Eclipse快捷键大全

weblogic等保测评操作过程 weblogic网络安全等级测评保护操作 阅读详情


  Ctrl+ 1快速修复(最经典的快捷键,就不用多说了)

 

  Ctrl+D: 删除当前行 

 

  Ctrl+Alt+↓ 复制当前行到下一行(复制增加)

 

  Ctrl+Alt+↑ 复制当前行到上一行(复制增加)

 

  Alt+↓ 当前行和下面一行交互位置(特别实用,可以省去先剪切,再粘贴了)

 

  Alt+↑ 当前行和上面一行交互位置(同上)

 

  Alt+← 前一个编辑的页面

 

  Alt+→ 下一个编辑的页面(当然是针对上面那条来说了)

 

  Alt+Enter 显示当前选择资源(工程,or 文件 or文件)的属性

 

  Shift+Enter 在当前行的下一行插入空行(这时鼠标可以在当前行的任一位置,不一定是最后)

 

  Shift+Ctrl+Enter 在当前行插入空行(原理同上条)

 

  Ctrl+Q 定位到最后编辑的地方

 

  Ctrl+L 定位在某行 (对于程序超过100的人就有福音了)

 

  Ctrl+M 最大化当前的Edit或View (再按则反之)

 

  Ctrl+/ 注释当前行,再按则取消注释

 

  Ctrl+O 快速显示 OutLine

 

  Ctrl+T 快速显示当前类的继承结构

 

  Ctrl+W 关闭当前Editer

 

  Ctrl+K 参照选中的Word快速定位到下一个

 

  Ctrl+E 快速显示当前Editer的下拉列表(如果当前页面没有显示的用黑体表示)

 

  Ctrl+/(小键盘) 折叠当前类中的所有代码

 

  Ctrl+×(小键盘) 展开当前类中的所有代码

 

  Ctrl+Space 代码助手完成一些代码的插入(但一般和输入法有冲突,可以修改输入法的热键,也可以暂用Alt+/来代替)

 

  Ctrl+Shift+E 显示管理当前打开的所有的View的管理器(可以选择关闭,激活等操作)

 

  Ctrl+J 正向增量查找(按下Ctrl+J后,你所输入的每个字母编辑器都提供快速匹配定位到某个单词,如果没有,则在stutes line中显示没有找到了,查一个单词时,特别实用,这个功能Idea两年前就有了)

 

  Ctrl+Shift+J 反向增量查找(和上条相同,只不过是从后往前查)

 

  Ctrl+Shift+F4 关闭所有打开的Editer

 

  Ctrl+Shift+X 把当前选中的文本全部变为大写

 

  Ctrl+Shift+Y 把当前选中的文本全部变为小写

 

  Ctrl+Shift+F 格式化当前代码

 

  Ctrl+Shift+P 定位到对于的匹配符(譬如{}) (从前面定位后面时,光标要在匹配符里面,后面到前面,则反之)

 

  下面的快捷键是重构里面常用的,本人就自己喜欢且常用的整理一下(注:一般重构的快捷键都是Alt+Shift开头的了)

 

  Alt+Shift+R 重命名 (是我自己最爱用的一个了,尤其是变量和类的Rename,比手工方法能节省很多劳动力)

 

  Alt+Shift+M 抽取方法 (这是重构里面最常用的方法之一了,尤其是对一大堆泥团代码有用)

 

  Alt+Shift+C 修改函数结构(比较实用,有N个函数调用了这个方法,修改一次搞定)

 

  Alt+Shift+L 抽取本地变量( 可以直接把一些魔法数字和字符串抽取成一个变量,尤其是多处调用的时候)

 

  Alt+Shift+F 把Class中的local变量变为field变量 (比较实用的功能)

 

  Alt+Shift+I 合并变量(可能这样说有点不妥Inline)

 

  Alt+Shift+V 移动函数和变量(不怎么常用)

 

  Alt+Shift+Z 重构的后悔药(Undo)

