GUI事件监听键盘监听器

Java学习-GUI编程-键盘监听 阅读详情
	public static void main(String[] args) {
		new KeyListenerDemo();
	}

	private Frame f;
	private TextField tf;
	private Button but;

	KeyListenerDemo() {
		init();
	}

	private void init() {
		f = new Frame("myFrame");
		f.setBounds(300, 250, 400, 250);
		f.setLayout(new FlowLayout());
		f.addWindowListener(new WindowAdapter() {

			@Override
			public void windowClosing(WindowEvent e) {
				System.exit(0);
			}

		});
		tf = new TextField(25);
		but = new Button("button");
		myEvent_1();
		myEvent_2();
		f.add(tf);
		f.add(but);
		f.setVisible(true);
	}

	private void myEvent_2() {
		but.addMouseListener(new MouseAdapter() {
			int count = 0;

			@Override
			public void mouseClicked(MouseEvent e) {
				e.getClickCount();
				tf.setText(String.valueOf(count++));
			}

		});
	}


	private void myEvent_1() {
		tf.addKeyListener(new KeyAdapter() {

			@Override
			public void keyPressed(KeyEvent e) {
				int code = e.getKeyCode();//返回与键关联的整数
				if (!(code >= KeyEvent.VK_0 && code <= KeyEvent.VK_9))
					e.consume();//不执行事件源代码
				if (e.getKeyCode() == KeyEvent.VK_ENTER && e.isControlDown())
					System.out.println("run run");
				//getkeyText(code)返回与该code关联的字符,如code为65,则返回A
				System.out.println(KeyEvent.getKeyText(code) + "..." + code);
			}
		});
	}

java Gui 键盘监听事件 简单写一个java Gui键盘监听事件,实现的效果就是按下键盘控制台输出你按下的键。比如:按下A控制台就输出A                 效果如图:                                     以下把实现的效果分为几个步骤:                  1.新建一个窗体类继承窗体;                  2.给这个窗体添加 阅读详情

相关推荐

Java中的事件监听 - 键盘按键、鼠标滚轮、鼠标按键和鼠标移动

在上面的代码中,我们创建了一个实现了MouseListener接口的MouseListenerExample类,并重写了mouseClicked、mousePressed、mouseReleased、mouseEntered和mouseExited方法来处理鼠标按键事件。在上面的代码中,我们创建了一个实现了MouseMotionListener接口的MouseMotionListenerExample类,并重写了mouseDragged和mouseMoved方法来处理鼠标移动事件。

DevAstro的博客 889

Java语言(GUI编程1(AWT(组件、容器、布局管理器、鼠标键盘监听、简易加法计算器)))

Java语言 GUI(Graphical User Interface) 概述: 图形用户界面,是指采用图形方式显示的计算机操作用户界面。 特点: a:人机交互性 b:美观性 c:实用性 d:技术性 Java开发GUI的相关的两个包:Swing,AWT 但是组件较少且需要JRE环境。 AWT java.awt; 概述:AWT(Abstract Windows Toolkit),抽象窗口工具...

Pluto.的博客 521

python实现GUI界面的ATM系统

设计一个GUI界面的ATM系统,该系统可以实现现实生活中ATM机器的大部分功能,涉及到插卡,退卡,取款,存款等操作。 用户插卡:选择已有卡号,输入密码进行登录。 ATM系统功能:查询余额; 转账:输入乙方银行卡和转账金额; 存款; 流水记录:查询银行卡账单 取款; 退卡。

GUI编程之键盘监听

GUI编程之键盘监听 package com.zhang.lesson03; import java.awt.*; import java.awt.event.KeyAdapter; import java.awt.event.KeyEvent; public class TestKeyListener { public static void main(String[] args) { new KeyFrame(); } } class KeyFrame extends

