android事件处理机制

本文详细介绍了Android中的两种事件处理机制:基于监听的事件处理机制和基于回调的事件处理机制。基于监听的方式涉及到事件源、事件和事件监听器三个对象,并列举了具体的实现步骤和示例代码。基于回调的方式则是通过重写组件类的方法来处理事件。

android事件处理机制的概述:
android事件处理机制一共有两种:一是基于监听的事件处理机制。二是基于回调的事件处理机制。

一、现在先说一下基于监听的事件处理机制,这种监听机制是一种更加面向对象的事件处理机制。这个对象(监听的处理模型)主要涉及三个对象:1、事件源(EventSource):简单明了的说就是各种组件(Button、TextView、ImageVIew及各种按钮、窗口和菜单,总结来说就是视图View层面的可视的)
2、事件(Event):该类封装了事件源(界面组件)上发生的特定事情(动作或者行为),如点击、滑动等。
3、事件监听器(EventListener):负责监听事件源所发生的事件,是对事件源和事件的统筹兼顾,并对各种事件作出相应的相应。

监听实现的三个编程步骤:
1、事件源,获取普通界面组件(事件源),即被监听的对象。一般通过findViewByID()方法获取事件源的ID,以此回去监听的事件源。
2、事件监听器,实现监听器类,该监听器类是一个特殊的Java类,必须实现一个监听器的接口XXXListener。
3、注册监听器,调用事件源的setXXXListener()方法将事件监听器对象注册给事件源,简洁的说就是为组件设置监听器。
以上三步的代码对应如下:

//获取事件源
Button button=(Button)findViewById(R.id.button01);
//实现监听器类
class MyClickListener implements View.OnCliskListener{
public void onClick(){
}
}
//注册监听器
button.setOnClickListener(new MyClickListener());

以View类为例,包含的六个内部接口:
1、View.OnclickListener:单击事件的监听器必须实现的接口。
2、View.OnCreateContextMenuListener:创建上下文菜单事件的事件监听器必须实现的接口。
3、View.onFocusChangeListener:焦点改变事件的事件监听器必须实现的接口。
4、View.Onkeylistener:按键事件的事件监听器必须实现的接口。
5、View.OnLongClickListener:长单击事件的事件监听器必须实现的接口。
6、View.OnTouchListener:触摸屏事件的事件监听器必须实现的接口。

监听器的常用形式:
1、内部类作为监听器:

public void Events extends Activity{
public void onCreate(bundle savedInstanceState){
    super.onCreate();
    setContentView(R.layout.main);
    Button button=(Bbutton)findViewById(R.id.button01);
    //内部类作为监听器
    button.setOnClickListener(new MyClickListener());
}

class MyClickListener implements View.OnClickListener{
    public void onClick(){
        Button button02=(Button)findViewById(R.id.button02);
        button02.setText("改变按钮");
    }
}
}

2、外部类作为监听器:
首先需要说明的是使用外部监听器类的形式比较少见,主要以下两个原因:
1、事件监听器通常属于特定GUI界面,定义成外部类不利于提高程序的内聚性。
2、外部类形式的事件监听器不能自由访问创建GUI界面的类中的组件,编程不够简洁。
外部监听器类示例:

public MyClickListener implements View.OnClickListener{
    public void onClick(){
        Log.v("hfsjd","dfds");
}
}

public InnerListeneer extends Activity{
    public void onCreate(Bundle savedInstanceState){
        super.onCreate();
        setContentView(R.layout.main);
        Button button=(Button)findViewById(R.id.button01);
        //外部类作为监听器
        button.setOnClickListener(new MyCliskListener());
    }

3、Activity本身作为事件监听器
使用Activity本身作为监听器类,可以直接在Activity类中定义事件处理器方法,这种方式非常简洁,但是有一下两种缺点:
1、Activity本身的主要职责是作为组件的容器完成界面的初始化工作,如果以Activity本身作为监听器类,初始化界面的同时还需要包含事件处理器的方法,可能使程序结构混乱。
2、界面类的Activity需要实现监听接口让人感觉怪异。
Activity本身作为监听器的示例代码:

public class ActivityAsListener extends Activity implemets View.OnClickListener{
    public void onCreate(Bundle savedInstanceState){
        super.onCreate();
        setContentView(R.layout.main);
        Button button=(Button)findViewById(R.id.button);
        //Activity本身作为监听器类
        button.setOnClickListener(this);
    }
    //Activity本身作为监听器类实现监听的方法
    public void onClick(View v){
        Log.v("dfgds","fdsff");
    }
}

4、匿名内部类作为事件监听器
大本分时候,事件处理器都没有什么复用的价值,每个组件的监听器所做出的动作和响应的事件都不一样。因此大部分事件监听器只是临时使用一次,因此使用匿名内部类形式的事件监听器更合适,这也是目前使用最广泛的事件监听器形式。
匿名内部类作为监听器的示例代码:

public class AnonymousListener extends Activity{
    public void onCreate(bundle savedInstanceState){
        super.onCreate();
        setContentView(R.layout.main);
        Button button=(Button)findViewById(R.id.button);
        button.setOnClickListener(new OnClickListener(){
            public void onClick(View v){
                button.setText("设置字体");
    }
    });
}
}

二,说完基于监听的事件处理,现在来说说基于回调的事件处理我们知道监听机制的事件处理是一种委托式的事件处理,而回调机制恰好与之相反:对于基于回调的事件处理模型来说,事件源和监听器是统一的,可以说事件监听器完全消失了,以前需要在监听器类中实现的方法,现在直接在事件源类中实现,当用户在GUI组件上激发某个事件时,组件自己特定的方法将会负责处理该事件。
这种事件处理就是为该组件提供相应的事件处理方法。
而java是一种静态语言,无法为某个对象动态的添加方法,所以只能继承GUI组件类,并重写该类的事件处理方法。
Button类的示例代码

public class MyButton extends Button{
    public MyButton(Context context,AttributeSet set){
        super(context,set);
}
    public boolean onKeyDown(int keyCode,KeyEvent event){
        super.onKeyDown(keyCode,event);
        Log.v("dfsd","fds");
        return true;
        } 
}

然后把这个新定义的MyButton直接使用即可:

<LinearLayout
    android:width="match_parent"
    android:height="match_parent">

    <com.lpp.Event.MyButton
    android:width="match_parent"
    android:height="match_parent"
    android:text="点击我"
    />
</LinearLayout>

好了,关于android事件监听处理的只是基本就这样吧,欢迎大家批评指正。

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
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