github.com/YunaiV/ruoyi-vue-pro>

# 进入公共模块根目录
cd xechat-commons

> 基于微服务的思想,构建在 B2C 电商场景下的项目实战。核心技术栈,是 Spring Boot + Dubbo 。未来,会重构成 Spring Cloud Alibaba 。
>
> 项目地址:<https://github.com/YunaiV/onemall>

# 打包到本地仓库
mvn install
服务端

创建或调整日志目录 src/main/resources/logback.xml

<property name="ROOT_LOG_PATH" value="/var/log/xechat-server"/>
运行

直接运行主方法 XEChatServer.java

部署
# 进入服务端根目录
cd xechat-server
# 打包
mvn package
# 启动服务端
java -jar target/xechat-server-xxx.jar
IDEA插件端
修改IDEA版本

修改 build.gradle 配置文件,将 IDEA 版本号改为你本地正在使用的版本

intellij {
    version '2021.2'
}
本地运行

❝

Tasks > intellij > runIde

❞

a20cbd2ca977c96dccea4cc42b450f40.jpeg本地运行

插件部署

❝

提醒:修改服务端地址

❞

进入到 cn.xeblog.plugin.client.XEChatClient ,修改以下变量值

private static final String HOST = "localhost"; // 服务端IP
private static final int PORT = 1024; // 服务端端口

「打包」

❝

Tasks > build > assemble

❞

142dd4fe0b6c30826925118dbf03b6db.jpeg
idea插件打包

打包完成后的文件

build/distributions/xechat-plugin-xxx.zip

「安装」

❝

IDEA > Preferences > Plugins

❞

4d5486d803056742cd0fe4d5a33719be.jpeg
idea本地安装插件

选择打包后的文件安装 build/distributions/xechat-plugin-xxx.zip

安装体验

添加插件库 Plugins > 设置按钮 > Manage Plugin Repositories...

http://plugins.xttblog.cn
c4be06ed0eecb2511e979a3d5f76665c.png
安装体验

搜索 “xechat” 安装

3aa222fb0164420b3b8c024c0dde777d.png
xechat

如有条件,还请自行部署服务端。



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

bd946355a7ddbe41127923769c4f691e.png

已在知识星球更新源码解析如下:

490c991ebe8d6e2df29346a6f5751f54.jpeg

a6f3f3bc45565550cc1091dbd84fc81e.jpeg

8ca268c15aa813337dd293c17c1fb853.jpeg

a0de34e771eada2bcdba3dc272f60e85.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
[] - 2022-09-16 在IDEA里斗个地主不过分吧!.pdf 互联网资讯,技术简介,IT、AI技术,人工智能 立即下载

相关推荐

Colab虚拟环境配置全攻略:从安装到实战应用

本文详细介绍了在Google Colab中配置Python虚拟环境的完整流程与实战技巧。通过安装Anaconda、创建独立环境、解决常见错误及结合深度学习项目应用,帮助用户有效管理依赖、避免冲突,并利用环境持久化策略提升在Colab中的开发效率与项目可复现性。

weixin_29204121的博客 343

在IDEA里斗个地主不过分吧!

如果说,在IDEA里下个棋很过分,那在IDEA里斗个地主,是不是就更过分了?

BASK2312的博客 250

解决uc浏览器劫持video标签问题

解决uc视频悬浮播放 ,video标签被浏览器劫持 ,vide0适配

smile_y_y的博客 3455

XEChat-plugins安装教程------idea插件(游戏)

快乐代码

MJyia的博客 2835

基于Gardner环的QPSK定时同步MATLAB仿真:四倍采样与多场景性能分析

本文详细介绍了基于Gardner环的QPSK定时同步MATLAB仿真方法,重点分析了四倍采样技术在定时同步中的应用与性能优化。通过MATLAB代码实例展示了Gardner环的实现原理、多场景性能分析及常见问题解决方案,为数字通信系统的定时同步设计提供实用参考。

weixin_29083475的博客 374

SillyTavern 向量存储配置踩坑记:从卡死到本地部署 Ollama 跑通

用此命令看到镜像就算成功。

qq_62483451的博客 1267

震惊!idea里斗地主还不算我还要玩大富翁!vscode也安排一个

就跟我一样,想要自己开发个 大富翁啊,UNO啊之类的,就可以这么干,或者是体验其他作者开发的抢先版功能下载xechat的源码官方正版GitHub: https://github.com/anlingyi/xechat-idea官方正版Gitee:https://gitee.com/anlingyi/xechat-idea游戏魔改版: https://gitee.com/hongchenmeng/xechat-idea。

qq_42059717的博客 1406

硬件即代码:用软件工程思维拆解F450无人机装配的模块化设计哲学

本文探讨了如何用软件工程思维重构DJI-F450无人机的模块化设计,将硬件装配提升为可编程系统。通过硬件抽象层、控制系统分层架构和扩展槽位设计模式,展示了无人机装配的模块化哲学,并结合实际案例说明如何优化性能与安全性。

weixin_29294975的博客 389

上班期间在 IDEA 里面斗地主。。老板夸我是人才!