我不想读研的博客 331

中科蓝讯蓝牙开发:从源码到固件的自动化构建链路解析

本文详细解析了中科蓝讯AB530X蓝牙芯片从源码到最终固件的完整自动化构建链路。通过剖析prebuild.bat、GCC编译、postbuild.bat等关键环节,阐述了资源打包、配置生成、代码编译与固件合成的全过程,并重点介绍了如何实现一键编译与自动下载,为开发者高效进行嵌入式蓝牙开发提供清晰指南。

weixin_29193259的博客 121

经典EMC案例-汽车车载电子行车记录仪显示屏EMC BCI整改案例

拿到这款汽车前装车载电子行车记录仪,小编首先在实验室还原客户描述的现象,确定现象符合客户的描述,再根据现象出现的对应频率做好记录,因为通常BCI FAIL的现象不局现于一个频率点,然后通过这些现象及频点,再结合产品的构造、线束,分析构思出大致解决方案。

jack_luo4913的博客 3737

GUI编程事件监听及Swing详解

GUI编程输入框事件监听画笔鼠标监听窗口监听键盘监听Swing窗口,面板弹窗标签面板按钮列表文本框 输入框事件监听 输入框 TextField 监听 package com.wang.Lesson02; import java.awt.*; import java.awt.event.ActionEvent; import java.awt.event.ActionListener; /** * @Auther: 王海新 * @Date: 2021/2/9 12:31 * @Descrip

心比天高,仗剑走天涯,保持热爱,奔赴向梦想! 2447

安装部署 Guacamole 远程桌面网关

Guacamole 是Apache基金会提供的一组基于web的远程桌面访问工具,支持 VNC、RDP、SSH、 Telnet 等协议,支持远程透传音视频。

UsamaBinLaden6976498的专栏 1963

深入浅出:AWT事件监听器及其应用

在图形用户界面(GUI)应用程序中,用户通过鼠标、键盘或其他输入设备与程序交互。每当用户执行某个操作时,都会触发一个事件。这些事件通常是鼠标点击、键盘按键、窗口的变化等。在AWT中,事件处理是通过事件监听器(Listener)实现的。每当某个事件发生时,AWT会创建一个事件对象并将其传递给已注册的事件监听器,监听器随后对事件做出响应。AWT事件监听器是Java GUI编程中至关重要的一部分。通过实现不同的事件监听接口(如等),开发者能够轻松地捕获用户的输入并做出相应的处理。

2302_79376097的博客 2068

Agentic AI为教育行业赋能,提示工程架构师解析应用潜力

然而,即便是最先进的 LLMs,在面对复杂、动态、需要持续规划和调整的教育场景时,也常常显得力不从心,它们更像是强大的“问答机器”,而非真正意义上的“学习伙伴”或“教学助手”。在教育场景中,传统的 AI 工具可能只能回答学生提出的特定问题,或者根据预设的规则推送一些学习材料。无论您是教育技术领域的开发者、产品经理,还是一线的教育工作者、教育管理者,抑或是对 AI 教育应用充满好奇的研究者,本文都将为您提供宝贵的 insights,助您把握 Agentic AI 时代教育创新的脉搏。

架构师的AI之路,分享AI应用开发架构的学习与实践。 466

ubuntu 20.04 搭建多用户远程桌面共享及同时在线使用

摘要:本文介绍了在物理机上配置远程桌面访问的完整流程。通过setup_xrdp.sh脚本自动安装xrdp服务,修改配置文件并开放3389端口。同时提供了用户管理脚本:add_rdp_users.sh用于创建带sudo权限的远程用户,del_rdp_users.sh用于删除用户及主目录。还包含批量操作脚本add_rdp_all.sh和del_rdp_all.sh,支持一次性创建/删除多个用户(如dev1-dev5),所有用户密码统一设置为111111。完整方案实现了远程桌面环境的快速部署和用户集中管理。

