Java基础知识整理【4】 (方法)

java SE 基础知识指南 36. Lock(上):相比Java synchronized,JUC Lock有什么优势?19. io类库:http://java.io类库如此庞大,怎么才能全面系统的掌握它?51. 线程状态:为何synchronized和Lock这两种锁对应的线程状态不同?34. synchronized(上):线程释放锁之后,如何通知其他线程获取锁?13. HashMap(上):为何HashMap中数组的大小必须是2的幂次方?37. Lock(中):如何使用AQS(抽象队列同步器)实现JUC Lock? 阅读详情

方法

java中不区分函数和方法,方法就是函数

什么是方法?

循环是为了解决重复操作的事情,某些情况之下,某些代码需要大量重复,此时循环就不能满足要求,此时可以对这些代码进行封装,这个封装就是方法

方法就是一段可重复调用的代码段,要在多个地方多次使用这段代码,如果在各个地方重复编写此代码,则肯定会比较麻烦,而且此部分代码如果进行修改,也比较麻烦,所以此时可以将此代码定义成一个方法,以供程序反复使用。

方法格式:  
        访问权限修饰符[其他修饰符] 返回值类型 方法名(参数列表){
                           方法体; 
                          return;   
          }

定义方法的时候方法和方法之间是平级关系
方法详情说明:
访问权限修饰符:
提供当前方法可以被谁调用(被谁访问)
访问权限修饰符有4个:public共有的 最大权限,谁都可以访问

其他修饰符:
其他修饰符用中括号括起来的,是可以省略不写的
其他修饰符有4种:static 静态的 属于类

返回值类型:
当前方法完成某项功能后,可以得到的结果是什么
1、无返回值类型–>>void此方法不会得到任何返回结果
2、有返回值类型:值类型(基本数据类型) 引用类型(数组,接口,集合,流等等)

方法名:
方法名要遵守表示符命名规则,尽量使用动词
大驼峰:所有字母首字母大写 小驼峰:第一个单词小写,后续每一个单词的首字母大写 例如:getNumber ------->>>驼峰命名法

参数列表(形参列表):
形参,可以提供给方法使用,获得外部传递进来的参数
参数列表的组成:参数的数据类型 参数名 ,参数的数据类型 参数名
形参列表就是定义变量,这个变量没有具体值,只要方法不调用,这个变量就不会有任何空间

方法签名:
每一个方法的方法签名都是唯一的,若出现相同的签名就会编译报错
组成 方法名+参数列表

 return关键字:
 是在方法体内部使用,return关键字可以终止方法或者带回一个返回值
 第一种使用方式无返回值类型:
 此时方法中可以使用return也可以不写return,但是绝对不能在return后面添加
 任何具体的值。
 第二种使用方式有返回值类型:
 此时方法必须使用return,必须带有一个当前返回值类型一致的值。
 ps:正常来说方法中只有一个return,即执行一个return操作!
 有多个return时,只能执行一个return,其他的用分支判断隔开

方法的调用
写在方法体内部,静态方法有两种调用方式:

第一种:   方法名();

ps:若当前方法中有参数列表,必须传入对应怼数据常量,变量或表达式或者其他方法,传入的数据类型和个数必须与参数列表的数据类型和个数一致。
传入的数据是实参—>>>实际参数(有具体的值)
//若当前方法有返回值,可以选择接受也可以选择不接受,具体看后续代码是否需要使用返回值

第二种调用方式:通过类名.静态方法名(); 静态属于类,类可以调用静态方法

两种的不同点:在同一个类下静态方法可以不使用类名.方式调用,在其他类中需要访问当前类怼静态法,必须使用类名.方式调用方法 ps:MethodDemo.printNineNine();

没有返回值类型的方法一定不能接受 ps:printNineNine();

总结:方法的调用分为同类和不同类,和有返回值和没有返回值;
同类中调用 直接写 *方法名(对应参数列表)*调用
不同类中调用 方法名所在类名.方法名(对应参数列表) 调用
ps:如何判断一个方法是否有返回值 system.out.println(方法名());

方法的常见样式

public class MethodDemo2{
    public static void main(String[] args){
    }
    }
	//1.无参无返回值 --> 纯打印
  public static void show1(){ }
    //2.有参无返回值 --> 打印
    public static void show2(int a){ } //3.有参有返回值 --> 计算
    public static int show3(int a){ } //必须有return //4.无参有返回值--> 计算
    public static int show(){ } // 必须有return
}

