java:字符串校检

校招 java 面试基础题目及解析 Java校招面试基础核心要点解析 本文针对Java校招面试常见基础知识进行系统梳理,涵盖五大核心内容:Java基础特性(平台无关性、面向对象三大特性)、数据类型(基本与引用类型)、关键关键字(static与final的用法)、方法相关概念(重载与覆盖的区别),以及流程控制语句。通过清晰的概念阐述和典型代码示例,帮助读者深入理解Java基础知识点。其中重点讲解了多态的实现原理、static与final关键字的实际应用场景,并对比了方法重载和覆盖的技术差异,为Java面试准备提供扎实的理论基础和实用指导。 阅读详情
package demo;

import java.util.concurrent.ExecutionException;

public class ChainTest {
	
	public static void main(String[] args) {

		        // Java文件名
				String fileName = "HW.java"; 
		        // 邮箱
				String email = "ly@.com";
				
				// 判断.java文件名是否正确:合法的文件名应该以.java结尾
		        /*
		        参考步骤:
		        1、获取文件名中最后一次出现"."号的位置
		        2、根据"."号的位置,获取文件的后缀
		        3、判断"."号位置及文件后缀名
		        */
		        //获取文件名中最后一次出现"."号的位置
				int index = fileName.lastIndexOf(".");//获取.前面的字符串长度
		        // 获取文件的后缀
				String prefix =fileName.substring(index+1, fileName.length());//获取.后面的字符串
		        
				// 判断必须包含"."号,且不能出现在首位,同时后缀名为"java"
				if ( fileName.indexOf(".")!=0&&prefix.equals("java")  ) {
					System.out.println("Java文件名正确");
				} else {
					System.out.println("Java文件名无效");
				}

		        // 判断邮箱格式是否正确:合法的邮箱名中至少要包含"@", 并且"@"是在"."之前
		         /*
		        参考步骤:
		        1、获取文件名中"@"符号的位置
		        2、获取邮箱中"."号的位置
		        3、判断必须包含"@"符号,且"@"必须在"."之前
		        */
			    // 获取邮箱中"@"符号的位置
				int index2 = email.indexOf("@");
		        
		        // 获取邮箱中"."号的位置
				int index3 = email.indexOf('.');
		        
				// 判断必须包含"@"符号,且"@"必须在"."之前
				if (index2 != -1 && index3 > index2) {
					System.out.println("邮箱格式正确");
				} else {
					System.out.println("邮箱格式无效");
				}
			}
		
	}

可以用作做校检用户输入~
Java 校招面试笔试题及答案整理 一年过去了,准备跳槽,这些是在别人博客中看到的题目,一下是我自己找的答案,当是做笔记复习吧。一、Java基础部分1、使用length属性获取数组长度,public、private、protected、friendly区别答:public、private、protected、friendly访问权限: 关键字 当前类 包内 子孙类 包外 p... 阅读详情

相关推荐

java验证字符串是否符合json格式

json数据交互时作为校验是否通过,用于后台需要构建json返回前台必备

java判定文件名邮箱名正确

public class HelloWorld { public static void main(String[] args) { // Java文件名 String fileName = "HelloWorld.java"; // 邮箱 String email = "laurenyang@imooc.com"; // 判断.java

aukomn的专栏 3245

别再被海康VisionMaster标定搞懵了!固定相机视觉引导,从标定到示教保姆级避坑指南

本文详细解析了海康VisionMaster在固定相机视觉引导中的标定与示教全流程,特别针对单相机标定提供了精简高效的4图标定法。从标定板准备到示教物理点设置,再到坐标转换与误差补偿,提供了一套完整的保姆级避坑指南,帮助工程师快速掌握固定相机视觉引导系统的核心技术。

weixin_30336061的博客 495

在java中判断一个字符串中是否包含某个字符或字符串

一、contains方法 java.lang.String.contains() 方法返回true,当且仅当此字符串包含指定的char值序列 此方法返回true,如果此字符串包含,否则返回false。 public static void main(String[] args) { String str = "abc"; boolean status...

