try-with-resources 中的一个坑,注意避让

try-with-resources与try-finally优缺点比较 在正式分析之前,我们先看一波finally的执行顺序。 阅读详情

一个简单的下载文件的例子。

这里会出现什么情况呢?

 @GetMapping("/download")
    public void downloadFile(HttpServletResponse response) throws Exception {
        String resourcePath = "/java4ye.txt";
        URL resource = DemoApplication.class.getResource(resourcePath);
        String path = resource.getPath().replace("%20", " ");
        try( ServletOutputStream outputStream  = response.getOutputStream();
        FileInputStream fileInputStream = new FileInputStream(path)) {


            byte[] bytes = new byte[8192];
            ByteArrayOutputStream baos = new ByteArrayOutputStream();
            int len = 0;
            while ((len = fileInputStream.read(bytes)) != -1) {
                baos.write(bytes, 0, len);
            }

            String fileName = "java4ye.txt";
            //            response.setHeader("content-type", "application/octet-stream;charset=UTF-8");
//            response.setContentType("application/octet-stream");
//            response.setHeader("Access-Control-Expose-Headers", "File-Name");
//            response.setHeader("File-Name", fileName);
   // 异常
            int i = 1/0;

            response.setHeader("Content-Disposition", "attachment;filename=" + fileName);

            outputStream.write(baos.toByteArray());

        } catch (Exception e) {
            throw new DownloadException(e);
        }

    }

看完后你觉得选啥呢?

  1. 异常被全局异常处理器捕获并返回给前端。

  2. 前端收不到 response 的错误信息。

答案当然是 2 啦,哈哈 正常的话就不会写出来了 😝

bug 回忆

当时和前端联调时,我发现这个异常信息前端都没有给出相应的提示,还以为是前端的问题,哈哈哈 毕竟我这代码看着也没毛病呀。😄

而且项目是前后端分离的,response 的 content-type 和 header 中都做了处理,前端用了 axios 去拦截这些响应,貌似还有一个 responseType: blob 这样的东东。然后刚好那会前端也不熟悉这个东西,他也以为是他前端出了问题,但是debug 的时候,看到这个 post 请求的 response 怎么是空的呢,通过 chrome 浏览器发现的。

这个时候我还很纳闷,问他说,难道你这个 前端拦截 处理掉了,不然怎么看不到😂(我真坑🕳,现在真想给自己两巴掌醒醒😂 这尽说胡话😂)

后来我也觉得不对劲,就仔细去看自己的代码了,还叫了另一个同事一起看 🐷  一起猜测(中途又坑了前端一把 罪过啊……😂)

一两个钟过去后,我终于开窍了,想到会不会是这个 流先被关闭了 ,才导致这场闹剧的😱 (心里估摸着 八九不离十)

于是我便尝试性地修改下代码,拆开 try-with-resources ,改成常规的  try-catch ,并在 finally 中重写了这个流的关闭逻辑,当程序正常时,才正常关闭流,否则不关闭。

结果很顺利地就解决了这个问题…… 😅

当时也是觉得自己特蠢,第一时间居然没想到这个流被关闭的问题,还傻乎乎地怀疑这个浏览器,前端的一些写法是不是有问题,很尴尬😅 这么坑,,只想赶紧找个洞钻进去。。

再次看到这个代码,觉得里面应该还有东西可以细挖出来的,于是便有了这文~ 🐖(公开处刑,引以为戒)

问题2

你有看过  try-with-resources  和  try-catch 编译后和反编译出来的代码吗? 有对比过他们的不同吗~

整体

细节

这里给出了上面  try-with-resources  模块反编译后的代码,可以发现反编译后代码中是没有出现 finally 块的。

如果从上图看的话, try-with-resources  的作用就是下面两点了

  1. catch Exception 时,先关闭流,再抛出异常

  2. 添加正常关闭流的代码

细心的小伙伴是不是还发现了这一行代码呢 😄

var15.addSuppressed(var12);

这样就挖到  Throwable 来了🐖

image-20220413230827492

这个方法的作用请看 👇

链接:https://blog.youkuaiyun.com/qiyan2012/article/details/116173807

大概意思就是把异常挂到最外层的异常中去 👍 ,不过从方法的注释上可以知道,这个一般都是  try-with-resources  偷偷帮我们做的。

到这里还不能结束 ,请接着看 😄

问题3

这个异常还没 debug 呢,别走呀,验证一下上面 流的关闭 逻辑🐖

在 OutputStream的 close 方法中打个断点,最后会来到 Tomcat 的 CoyoteOutputStream 中,可以看到此时的标志位 closed 和 doFlush 都是 false。