方法在内存圈
需求:定义一个方法,求两个数的和
在这里插入图片描述

方法的重载
学习方法的时候就是在间接的学习面向对象–>封装,也是在学习多态
方法多态---->>>
相同功能的方法,不需要定义不同的方法名,这样不利于记忆!相同功能的方法名,通过相同的方法名,不同怼参数可以达到重载的目的。只需要记住一个方法名,根据传入的不同的数据,系统自动选择最合适怼方法使用

重载的定义:
方法签名=方法名+参数列表
方法重载即方法名相同,但是参数列表不同只能满足下列其中一种即可,即是重载
1 参数怼数据类型不同 2 个数不同 3顺序不同
只要满足方法名和参数列表的要求即可,其他的都不管
好处:可以不用大量记录方法名,可以通过一个方法名调用方法,动态怼通过参数来决定实现逻辑

系统会通过程序员传入的参数来动态决定调用哪个方法,所以会出现一个重载的中的问题(避免出现下面的问题)
 public class OverloadDemo2 {
        public static void main(String[] args) {
			//求和
				byte num1 = 1;
				byte num2 = 1;
				//OverloadDemo2 中的方法 add(byte,short) //OverloadDemo2 中的方法 add(short,byte) 都匹配 //二义性
                 int sum = add(num1,num2); System.out.println(sum);
           }
            public static int add(byte num1 ,short num2){
            return  num1+num2;
    }
    public static int add(short num1,byte num2){
} }

递归(初级)
递归是方法本身调用本身,对内存消耗很严重
递归本身就相当于在方法体怼内部有一个隐式的循环是不断怼调用自身(方法本身)
递归没有出口即没有结束的点,此时JVM会抛出一个错误StackOverFlowError 栈溢出

在这里插入图片描述

Adaboost入门教程——最通俗易懂的原理介绍(图文实例) 阅读详情

相关推荐

Ubuntu技巧-Ubuntu远程访问之SSH反向代理

💡大家好,我是可夫小子,《小白玩转ChatGPT》专栏作者,关注AIGC、互联网和自媒体。要把内网的一台的Ubuntu服务器让外面也能访问,总共有三种可行的方案,前面已经介绍了两种方式,今天就来介绍更健壮稳定的方式——ssh反向代理。大概的框架图如下,今天就从服务器购买到设置,手把手的教程,让你花费100块以内,就拥有一个强大的「云服务器」。

可夫小子的频道 1151

函数的形参列表

函数在定义的时候,可以定义“形参列表”,用于接收参数!形参列表就是定义一系列的参数,可以是变量或函数指针。形参变量用于接收函数调用的时候,传递过来的数据。 这里我们先讲解形参是变量的知识,后续再讲解形参是函数指针的知识。 根据函数的定义格式如下: 返回数据类型函数名(形参列表) { 函数体 } 那么,形参列表是变量的时候,就是如同定义变量一样,如下: 返回数据类型函数名(数据类型名变量名) 如果要定义多个参数变量,定义格式如下: 返回数据类型函数名(数据类型名变量名1, 数据类...

LC的专栏 8629

unity C# 计算3D空间任意多边形面积,距离,角度测量工具

unity C# 计算3D空间任意多边形面积,距离,角度 using UnityEngine; using System.Collections; using System.Collections.Generic; using UnityEngine.UI; using System; /// /// 划线面积,距离,角度 /// public class UnderlinedMeasureTool : MonoBehaviour { /// /// 相机 /// public Camera _c

qq_22972867的博客 2225

类和对象 —— 形参列表、explicit、static成员

形参列表、explicit、static成员

challenglistic的博客 2065

01|无代码开发 | 如何使用Zion实现导航网站制作

以上就是我制作导航网站的心得,分享给大家,作为一个小白想要独立搭建一个网站还是比较困难的,而在Zion不仅可以用可视化的方法进行搭建,甚至还可以一键发布,不用考虑服务器域名啥的问题,真是太方便了。

