读书笔记7-《crazy java》

本文探讨了Java中资源管理的重要性,包括如何正确关闭数据库连接、网络连接等物理资源以防止资源泄漏。同时介绍了垃圾回收机制的作用范围及限制,并详细说明了在Java中处理异常的最佳实践,比如使用finally块确保资源关闭、避免在finally块中调用可能引发异常的方法等。

数据库连接网络连接磁盘文件等,打开这些物理资源之后必须显式关闭,否则会引起资源泄漏

垃圾回收机制属于java内存管理的一部分,只负责回收堆内存中分配的内存,至于程序中打开的物理资源,无能为力。

关闭资源的3个要点:
1. 使用finally块来关闭物理资源,保证关闭操作总是会被执行;
2. 关闭每个资源之前先保证引用该资源的引用变量不为null;
3. 位每个物理资源单独使用try…catch块关闭资源,保证关闭资源时引发的异常不会影响其他资源的关闭。

finally块的执行规则:如果程序在执行System.exit(0)之后,finally块是否还会得到执行的机会?(有时并不会执行)因为无论try块是否正常结束,还是中途非正常的退出,只要java虚拟机不退出,finally块确实都会执行。然而当try语句块根本没结束其执行的过程,System.exit(0)将停止当前的线程和所有其他当场死亡的线程,即System.exit(0)会直接退出JVM。finally块并不能让已经停止的线程继续执行。

System.exit(0)被调用时,虚拟机退出前要执行两项清理工作:
1. 执行系统中注册的所有关闭钩子
2. 如果程序中调用了System.runFinalizerOnExit(true),那么JVM会对所有还未结束的对象调用Finalizer

finally块和方法返回值:当java执行try, catch块遇到了return语句会导致该方法立即结束。系统执行完return语句之后,并不会立即结束该方法,而是去寻找该异常处理流程中是否包含finally块,若无finally块则方法终止,返回相应返回值。若有,则系统执行finally块,只有当finally块执行完成后,系统才会跳出来(到try, catch块)根据return结束方法。如果finally块里使用了return语句来导致方法结束,则finally块已经结束了方法,系统将不会跳回去执行try, catch块里的任何代码。

进行异常捕获时,先捕获小的异常,再捕获大的异常。即捕捉父类异常的catch块都应该排在捕捉子类异常的catch块之后

不要在程序中多度使用异常机制,千万不要使用异常处理机制来代替流程控制,对于程序中各种能够预知的情况,应该尽量进行处理,不要盲目的使用异常捕捉来代替流程控制。

异常:
1. IndexOutOfBoundsExecption、NullPointerException都是RuntimeExecption的子类,因此它们都属于运行时异常;
2. IOExecption、ClassNotFoundExecption异常则属于checked异常;
3. RunTimeExecption类及其子类实例被称为Runtime异常,不是RunTimeExecption类及其子类的异常实例则被称为Checked异常
4. 程序可以在任意相捕捉的地方捕捉RunTimeExecption异常、Exception,但对于其他Checked异常,只有当try块可能抛出该异常时catch块才能捕捉该Checked异常。

Checked异常的处理方式:
1. 当前方法明确知道如何处理该异常,程序应该使用try…catch块来捕获该遗产,然后在对应的catch块中修复该异常;
2. 当前方法不知道如何处理该异常,应该在定义该方法时声明抛出该异常

如果程序知道该如何修复指定异常,应该在catch块内尽量修复该异常,若不知道该如何修复,也没有任何修复,千万不要再次调用可能导致该异常的方法。

无论如何不要在finally块中调用可能引起异常的方法,因为这将导致该方法不能被正常抛出,甚至stackOverflowError错误也不能终止程序,只能采用强行结束java.exe进程的方式来终止程序的运行。

子类重写父类的方法时,不能声明抛出比父类方法类型更多、范围更大的异常。即只能什么抛出父类方法所声明异常的子类。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
本系统采用微信小程序作为前端交互界面,结合Spring Boot与Vue.js框架实现后端服务及管理后台的构建,形成一套完整的电子商务解决方案。该系统架构支持单一商户独立运营,亦兼容多商户入驻的平台模式,具备高度的灵活性与扩展性。 在技术实现上,后端以Java语言为核心,依托Spring Boot框架提供稳定的业务逻辑处理与数据接口服务;管理后台采用Vue.js进行开发,实现了直观高效的操作界面;前端微信小程序则为用户提供了便捷的移动端购物体验。整套系统各模块间紧密协作,功能链路完整闭环,已通过严格测试与优化,符合商业应用的标准要求。 系统设计注重业务场景的全面覆盖,不仅包含商品展示、交易流程、订单处理等核心电商功能,还集成了会员管理、营销工具、数据统计等辅助模块,能够满足不同规模商户的日常运营需求。其多店铺支持机制允许平台方对入驻商户进行统一管理,同时保障各店铺在品牌展示、商品销售及客户服务方面的独立运作空间。 该解决方案强调代码结构的规范性与可维护性,遵循企业级开发标准,确保了系统的长期稳定运行与后续功能迭代的可行性。整体而言,这是一套技术选型成熟、架构清晰、功能完备且可直接投入商用的电商平台系统。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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