weixin_42590334的博客 2732

摄像机实时接入分析平台视频分析网关AI智能分析智慧营业厅方案

通过智能化的改造,可以提高营业厅的运营效率,降低运营成本,同时提升客户体验和安全保障。

EasyDarwin开源社区技术博客 705

【S32K】S32K144入门笔记(4) Lin (Lin stack组件) 驱动超声波雷达实例

0. 引言 Lin这块是我一直没弄懂的部分。很多东西一知半解,当时感觉是硬凑了答案出来。 果然过标的时候出了问题,几个小伙伴帮忙一起刷夜也没搞定,好在标还是顺利过了,不然罪过大了。 之前做lin这块一直用的是linStack组件,这部分包含了协议栈部分,需要对lin的协议比较清楚和理解才好配置。 尤其是,图形界面配置完成后会生成一个ldf文件,这个文件很重要,所有的代码都是基于这个文件生成的,但是这个文件我确认没找到什么介绍资料,所以很多配置都是一点一点凑出来的,再实际验证的。 抓住这次写文档的机会,把当时

YoYo的桃子树 1万+

java怎么校验字符串格式

字符串相关学习资料:https://edu.51cto.com/video/3832.htmlhttps://edu.51cto.com/video/4055.htmlJava字符串格式校验 在Java编程中,字符串格式校验是一个常见的需求,特别是在处理用户输入、数据验证等方面。本文将介绍如何在Java中校验字符串格式...

weixin_41270063的博客 559

MuJoCo与Isaac Sim的无缝对接:利用USD导出功能实现强化学习场景的跨平台迁移

本文详细介绍了如何通过USD导出功能实现MuJoCo与Isaac Sim的无缝对接,助力强化学习场景的跨平台迁移。文章解析了USD格式的核心优势,包括分层合成、物理属性继承和时间轴动画,并提供了从MJCF到USD的完整转换流程及在Isaac Sim中的高级应用技巧,帮助开发者高效迁移和优化强化学习环境。

weixin_29073241的博客 519

Java正则表达式验证字符串格式

最近有一个简单的字符串验证的任务,发现写代码这些年都没养成记录和分享的习惯,那就开blog行动吧!验校密码格式(至少包含一个数字,至少包含一个字母,至少包含一个特殊符号,长度至少为8个字符)我的最终目标:验证字符串只由数字、字母和 "~!@#$%&*()-_+" 这些特殊符号组成。上面的正则表达式使用了一些特殊的元字符来保证密码同时包含数字、字母和特殊符号。我的任务很简单验证字符串只由数字、字母和某几个字符组成。=.*[a-zA-Z]):密码中至少包含一个字母。=.*[0-9]):密码中至少包含一个数字。

能量老8的博客 2886

C#实战:手把手教你用SerialPort实现RS485 ModbusRTU通信(附完整代码)

本文详细介绍了如何使用C#的SerialPort类实现RS485 ModbusRTU通信,包括硬件准备、串口配置、数据收发核心逻辑及高级通信技巧。通过实战案例和完整代码,帮助开发者快速掌握工业级通信框架的构建方法,提升设备间通信的稳定性和效率。

weixin_29207533的博客 259

记录一次PowerJob使用达梦数据库的配置

记录一次PowerJob使用达梦数据库的配置

早晨阳光一般暖的博客 2161

java正则表达式验证邮箱、电话号码示例

package com.firewolf.utils; import java.util.regex.Matcher; import java.util.regex.Pattern; /**  * 使用正则表达式验证输入格式  * @author liuxing  *  */ public class RegexValidateUtil {  public static void

zhb123GGGGGG的专栏 992

在 FlexSim 中建 AGV 小车模型时,如果设定“每次充电需要 2 小时才能充满”,应该如何配置 AGV 的充电功能?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值。