编辑作用域 功能 快捷键 

  全局 查找并替换 Ctrl+F 

 

  文本编辑器 查找上一个 Ctrl+Shift+K 

 

  文本编辑器 查找下一个 Ctrl+K 

 

  全局 撤销 Ctrl+Z 

 

  全局 复制 Ctrl+C 

 

  全局 恢复上一个选择 Alt+Shift+↓ 

 

  全局 剪切 Ctrl+X 

 

  全局 快速修正 Ctrl1+1 

 

  全局 内容辅助 Alt+/ 

 

  全局 全部选中 Ctrl+A 

 

  全局 删除 Delete 

 

  全局 上下文信息 Alt+?

 

  Alt+Shift+?

 

  Ctrl+Shift+Space 

 

  Java编辑器 显示工具提示描述 F2 

 

  Java编辑器 选择封装元素 Alt+Shift+↑ 

 

  Java编辑器 选择上一个元素 Alt+Shift+← 

 

  Java编辑器 选择下一个元素 Alt+Shift+→ 

 

  文本编辑器 增量查找 Ctrl+J 

 

  文本编辑器 增量逆向查找 Ctrl+Shift+J 

 

  全局 粘贴 Ctrl+V 

 

  全局 重做 Ctrl+Y 

查看作用域 功能 快捷键 

  全局 放大 Ctrl+= 

 

  全局 缩小 Ctrl+- 

窗口作用域 功能 快捷键 

  全局 激活编辑器 F12 

 

  全局 切换编辑器 Ctrl+Shift+W 

 

  全局 上一个编辑器 Ctrl+Shift+F6 

 

  全局 上一个视图 Ctrl+Shift+F7 

 

  全局 上一个透视图 Ctrl+Shift+F8 

 

  全局 下一个编辑器 Ctrl+F6 

 

  全局 下一个视图 Ctrl+F7 

 

  全局 下一个透视图 Ctrl+F8 

 

  文本编辑器 显示标尺上下文菜单 Ctrl+W 

 

  全局 显示视图菜单 Ctrl+F10 

 

  全局 显示系统菜单 Alt+- 

 

导航作用域 功能 快捷键

  Java编辑器 打开结构 Ctrl+F3 

 

  全局 打开类型 Ctrl+Shift+T 

 

  全局 打开类型层次结构 F4 

 

  全局 打开声明 F3 

 

  全局 打开外部javadoc Shift+F2 

 

  全局 打开资源 Ctrl+Shift+R 

 

  全局 后退历史记录 Alt+← 

 

  全局 前进历史记录 Alt+→ 

 

  全局 上一个 Ctrl+, 

 

  全局 下一个 Ctrl+. 

 

  Java编辑器 显示大纲 Ctrl+O 

 

  全局 在层次结构中打开类型 Ctrl+Shift+H 

 

  全局 转至匹配的括号 Ctrl+Shift+P 

 

  全局 转至上一个编辑位置 Ctrl+Q 

 

  Java编辑器 转至上一个成员 Ctrl+Shift+↑ 

 

  Java编辑器 转至下一个成员 Ctrl+Shift+↓ 

 

  文本编辑器 转至行 Ctrl+L 

搜索作用域 功能 快捷键 

  全局 出现在文件中 Ctrl+Shift+U 

 

  全局 打开搜索对话框 Ctrl+H 

 

  全局 工作区中的声明 Ctrl+G 

 

  全局 工作区中的引用 Ctrl+Shift+G 

文本编辑作用域 功能 快捷键 

  文本编辑器 改写切换 Insert 

 

  文本编辑器 上滚行 Ctrl+↑ 

 

  文本编辑器 下滚行 Ctrl+↓ 

 

 文件作用域 功能 快捷键 

  全局 保存 Ctrl+X 

 

  Ctrl+S 

 

  全局 打印 Ctrl+P 

 

  全局 关闭 Ctrl+F4 

 

  全局 全部保存 Ctrl+Shift+S 

 

  全局 全部关闭 Ctrl+Shift+F4 

 