2301_76262110的博客 1390

MS1826A HDMI 多功能视频处理器 HDMI4进1出画面分割芯片

基本介绍 MS1826A 是一款多功能视频处理器,包含 4 路独立 HDMI 音视频输入通道、1 路 HDMI 音视 频输出通道以及 1 路独立可配置为输入或者输出的 SPDIF、I2S 音频信号。支持 4 个独立的字库定 制型 OSD;可处理隔行和逐行视频或者图形输入信号;有四路独立视频播放引擎可支持视频多路 播放。该产品提供了高质量的视频输出,有解隔行输入、视频增强,以及帧率转换的处理能力。 功能特征 视频输入输出  四路独立 HDMI 输入通道  一路 HDMI 输出通道  最高支持 4K@3

qq_45645383的博客 1781

4.6 C语言函数的简单介绍

版权声明:本文为芝麻软件工作室原创文章,未经芝麻软件工作室允许不得转载。 https://blog.youkuaiyun.com/softn/article/details/51830547 函数定义的一般形式如下: 函数值类型 函数名 (形式参数列表){ 函数体 } 函数值类型,就是函数返回值的类型。在我们后边的程序中,会有很多函数中有 return x 这个东西,这个返回值也就是函数本身的类...

weixin_44488826的博客 351

S/4HANA Private Cloud 与 On-Premise 的 Key User Custom Fields 运输与升级避坑指南

本文探讨了SAP S/4HANA Cloud Private Edition和On-Premise系统中Key User Custom Fields的管理要点。文章指出,Custom Fields涉及元数据生成、对象一致性、传输治理等完整链路,操作不当会导致字段丢失或升级失败。关键建议包括:使用ATO Fiori App管理扩展项与传输绑定,配置正确的job user权限,避免在多系统并行开发同一字段。特别强调升级时需执行CFD_REGENERATE_IN_ONPREMISE报表,并通过标准传输机制推进变更

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 196

C语言--详细刨析函数定义

一。函数名 a.函数名就是给函数起名字,最好是见名知意,方便使用者看到就能知道函数的用意。 b.函数和变量名的命名规则一样,函数后面需要(),比如int show(){}是函数,而int show;是变量 二.形参列表 形参列表就是函数定义时所指的参数,这个参数不是正真意义上的数据。 a.如果函数没有被调用,系统不会给形参分配空间。 b.形参不可以被赋值 三.函数体: 函数具体功能的实现,而这个实现就是将我们以前在main函数中所写的代码拿过来用。 四.函数的调用形式: 1.函数的一般的调.

weixin_61050264的博客 739

198、影像系统设计评审流程:从需求评审到 EVT、DVT、PVT 各阶段的关注重点

本文详细介绍了影像系统从需求评审到EVT、DVT、PVT各阶段的设计评审流程及关键点。作者通过实际案例(如IMX766模组偏紫问题)强调硬件工艺的重要性,指出影像系统是功能定义与物理实现的反复拉锯过程。文章分阶段解析:需求评审需将模糊需求转化为物理参数;架构评审要明确接口定义和时序约束;EVT阶段重点关注模组一致性和基础链路;DVT阶段需平衡算法调优与硬件验证;PVT阶段则以量产一致性为核心。最后提出建立"边界条件确认表"和"健康度看板"等实用建议,强调工程师需具备从表象追溯硬件根源的物理直觉。全文贯穿实战

sundong_81的博客 218

部分旧版统信国产系统下载资源

注:全部自来网络查找,建议到官网下载最新版。

aggs1990的专栏 5253

学习笔记(13):7天速学JAVA基础-成员方法的形参列表详解

1、来自清华、北大、北航的实战讲师和上市企业骨灰级大咖授课 2、根据企业需求设计课程,引入主流框架 3、由浅入深,0基础缔造垫脚石,妈妈再也不用担心我的学习 ...

369

Vibe coding 氛围编程:编程就像聊天一样,低代码开发时代来了?

Vibe coding:编程就像聊天一样,低代码开发时代来了!

Code_流苏:在代码中寻诗意,在实践中觅真知 4803

android基础知识整理前言

现在是2019年6月18号晚10点零4分,把最后一个源码上传至百度云并且分享后的时间点,细细数来,自己进入IT行业已经有4年了。 4年前,刚刚高考完的我,还在想过几天要去哪个工厂打暑假工,什么时候才能买一个红米手机,喜欢的姑娘不知道考的怎么样,她会去哪里,一切一切都是未知,兴奋又期待。4年后的我,面对着电脑,手指不停地敲击着键盘,好像是一切都是那么熟练。 2015年9月,一个人拉着行李箱坐上去往省...