**My Coding Family** 883

PTA校赛算法题十道java、C++详解

这篇文章是基于我们前不久的校赛写的,校赛给的题解都是C++,我很想写一份完整的java版本,但是能力不够,大家可以看看逻辑,感兴趣的朋友可以写一份java题解在评论区,我替你交一下再来回复你你是不是满分通过了的具体情况。很希望有喜欢刷题的小伙伴和我交流Java版的题解。在我学成归来后,我会把这篇文章出一份完全的java题解。

xiaoliii0401的博客 2176

华为od 面试八股文_数据库_01_含答案

华为od 面试八股文_数据库_01_含答案

MISAYAONE的博客 2168

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

java中check异常与未检异常的区分

一、已检异常          已检异常在明确的特定情况下需要进行抛出,经常是应用能部分或完全恢复的情况。其通常要通过try catch 进行处理的异常。 二、未检异常        只要对象是Error类,就是未检异常,同时Exception还有一个子类RuntimeException所有的子类也是未检异常,可以不适用try catch进行处理。这类异常如果有异常要进行处理那么其由JVM自

jyghgq的博客 557

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/

校招java实习生基础知识面试题

前言 校招生可能没什么项目经验,更多的看潜力。这个潜力怎么体现?我理解可以从下面几个方面来看: a、学习成绩——可以反映是否勤奋:学习成绩好的人,比较勤奋,学习能力和做事态度有保证。 b、基础知识的掌握程度——包括深度和广度 下面就来简单列一些我个人认为校招生应该掌握的基础知识。 基础知识 编程语言java Java有那些基本数据类型,String是不是基本数据类型,他们有何区别...

玄大冰 7693

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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校招笔试

校招面试1.写一个算法统计出一个字符串中某子串出现的次数。2.以下代码的输出结果是什么: -- Java内存管理。3.斐波那契数列(Fobonacci)---考点:递归4.以下程序的运行结果是:考察点:创建子类对象,先调用父类的构造方法,再调用子类的构造方法5.请写出代码完成对HashMap1.写一个算法统计出一个字符串中某子串出现的次数。 如字符串“hello world, hello eclipse, hello idea, hello springhellohello”,统计出“hello”出现的次

qq_43541242的博客 1575

校招算法笔面试 | 字符串的排列

牛客题库题解

wc529065的博客 854

Java校招八股文 - 2020年秋招面试题记录

Java八股文 - 2020年秋招记录 作者在面试时遇到这样的情况,明明这个知识点学习过,但因为没有及时加深记忆,导致面试卡壳。比如,CMS收集器的流程,这种知识在实际开发中不可能使用到,非常容易忘记,需要及时加强学习。 本文记录面试常考的知识点,供面试前查漏补缺,加强记忆。点到即止,不对知识进行展开,具体内容可面向搜索引擎学习。 如果你是个面试官,请自觉关闭此页面。 目录Java八股文 - 2020年秋招记录小厂考题Java基础知识中厂考题大厂考题 小厂考题 Java基础知识 中厂考题 大厂考题 ..

weixin_44618310的博客 1万+

Java校招

B,线程使用了wait方法,会强行打断当前操作,进入阻塞(暂停)状态,然后需要notify()方法或notifyAll()方法才能进入就绪状态。D,调度算法未必是剥夺式的,而准备就绪但是还没有获得CPU,它的权限更高只能说明它获得CPU被执行的几率更大而已。C,新创建的线程不会抢占时间片,只有等当前线程把时间片用完,其他线程才有资格拿到时间片去执行。解析: 线程栈是线程私有的资源,而堆内存是进程内线程共享的资源。A,异常被捕获后不会导致线程中断,异常抛出才会。

m0_52606846的博客 719

【Java基础】Java字符串的处理

在Java中定义一个字符串最简单的方法是用双引号把它包围起来。这种用双引号括起来的一串字符实际上都是String对象,如字符串"Hello"在编译后即成为String对象。因此也可以通过创建String类的实例来定义字符串。不论使用哪种形式创建字符串,字符串对象一旦被创建,其值是不能改变的,但可以使用其他变量重新赋值的方式进行更改。1.直接定义字符串直接定义字符串是指使用双引号表示字符串中的内容,例如"HelloJava"、"Java编程"等。或者注意2.{............

wang_qiu_hao的博客 7329

校招算法笔面试 | 校招笔面试真题-字符串通配

牛客题库题解牛客题库题解牛客题库题解

wc529065的博客 907
上一篇: java:字符串内存情况
下一篇: java:统计字符出现次数
include_ice
博客等级 码龄9年 307粉丝 139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