  全局 属性 Alt+Enter 

 

  全局 新建 Ctrl+N 

项目作用域 功能 快捷键 

  全局 全部构建 Ctrl+B 

源代码作用域 功能 快捷键 

  Java编辑器 格式化 Ctrl+Shift+F 

 

  Java编辑器 取消注释 Ctrl+\ 

 

  Java编辑器 注释 Ctrl+/ 

 

  Java编辑器 添加导入 Ctrl+Shift+M 

 

  Java编辑器 组织导入 Ctrl+Shift+O 

 

  Java编辑器 使用try/catch块来包围 未设置,太常用了,所以在这里列出,建议自己设置。

 

  也可以使用Ctrl+1自动修正。 

运行作用域 功能 快捷键 

  全局 单步返回 F7 

 

  全局 单步跳过 F6 

 

  全局 单步跳入 F5 

 

  全局 单步跳入选择 Ctrl+F5 

 

  全局 调试上次启动 F11 

 

  全局 继续 F8 

 

  全局 使用过滤器单步执行 Shift+F5 

 

  全局 添加/去除断点 Ctrl+Shift+B 

 

  全局 显示 Ctrl+D 

 

  全局 运行上次启动 Ctrl+F11 

 

 全局 运行至行 Ctrl+R 

 

 全局 执行 Ctrl+U  
重构作用域 功能 快捷键 

 

  全局 撤销重构 Alt+Shift+Z 

 

  全局 抽取方法 Alt+Shift+M 

 

  全局 抽取局部变量 Alt+Shift+L 

 

  全局 内联 Alt+Shift+I 

 

  全局 移动 Alt+Shift+V 

 

  全局 重命名 Alt+Shift+R 

 

  全局 重做 Alt+Shift+Y

coze+飞书多维表格,批量分析小红书笔记,关键还能获取图片(附保姆级教程) 通过coze工作流,一键同步小红书账号和笔记链接到飞书多维表格,效率飞升~ 阅读详情

相关推荐

手把手调试Android 14 ShellTransitions:用Log追踪ActiveTransition与Handler匹配过程

本文详细介绍了在Android 14中调试ShellTransitions机制的方法,重点通过Log追踪ActiveTransition与Handler的匹配过程。文章提供了关键日志点植入策略、Handler匹配机制解析及实战调试案例,帮助开发者解决窗口转场动画中的卡顿和错乱问题,提升系统动画性能。

weixin_42652674的博客 431

Eclipse最全的快捷键 大全

Eclipse常用快捷键 1几个最重要的快捷键 代码助手:Ctrl+Space(简体中文操作系统是Alt+/) 快速修正:Ctrl+1 单词补全:Alt+/ 打开外部Java文档:Shift+F2 显示搜索对话框:Ctrl+H 快速Outline:Ctrl+O 打开资源:Ctrl+Shift+R 打开类型:Ctrl+Shift+T 显示重构菜单:Alt+Shift+T 上一个/下一个光标的位置:A...

自律才能自强 2万+

Unity2018连接MySQL数据库

当前在做的一个Unity项目需要连接到MySQL数据库,弄了一整天,排了很多错,终于在Unity上成功连接到MySQL数据库了,所以分享一下,避免有这个需求的朋友不用花那么多时间。 我使用的软件是 Unity20184.0f1 + mysql-8.0.24 导入 MySql.Data.dll 首先需要把 MySql.Data.dll 导入到Assets/Plugins 这个dll需要安装Connector/NET,在安装目录\Assemblies\v4.0中拿到,最好不要下载版本太高的,版本太高导入的时候

ZLX的博客 9449

eclipse快捷键大全

【Ctrl+T】 搜索当前接口的实现类 1. 【ALT+/】 此快捷键为用户编辑的好帮手,能为用户提供内容的辅助,不要为记不全方法和属性名称犯愁,当记不全类、方法和属性的名字时,多体验一下【ALT+/】快捷键带来的好处吧。 2. 【Ctrl+O】 显示类中方法和属性的大纲,能快速定位类的方法和属性,在查找Bug时非常有用。 3. 【Ctrl+/】...