执行完 close 方法关闭后,这个 initial 从 true 变为 false ,而 closed 也变为 true。

同时,这个 堆内内存缓冲区 HeapByteBuffer 中还没来得及写入新的数据,就直接被关闭了,里面的内容还是我上一次访问留下的。🐖

关闭流后,才去捕获这个异常,这和我们反编译后看到的代码逻辑是一致的

下面步骤有点长,就简单概括下关键点~ 👇

流关闭后,这部分代码还是照常执行的。

  1. 抛出的异常被 SpringMVC 框架的 AbstractHandlerMethodExceptionResolver 捕获,并执行 doResolveHandlerMethodException 去处理

  2. 利用 jackson 的 UTF8JsonGenerator 去进行序列化,并用 NonClosingOutputStream  对 OutputStream 进行包装。

  3. 数据写入缓冲区 (关键步骤 如下图👇)

可以看到流关闭后,这里 closed 也变成 true,所以自定义的信息也写不到这个缓冲区。

后面的其他 flush 操作也刷不出任何东西了。

例子的话就放到 GitHub 上了……  直接和下期要写的例子一起放上去了🐖

https://github.com/Java4ye/springboot-demo-4ye

总结

看完之后,你知道了我曾经犯过的一个很低级的错误😂 (这次脸都不要了,硬是挖了点其他内容一起写出来 🐷)

  1. 注意流关闭的问题

  2. 谨慎使用  try-with-resources ,要考虑出异常时,这个流可不可以关闭。

  3. 同时也知道了  try-with-resources 的一些技术细节,不会生成 finally 模块(我之前的误区🐖),而是会在异常捕获中帮我们关闭流,同时附加关闭过程的异常到最外层的异常,而且在程序的结尾增加关闭流的代码。

  4. 流关闭后,数据再也写不到缓冲区中,同时 nio 的 堆内内存缓存区 HeapByteBuffer 中的数据仍然是旧的。后面不管怎么 flush 都无法给到有效反馈信息给前端。

使用okhttp下载文件 、传统方式下载文件,简介okhttp使用(Java) 说明: 01:使用okhttp下载文件(NIO) 02:传统的URLConnection下载文件 03:说明下okhttp 04:个人见解(Java):在文件下载,和登录用到okhttp较多。在Android使用:小编是个小白 1 使用okhttp下载文件: 引入okhttp3的依赖 <!--okhttp--> <dependency> <groupId>com.squareup.okhttp3</groupId> &l 阅读详情

相关推荐

高效低功耗设计:PMOS电子开关在墨水屏与ADC采样电路中的创新应用

本文深入探讨了PMOS电子开关在低功耗设计中的创新应用,特别是在墨水屏和ADC采样电路中的关键作用。通过详细分析PMOS的导通机制和近乎零静态功耗特性,展示了其在待机低功耗场景下的显著优势,并提供了实用的电路设计技巧和元器件选型建议,帮助工程师实现极致的功耗优化。

weixin_29193359的博客 164

try-with-resources 这样坑过我

小伙伴们好呀,昨天 摸鱼 复盘以前做的项目(大概有一年了),看到这个 try-catch ,又想起自己之前掉坑的这个经历 ,弄了个小 demo 给大家感受下~ 😄 问题1 一个简单的下载文件的例子。 这里会出现什么情况呢? @GetMapping("/download") public void downloadFile(HttpServletResponse response) throws Exception { String resourcePath = "/java4

公众号 Java4ye 761

vfsglobal预约系统登录问题全解析(by quqi99)