前言如果说,在IDEA里下个棋很过分,那在IDEA里斗个地主,是不是就更过分了?基于 Spring Boot + MyBatis Plus + Vue 3.2 + Vite + Element Plus 实现的前后端分离博客,包含后台管理系统,支持文章、分类、标签管理、仪表盘等功能。GitHub 地址:https://github.com/weiwosuoai/WeBlogGitee 地址:htt...

公众号-老炮说Java 236

利用GAT(图论分析工具箱)构建并分析大脑结构协变网络学习笔记

前言 前面我学习了利用DTI构建白质纤维脑网络,并采用GRETNA计算了小世界网络属性。阅读文献发现可以利用灰质体积或皮层指标(皮层厚度、折叠指数、沟深)等构建结构协变网络再进行网络拓扑属性的计算。因此,我采用前面提取的灰质体积和皮质数据进行了结构协变网络分析,特此写下笔记以便后面的学习。 一、数据准备 二、构建结构协变网络 三、全局属性的统计分析 四、局部属性的统计分析 五、网络攻击分析 六、度的分布 ..................

weixin_52073820的博客 7498

PyCharm 怎么不升级直接使用Jupyter Notebook

在PyCharm 中需要升级到 PyCharm Professional 版本,才能直接使用 Jupyter Notebook。从截图来看,Jupyter Notebook 已经成功启动,并且正在运行。这将在默认网络浏览器中打开一个新的标签页,显示文件浏览器界面。可以在这里创建和编辑。文件添加到 PyCharm 项目中,并使用纯文本编辑功能进行修改。支持与外部工具集成,可以配置它以调用命令行工具或脚本来启动。,参数可以根据需要设置,工作目录设置为项目根目录。,你仍然可以在本地环境中安装和运行。

Davina_yu的博客 1000

摸鱼新招式:在IDEA里聊天、下棋、斗地主!

上一篇:Android 13 正式登场 !!XEChat-Idea❝ 基于Netty的IDEA即时聊天插件 ❞项目介绍主要功能:即时聊天游戏对战即时聊天idea摸鱼工具idea斗地主项目结构. ├──LICENSE ├──README.md ├──xechat-commons//公共模块 │├──pom.xml │└──src ├──xechat-plugin//IDE...

Java和Android架构 273

使用ArcGIS Pro进行土地利用分类的机器学习与深度学习

传统的土地利用分类方法通常依赖于手动解译和规则定义,但随着机器学习和深度学习的发展,我们现在可以利用这些技术来自动化和提高分类的精度。ArcGIS Pro是一种功能强大的GIS软件,它提供了丰富的工具和功能,可以支持土地利用分类的机器学习和深度学习。我们将首先讨论数据准备和预处理的步骤,然后介绍常用的机器学习和深度学习方法,并提供相应的源代码示例。这可以通过人工标注或半自动的方式完成。数据裁剪:根据研究区域的范围,裁剪遥感影像数据,以减少计算和存储的负担,并确保只包含感兴趣的土地利用区域。

code_program481的博客 2043

【亲测免费】 XEChat-Idea 插件安装与使用教程

XEChat-Idea 是一个基于 Netty 的 IDEA 即时聊天插件,支持在 IDEA 中实现聊天、下棋、斗地主等功能。项目的目录结构如下: ``` xechat-idea ├── xechat-commons ├── xechat-plugin ├── xechat-server ├── .gitignore ├── Dockerfile ├── LICENSE ├── README.m...

gitblog_00413的博客 810

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

XEChat-Idea 安装与配置指南

XEChat-Idea 是一个基于 IntelliJ IDEA 的即时通讯插件,它允许用户在 IDE 中进行聊天、下棋、斗地主等游戏。该项目旨在提高开发者的工作乐趣和效率,通过集成多种互动功能,使得开发环境不仅限于编码。 主要编程语言:Java ## 2. 项目使用的关键技术和框架 - **Netty**:一个提供异步事件驱动的网络应用程序框架,用于快速开发高性能、高可靠性的网络服务器和客户...