621

键盘松开事件_[基础篇]-GUI-04-事件处理

事件处理1.Java事件模型的流程为了使图形界面能够接受用户的操作,必须给各个组件加上事件处理机制。在事件处理的过程中,主要涉及3类对象。Event Source(事件源):事件发生的场所,通常就是各个组件,例如按钮、窗口、菜单等Event(事件):事件封装了GUI组件上发生的特定事情,即:用户的一次操作。如果需要获得GUI组件上发生的事件的相关信息,都必须通过Event对象来获得。Event L...

weixin_29802461的博客 475

从零实现深度学习框架【实现自己的PyTorch(已完结)】

本着“凡我不能创造的,我就不能理解”的思想,此系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导。

日积月累,天道酬勤 6861

GUI 事件监听机制 随笔 有错误请随时提出

创建图形化界面:1,创建frame窗口。2,对窗口进行基本设置。 frame.setSize(width,height);frame.setBounds(x,y,width,height); 比如大小,位置,布局。3,定义组件。4,将组件通过窗体的add方法添加到窗体中。 frame.add();5,让窗体显示,通过setVusuble(true)。事件监听机制的特点:1,事件源。2,事件。3,监...

weixin_41800431的博客 282

【AFAC2026金融智能-赛题四】我做了一个疯狂的决定,把Embedding和Reranker全删了

本文介绍了AFAC2026金融智能挑战赛赛道四的解题思路,核心是在500万token的严格限制下实现金融长文本的高效问答。作者通过四步流水线(规划、BM25检索、记忆压缩、LLM推理)优化流程,重点创新在于: 采用零API调用的纯BM25检索,配合多路查询、封面页加权和页面邻接扩展等策略 设计高效的检索算法,从问题中提取专有名词并构建多路查询组合 深入理解评分公式,平衡准确率和token消耗,最终在准确率提升的同时将token消耗从数百万降至百万级 这些创新使方案在严格限制下实现了性能突破,展示了在资源受限

224

企业级大数据平台的数据网格(Data Mesh)转型之路

随着企业数字化转型的深入,传统大数据平台面临数据孤岛化、治理成本高、业务响应慢等核心痛点。数据网格作为一种新兴的分布式数据管理架构,通过领域驱动设计(DDD)、数据产品化和联邦治理模式,为企业提供了打破数据壁垒、提升数据生产力的全新路径。本文聚焦企业级数据平台从传统架构(数据湖/数据仓库)向数据网格转型的关键技术、实施步骤和组织配套,涵盖技术架构设计、核心算法实现、项目实战案例及工具链推荐。背景介绍:定义转型目标、术语体系与核心挑战核心概念与联系:解析数据网格四大支柱及技术架构图谱核心算法原理。

AI 领航者的博客 1083

第二十八次

文章目录事件的类型和处理方法概述定义相关名词处理机制流程图基本使用步骤GUI中常见事件和事件监听器低级事件高级事件事件监听器鼠标事件处理代码及成果展示demo01demo02demo032020080605045 袁雪华 大数据2005 事件的类型和处理方法 概述 定义 当在某个组件上反生某些操作的时候,会自动的触发一些代码的执行 相关名词 事件源(Event Source):操作发生的场所,通常指某个组件,例如按钮、窗口等 事件(Event):该事件源上发生的操作可以叫做事件,如点击,滑动等,GUI会把

qq_55689800的博客 168

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...

Wasmtime WebAssembly 调试实战:guest 单步调试、gdb/lldb 原生联合调试与 Core Dump 事后分析

Wasmtime 为"行为异常的 WebAssembly 程序"提供了三套相互补充的调试手段:基于 gdbstub 的 **guest(纯 Wasm)实时调试**、通过 DWARF 调试信息实现的 **gdb/lldb 原生联合调试**(host 与 guest 同时可调),以及 trap 时自动生成的 **Wasm Core Dump 事后分析**。本文以仓库文档 [docs/examples-

gitblog_00141的博客 982

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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")

黑马程序员—GUI(图形用户界面)