Zhangxuemang的博客 4509

双三相电机控制避坑指南:为什么你的SVPWM谐波大?四矢量调制实战解析

本文深入解析双三相电机控制中SVPWM谐波大的问题,并提供四矢量调制实战方案。通过分析谐波来源、四矢量调制原理及工程实现步骤,显著降低电流THD至3-5%,提升系统效率2.3个百分点。特别适合需要优化电机控制的工程师参考。

weixin_30645617的博客 397

【干货攻略】Oracle报错篇 ORA-01378 磁盘扇区大小不兼容问题

本期将为大家分享“ORA-01378 磁盘扇区大小不兼容”报错的问题解决方案。

PWY13148的专栏 1438

eclipse快捷键大全(转载)

快捷键大全

Bessie_Lee 299

OceanBase迁移平台OMS企业版部署

OceanBase迁移平台OMS企业版部署摘要: 本文档详细介绍了OceanBase迁移平台OMS企业版的部署流程,包含环境准备、OAT部署管理、MetaDB部署等关键步骤。

Sebastien23的博客 521

Eclipse 快捷键大全

* 1.补全代码的声明:alt + / * 2.快速修复: ctrl + 1 * 3.批量导包:ctrl + shift + o * 4.使用单行注释:ctrl + / * 5.使用多行注释: ctrl + shift + / * 6.取消多行注释:ctrl + shift + \ * 7.复制指定行的代码:ctrl + alt + down 或 ctrl + alt + up * 8.删除指定行的代码:ctrl + d * 9.上下移动代码:alt + up 或 alt + down * 10.切换到

qq_39286483的博客 143

MacBook M芯片第二篇:Homebrew安装

Homebrew是MacOS/Linux平台的软件包管理工具,提供便捷的安装、卸载、更新等功能。

码农魏轩 893

Coze 上 OpenClaw 完整使用攻略(零代码 + 24 小时在线 + 飞书 / 微信接入)

Coze(扣子)是目前国内零门槛部署 OpenClaw 最友好的平台,无需服务器、不用命令行,5 分钟即可拥有可执行本地 / 云端任务的 AI 助手,还能一键发布到飞书、微信、钉钉等 IM。

hy行者勇哥的博客 2923

IDEA快捷键大全及Eclipse快捷键大全

本篇包含了 IntelliJ IDEA 中常用的快捷键及Eclipse 中常用的快捷键。

Ascend1977的博客 3354

在轻量化与精度之间取得平衡:YOLOv8 + GhostNet 的设计与实验分析

摘要: GhostNet系列(GhostNet、GhostNetv2、GhostNeXt)通过“幽灵特征图”技术,以极低计算量生成丰富特征,为YOLOv8提供轻量化改造方案。该技术能在减少参数量与计算量的同时保持或提升检测精度,适用于边缘设备部署。实现时需替换YOLOv8的Backbone为GhostNet模块,并通过消融实验验证其有效性。实验数据表明,改造后的模型在参数量降低30%的同时,推理速度提升28.6%,mAP@0.5最高提升1.9个百分点,平衡了轻量化与精度,为毕设提供技术创新性与工程落地性的双

m0_64661770的博客 194

Java——Eclipse快捷键大全

Eclipse快捷键大全 Ctrl+1 快速修复(最经典的快捷键,就不用多说了) Ctrl+D: 删除当前行  Ctrl+Alt+↓ 复制当前行到下一行(复制增加) Ctrl+Alt+↑ 复制当前行到上一行(复制增加) Alt+↓ 当前行和下面一行交互位置(特别实用,可

暖暖冬阳 913

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")

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》。

上一篇: 解决js eval() 缺少';'
下一篇: org.apache.catalina.util.DefaultAnnotationProcessor cannot be cast to org.apache.AnnotationProcessor
microfhu
博客等级 码龄15年 36粉丝 19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