本文全面解析VFS Global预约系统登录常见问题,包括IP限制、验证码验证失败及账号自动删除等。提供详细的解决方案,如DNS配置、浏览器设置及邮箱选择建议,帮助用户顺利完成签证预约。特别针对中国用户遇到的IP限制问题,给出了实用技巧。

gamma的博客 1343

网络编程之try-with-resource的坑

标题try-with-resource的坑 有这样两端代码:分别是客户端与服务器。 需求:本意是通过TCP连接,实现点对点通信。 **bug:**客户端与服务端接受信息线程不能读取到socket中的数据。 本人在写这段代码时发生了bug,然后不知道什么原因,网过路大佬解惑,不胜感谢。当然如果你没有碰到过这样的问题,也留意一下,备日后避免犯此错误! package com.itheima2.day12; import java.io.*; import java.net.Socket; import jav

liyuancsdn的博客 828

MOOS-ivp 实验一 MOOS软件的安装与执行

MOOS-ivp实验一 实验一步骤总结 文章目录MOOS-ivp实验一前言一、实验一1.下载软件2.安装必要的插件3.安装后检查4.路径添加5.执行示例文件总结 前言 在moos学习过程中,我觉得最好把学习的每一步骤都总结一下,方便日后进行回顾。moos官网设置了十八个实验,涉及到了moos的各个方面,完成这些实验也是moos入门的好办法。 一、实验一 实验一主要内容仅仅是软件的安装,仅仅这一步就花费了我接近两天的时间。主要问题发生在linux系统的配置问题上。 1.下载软件 svn co https:

weixin_44151170的博客 6673

ggml_cgraph 详解

是 GGML 库的(Computation Graph)结构,它是深度学习框架的核心,用于表示、优化和执行神经网络的计算过程。

zhouzwd87的专栏 1204

try-with-resource仅仅是一个语法糖吗?

良心公众号关注不迷路01管理外部资源的痛点熟悉Java的小伙伴都知道,得益于JVM的垃圾回收机制,我们无需投入大量的精力在内存空间的管理上,但对于诸如文件、数据库连接、网络连接等外部资源...

W_J_G_的博客 364

【数字孪生与仿真技术】07:焊装生产线虚拟调试与PLC代码生成全流程实战:从数字孪生到智能优化

摘要:本文系统阐述焊装生产线虚拟调试与PLC代码自动化生成的完整技术体系,结合工业4.0背景下的智能制造需求,构建从离散事件仿真、机器人运动规划到PLC控制逻辑生成的全流程解决方案。通过MATLAB/Simulink平台实现焊装线物流仿真优化,采用遗传算法进行缓冲区容量配置,结合Stateflow状态机设计PLC控制逻辑,并利用PLC Coder生成西门子S7-1500兼容的ST代码。某车企焊装线应用案例显示,虚拟调试技术使调试周期缩短75%,OEE提升13.4%,年节约成本超$420万。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1834

Java进阶-try-with-resources

简单介绍了try-with-resources的使用

qq_44717657的博客 6212

Windows报无法成功完成操作,因为文件包含病毒或潜在的垃圾软件的解决方法

Windows报无法成功完成操作,因为文件包含病毒或潜在的垃圾软件的解决方法 在Windows的搜索框中输入Windows安全中心,搜索到后将其打开 点击病毒和威胁防护将鼠标移动到Microsoft Defender防病毒选项处,将定期扫描打开 下滑找到管理设置 先关闭篡改防护,再点击添加或删除排除项 先点击添加排除项,再点击文件,选择报出异常的文件,将其添加到排除项中,过程中会存在跳框确认,皆点击确定,完成后就可以运行报无法成功完成操作,因为文件包含病毒或潜在的垃圾软件异常的文件

123 2万+

Claude Code 新手安装指南,手把手教你怎么安装使用

如果你是企业内网用户,或者需要自定义 API 端点,那可以用手动配置 API Key 的方式。

篮球界最会写bug的人;程序猿中打球最菜的人。 499

深入理解 Java 中的 try with resources

try-with-resources是 JDK 7 中引入的一个新的异常处理机制,它能让开发人员不用显式的释放try-catch语句块中使用的资源。

程序员志哥的博客 3178

Linux 完全卸载 Neovim 的方法:解决权限问题和清除残留文件

Neovim 没有被完全卸载的原因,可能是因为它是通过非官方方式(如手动编译或二进制包)安装的。对于这种情况,使用apt卸载命令无法删除这些文件。因此,需要手动删除和中的相关文件。建议在安装软件时,尽量使用包管理器(如apt)进行安装,以便以后能够方便地卸载。如果你不太熟悉 Linux 系统,避免手动操作系统目录,除非你非常清楚自己的操作。通过上述方法,你应该能够彻底卸载 Neovim 并重新安装。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 4944

JDK1.8中的try-with-resources声明

JDK1.7开始,java引入了 try-with-resources 声明,将 try-catch-finally 简化为 try-catch,这其实是一种语法糖,在编译时会进行转化为 try-catch-finally 语句。新的声明包含三部分:try-with-resources 声明、try 块、catch 块。它要求在 try-with-resources 声明中定义的变量实现了 Aut...