gitblog_00003的博客 1082

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")

XEChat-Idea 使用教程

XEChat-Idea 是一个基于 Netty 的 IntelliJ IDEA 即时聊天插件,它允许用户在 IDEA 中实现聊天、下棋、斗地主等功能。这个插件理论上支持 JetBrains 全系列开发工具。项目包括浏览器端(XEChat-Web)和 IDEA 插件端,以及服务端,实现了多种游戏和工具类功能。 ## 2. 项目快速启动 ### 服务端 首先,确保服务端和公共模块已经正确打包。 ...

gitblog_00785的博客 886

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

GitChat文章-IDEA 插件开发实战

编程时候碰到很多重复性工作,一类事情只干一次就好,不要再重复做,自动化抽象成工具,那样提高效率,不用重复搬砖,文中以一个实际场景中用到例子,贯穿下插件开发规范。 在本场 Chat 中,会讲到如下内容: 1.简介 2.原理 3.API 4.实例架构 5.准备工作 6.编码 7.部署 8.总结 gitchat地址:IDEA 插件开发实战 ...

独立开发,substack顶级编辑 823

XEChat-Idea:摸鱼神器!!【送源码】

主要功能:即时聊天游戏对战即时聊天 idea摸鱼工具 idea斗地主。

java_121388的博客 677

上班期间在IDEA里面斗地主,人才!!

前言如果说,在IDEA里下个棋很过分,那在IDEA里斗个地主,是不是就更过分了?开始1、登入通过 #login {昵称} 命令登入服务器2、查看游戏列表通过 #showGame 命令查看游戏列表3、运行斗地主游戏通过 #play {游戏编号} 命令运行游戏启动斗地主游戏命令#play1支持人机和联机两种游戏方式,咱们先来看下人机模式,直接点击 “开始游戏” 按钮内置的机器人有点笨笨的哦,小心你的...

Java精选 222

IDEA中实时聊天 五子棋

GitHub地址https//github.com/anlingyi/xechat-idea。基于Netty的IDEA即时聊天插件,可以实现即时聊天、游戏对战(下棋)。地址http//plugins.xeblog.cn。打开IntellijIDEA,依次·添加XEChat-Idea插件库。

qq_43635902的博客 1150

IDEA那些既好用又好玩的30多款宝贝插件,你知道多少?

点击上方☝码猿技术专栏轻松关注,设为星标!及时获取有趣有料的技术来源:blog.csdn.net/weixin_46285416/article/details/107853987安装插...

码猿技术专栏 535

这款 IDEA 插件,帮你实现在 IDEA 里实现聊天、下棋、斗地主!

程序员的成长之路互联网/程序员/技术/资料共享关注阅读本文大概需要 2.8 分钟。来自:网络,侵删XEChat-Idea项目介绍运行 & 部署安装体验XEChat-Idea基于Netty的IDEA即时聊天插件项目介绍主要功能:即时聊天游戏对战即时聊天idea摸鱼工具idea斗地主项目结构├──LICENSE ├──README.md ├──xechat-c...

良月柒 2511

上班期间在 IDEA 里面斗地主。。人才!

点击关注公众号,Java干货及时送达Spring Cloud微服务实战(最新版)Spring Boot 3.x 实战,不能再全了!2023全新 Java面试题(2500+)来源:https://www.xeblog.cn/articles/96前言如果说,在IDEA里下个棋很过分,那在IDEA里斗个地主,是不是就更过分了?开始登入通过 #login {昵称} 命令登入服务器查看游戏列表...

Java技术栈,分享最主流的Java技术 247

在PC端IDEA IDE使用ServerSocket,在android端使用Socket,搭建简单的聊天室

利用多个activity使用一个Socket套接字,实现了每个用户在自己的应用程序中使用同样的Socket进行数据传输,使得数据传输不丢失(因为多个Socket导致)。 PC端共分为两个类:一个类中主要包含循环监听Socket的main方法。一个类(子线程类)主要包含对监听到的数据处理和向客户端的响应。 代码如下: MyServer类: import java.net.*; import java.io.*; import java.util.*; public class MyServer {

weixin_43749999的博客 1001

天哪,IntelliJ IDEA居然支持视频聊天了

新冠疫情已经在全球持续了一年多了,它改变了我们的生活,更改变了我们的沟通方式。远程工作已经成为一种发展趋势。IntelliJ的工程师也希望通过在IDE中实时远程交流来改变开发者的沟通方式和...

码农小胖哥 1441
上一篇: 技术总监需要会些什么?
下一篇: 常用 4 种限流算法介绍及比较
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377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