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 黑马程序员—GUI(图形用户界面) GUI Graphical User Interface(图形用户接口)。 用图形的方式,来显示计算机操作的界面,这样更方便更直观。    CLI Command line User Interface (命令行用户接口) 就是常见的

showingtime的专栏 563

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Java--事件处理机制

事件源: 事件源是一个产生事件的对象,比如按钮 窗口等。 事件: 事件就是承载事件源状态改变时的对象,比如当键盘事件、鼠标事件、窗口事件等,会产生一个事件对象,该对象保存着当前事件很多信息,比如KeyEvent对象有含有被按下键的Code值。 事件监听器接口: 当事件源产生一个事件,可以传送给事件监听者处理。 事件监听者实际上就是一个类,该类实现了某个事件监听器接口 (比如实现KeyListener接口,实现对键盘的监听) 事件监听器接口有多种,不同的事件监听器接口可以监听不同的事件,一个类可以实现多个.

sdau_20171819的博客 392

java语言程序设计 李尊朝 典型例题解析

例11-1 编写一个程序,在屏幕上显示带标题的窗口,并添家一个按钮。当用户单按钮时,结束程序 解析: 具有事件处理功能的GUI程序需要导入java.awt和java.awt.event包中的所有类,并定义一个继承Frame的类,定义组件,为组件注册事件监听器,实现覆盖监听器接口或适配器类中的方法,进行事件处理。 本例中,定义了一个Button 组件quit,quit的监...

andingyi8230的博客 441

GUI——事件监听的几种类型

1、按钮监听 利用匿名类 实现ActionListener接口,当按钮被点击时,actionPerformed方法就会被调用 匿名类使用起来很简便 按照一般 还得写一个类实现接口方法再在测试类实例化对象 放入很麻烦 JButton b = new JButton("hide joji"); b.setBounds(150, 200, 100, 30); // 给按钮 增加 监听 b.addActionListener(new Actio

yooppa的博客 1059

如何监听事件里发生的错误_Swing 如何进行事件监听

步骤1:按钮监听步骤2:键盘监听步骤3:鼠标监听步骤4:适配器示例 1 : 按钮监听创建一个匿名类实现ActionListener接口,当按钮被点击时,actionPerformed方法就会被调用package gui; import java.awt.event.ActionEvent; import java.awt.event.ActionListener; import jav...

weixin_39992072的博客 283

java中级-12-GUI图形用户界面(2)-GUI事件响应机制

------- android培训、java培训、期待与您交流! ----------         事件监听机制的组成是由4部分组成,分别是:事件源、事件对象、监听器、外部动作。由监听器监听事件源情况,当发生对应外部动作时,事件源产生相应的事件对象反馈信息,并由监听器捕获产生需要的处理。         每一个事件源都有自己特有的对应事件和共性事件。

Tanzwind的专栏 2734

JAVA课程设计第二周课程笔记

Java课程设计图像用户界面设计事件处理机制 图像用户界面设计 事件处理机制 事件:对对象所作的一组动作称为事件 事件处理机制中,涉及到三个对象:事件本身、事件的来源、事件处理器 事件时事件类的一个对象,事件类的根类是java.util.EventObject。通常所用的的事件类在java.awt.event包中。 事件监听器:是在一个事件发送时被通知的对象,也称为事件处理器 监听器对象属于一个监听器类的实例,这个类实现了一个特殊的接口,称为“监听者接口”。 焦点事件 任何GUI对象的获得或失去焦点都被视为

qq_45808789的博客 184

Java_基础—GUI(窗体/鼠标/键盘/动作监听和键盘事件)

一、窗体监听 二、鼠标监听 三、键盘监听 四、动作监听 五、键盘事件

SoarFly0807的博客 4044
上一篇: GUI事件监听机制
下一篇: GUI事件监听鼠标监听器
hy_programmer
博客等级 码龄12年 5粉丝 100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