Dimanche的博客 1517

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。

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基础知识总结(超详细整理)

Java概述 什么是Java? Java的特点 Java平台的组成 Java开发工具 Java开发环境 安装JDK 配置环境变量 使用IDE(如IntelliJ IDEA、Eclipse) Java基础语法 数据类型 运算符 控制语句 方法和函数 面向对象编程(OOP) 类与对象 封装 继承 多态 抽象类与接口 Java常用类库 String类 日期与时间处理(java.time) 集合框架(List, Set, Map) 输入输出(IO)流 异常处理 异常的类型 异常的捕获与抛出 自定义异常

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 1万+

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Java基础知识整理笔记

个人闲暇整理的Java基础知识笔记,偏向对于常见面试问题的答案整理,能力有限,非系统性的知识总结。

是袁同学呀 1587

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基础知识笔记整理(一)

目录Java基础知识1、Java的优势有哪些?Java有什么优点?2、JDK、JRE、JVM三者之间的区别是什么?3、标识符的命名规则4、什么是变量、变量的本质是什么?5、变量的分类以及作用域6、常量7、Java的基本数据类型7.1 整型7.2 浮点型7.3 char字符型7.4 boolean布尔型8、运算符8.1 算数运算符8.2 赋值和赋值扩展运算符8.3 关系运算符8.4 逻辑运算符8.5 位运算符8.6 字符串连接符8.7 条件运算符(三目运算符)8.8 运算符优先级问题8.9 &和&am

weixin_43246215的博客 2938

java基础知识整理

Day01 常见DOS命令和环境变量的配置 每天要做的事——笔记、作业、代码 知识点的学习——A:是什么? B:有什么特点? C:如何使用? D:什么时候使用? E:能讲给别人听么? 一、学习的前提 (1)目标要明确 (2)兴趣是最好的老师 (3)自信是成功的法宝 (4)要求和建议 A:写总结,记笔记,写注释。 B:多交流 C:勤练习:敲--狂敲(学习的捷径 不走弯路,...

Marmara 1893

java基础知识梳理_Java基础知识点整理,推荐收藏!

很多Java编程初学者在刚接触Java语言程序的时候,不知道该学习掌握哪些必要的基础知识。本文我总结了零基础学习Java编程的几个基础知识要点。希望能够对刚入门的Java新手有帮助。一、先了解什么是Java的四个方面初学者先弄清这些Java的基本概念也是必不可少的,死记硬背肯定是不行的,重在理解,理解它们之间的区别与联系,分别有哪些应用。想想这些代码中用到了哪些知识点。不要一味地照着书本敲代码。而...

weixin_42599558的博客 1794

Java初学者需掌握的4大核心基础知识

http://wh.mobiletrain.org/java/

xiaoxijinger的博客 1173

Java基础知识整理 一

Java基础知识整理 一 基本语法 1. Java的可移植性: (1) 一次编译处处运行。 (2) 基于了JVM。 (3) JVM不是跨平台的 2. 入门程序 (1) 一个java文件中可以有多个类,但是只能有一个公共类 (2) 编译:将java文件按照规定的规则转化为系统能够识别的class文件 (3) javac -d 存放的路径 java文件 (4) java 类名 3. 关键字 (1) 指...

小帅博客 294

Java基础知识整理

简介 《Java编程思想-Thinking in Java》第四版 读书笔记 Java基础知识整理

学而不厌 诲人不倦 537

Java虚拟机基础知识整理

JVM基础知识

努力学习Java的彬彬的博客 841

Java基础知识资料整理

<!--google_ad_client = "pub-2947489232296736";/* 728x15, 创建于 08-4-23MSDN */google_ad_slot = "3624277373";google_ad_width = 728;google_ad_height = 15;//--><script type="text/javascript"

zgqtxwd的专栏 477

Java基础知识总结(详细整理)

系统梳理Java核心基础知识,涵盖语言特性、基础语法及进阶应用。从数据类型与运算符的使用,到流程控制的实现方式;详解面向对象三大特性(封装、继承、多态)及接口与抽象类的区别;解析集合框架(List/Set/Map)的选用场景,演示异常处理机制与多线程开发要点。结合代码示例说明IO操作、字符串处理及日期API的实践方法,并针对学习路线给出建议:注重代码实践、理解对象设计思想、掌握集合与多线程的底层原理。适合Java初学者夯实基础,或开发者快速回顾核心语法,为后续框架学习和项目开发奠定坚实基础。

hjh345的博客 1443
上一篇: Java基础知识整理【3】
下一篇: Java基础知识整理【5】 (数组)
码上发财V
博客等级 码龄11年 4粉丝 22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