哈罗德Android笔记 3万+

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")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

【详解】Java7新的try-with-resources语句,自动资源释放

try-with-resources语句是Java 7引入的一个非常有用的特性,它简化了资源管理和异常处理,使得代码更加简洁和安全。通过自动关闭资源,可以避免资源泄露的问题,提高程序的健壮性。

牛肉胡辣汤 2203

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Java中 try-with-resources 自动关闭资源的使用

Java中 try-with-resources 自动关闭资源的使用

技术分享 2104

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

try-with-resources

传统的try-catch、try-catch-finally、try-finally用法,这里就不再一一介绍了。可详见《程序员成长笔记(一)》。 笔者语录:哈哈,上面这句话是对本人自己说的,因为此笔记我不会分享在网上。 JDK1.7开始,官方就给我们提供了自动关闭资源的方式。 传统的,关闭资源的方式形如: package com; import java.io.*; /** * JD...

JustryDeng 1748

try-with-resources 语句详解

3)可以通过主异常获取抑制异常,即e.getSuppressed()方法,这是 Throwable 类的方法,返回一个包含所有抑制异常的数组,如果没有任何抑制异常,返回空数组(非 null)。try-with-resources 是 Java 7 引入的一种异常处理语法,用于自动管理资源(如文件流、数据库连接等),确保资源在使用后被正确关闭,无需显式编写 finally 块。即使 fr 和 fw 已在外部定义,仍需在 try 内重新声明新变量(如 r1、w1),导致冗余代码1。

qq_51991814的博客 1017

try-with-resources 详解

try-with-resources 是 Java 资源管理的重要改进,掌握它能显著提升代码质量和安全性!:编译器会将 try-with-resources 转换为包含。:可以使用已存在的变量(必须是 final 或等效 final)(如文件流、数据库连接等需要关闭的对象)。是 Java 7 引入的语法结构,用于。Java 7 引入,9 还能再增强。"try 后加括号,资源里面放,接口(Java 7+)或。的异常被抑制(可通过。用完自动关,代码更清爽,异常不用慌,抑制也能查,的异常被抑制(可通过。

weixin_51288065的博客 1451

try-with-resources语法

try-with-resources是jdk1.7加入的机制,可以保证资源使用后正常关闭,并使代码更加简洁。 传统的try-catch-finally 释放资源使用实例: public void handle(String fileName) { BufferedReader reader = null; try { String line; reader = new BufferedReader(new FileReader(fileName));

Mr_moving 1489

【Exception】如何使用 try-with-resources 优雅地关闭资源

一、背景         在 Java 编程中,如果打开了外部资源,如:文件输入输出流、数据库连接、网络连接(InputStream、OutputStream、java.sql.Connection)等,那我们必须在这些外部资源使用完后,去手动地关闭它们。因为外部资源不由JVM管理,无法享用JVM的垃圾回收机制。如果我们在编程时并没有确保在正确的时机关闭外部资源,就会导致外部资源泄露,就会出现文件被异常占用,数据库连接过多导致

sco5282的博客 1686

try-with-resources 语法详解

在Java 7中,引入了一项重要的语法糖——try-with-resources,这项特性的目的是为了更有效地处理资源的管理。资源指的是需要在代码执行完毕后手动关闭的对象,比如文件流、网络连接等。try-with-resources语法糖提供了一种更为简便、方便且安全的方式来确保这些资源在使用完成后得到适当的关闭。使用try-with-resources可以使得代码更加简洁,不再需要显式地编写finally块来手动关闭资源。

qq_45110186的博客 2698

try-with-resources语法糖

JAVA的自动管理资源回收 , try-with-resources语法糖

weixin_55941334的博客 590

Try-With-Resources

是 Java 7 引入的一种语法糖,用于简化资源管理。它的核心目标是Closeable,从而避免手动调用close()方法导致的资源泄漏问题。

mjr_l的博客 1163
上一篇: 一次非常有意思的 SQL 优化经历:从 30248.271s 到 0.001s
下一篇: ImportSelector 与 DeferredImportSelector 的区别(spring4)
程序员职业指南
博客等级 码龄4年 2140粉丝 960原创
评论 1
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