Android深入浅出系列课程---Lesson16-AFF110606_AsyncTask异步任务

sundy_android sundy_android 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 505平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄15年
关注
原创 最新推荐文章于 2026-11-03 14:41:21 发布 505 阅读 AI 写同款· GEO 优化 ›
Android开发视频教程-深入浅出系列Lesson20-AFF111029学习Android界面开发的基础 课程目标： 学习和掌握Android界面开发学习方法 了解Android界面如何呈现出来的 了解Android事件机制 如何自定义组件？ · 重点难点： 了解界面呈现机制 了解android界面事件机制 · 考核目标： 你会写Android自定义组件么？ 说说Android事件机制 UI呈现需要底层的支持么？ 我们做界面最关键的类是？ · 课后练习： 写一个自定义的组件 阅读详情
  大家好，上一讲我们介绍了Handler-不可缺少的异步，这一讲我们将进入AFF110606_AsyncTask异步任务.
更多Android深入浅出课程列表：http://www.eoeandroid.com/thread-109361-1-1.html
一、课程目标：了解AsyncTask类 以及此类的实现 。 明了它与Handler谁更轻量级如何使用AsyncTask .
二、重点难点：AsyncTask与线程及线程池的关系如何分析进程的内存占用？
三、考核目标：AsyncTask是多线程么？与Handler相比， AsyncTask消耗资源情况如何,为什么？   
四、课后练习：写一个使用AsyncTask 从网络更新显示图片的例子（参照Demo）

＆AsyncTask的定义
AsyncTask enables proper and easy use of the UI thread. This class allows to perform background operations and publish results on the UI thread without having to manipulate threads and/or handlers.

An asynchronous task is defined by a computation that runs on a background thread and whose result is published on the UI thread. An asynchronous task is defined by 3 generic types, called Params, Progress and Result, and 4 steps, called onPreExecute, doInBackground, onProgressUpdate and onPostExecute

Android为了降低异步操作开发难度，在Handler基础上提供了AsyncTask。AsyncTask就是一个封装过的后台任务类，顾名思义就是异步任务。
＆演示AsyncTask用法：Demo
AsyncTask定义了三种泛型类型 Params，Progress和Result。
        Params 启动任务执行的输入参数，比如HTTP请求的URL。
        Progress 后台任务执行的百分比。
        Result 后台执行任务最终返回的结果，比如String。
AsyncTask方法  必选方法：
        doInBackground(Params…) 后台执行，比较耗时的操作都可以放在这里。注意这里不能直接操作UI。此方法在后台线程执行，完成任务的主要工作，通常需要较长的时间。在执行过程中可以调用publicProgress(Progress…)来更新任务的进度。
        onPostExecute(Result)  相当于Handler 处理UI的方式，在这里面可以使用在doInBackground 得到的结果处理操作UI。 此方法在主线程执行，任务执行的结果作为此方法的参数返回可选方法：
        onProgressUpdate(Progress…)   可以使用进度条增加用户体验度。 此方法在主线程执行，用于显示任务执行的进度。
        onPreExecute()        这里是最终用户调用Excute时的接口，当任务执行之前开始调用此方法，可以在这里显示进度对话框。
        onCancelled()             用户调用取消时，要做的操作

AsyncTask三个状态：pending , running , finished

使用AsyncTask类，遵守的准则：
        Task的实例必须在UI thread中创建；
        execute方法必须在UI thread中调用；
        不要手动的调用onPreExecute(), onPostExecute(Result)，doInBackground(Params...), onProgressUpdate(Progress...)这几个方法；
该task只能被执行一次，否则多次调用时将会出现异常；
本讲对Dalvik虚拟机概述介绍，下一讲将进入AsyncTask异步任务，内容预告：Android开发视频教程-深入浅出系列Lesson17-SPI110725_在Android2.2以上实现MobileWidget，敬请期待。

特别推荐新课程：Android开发高端课程
http://www.mobidever.com/forum.php?mod=viewthread&tid=2098
本课视频地址：http://v.youku.com/v_show/id_XMzI4MDg4NzQ4.html
课程下载地址:http://www.verycd.com/topics/2900036/ （VeryCD电驴）
网址：http://www.mobidever.com/forum.php （Mobidever-Android开发联盟）

收录于
sundy_android深入浅出文章列表

当前文章被收录于：

sundy_android深入浅出文章列表
22 篇文章 1 人学习
订阅专栏 查看详情
标签
#android #asynchronous #任务 #thread #ui
#多线程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
巨详细Java JDK环境配置（Mac 版） 本篇最详细保姆级教程Mac OS上安装JDK以及配置环境细化每个步骤过程认真看完。 阅读详情

相关推荐

海康威视摄像机SDK二次开发--提取音频保存至文件

由于最近在开发海康威视摄像头,特此记录一下如何提取音频数据,这里主要依靠语音对讲返回的音频数据,通过回调函数写入文件中,加个WAV头即可播放,编码格式可以自己设置在代码中有注释 文件结构 其中CameraInfo内容可以参看海康威视摄像机SDK二次开发–实时预览视频流保存到指定文件中 HIKSDKSaveRealData中的内容 package ClientDemo; import ClientDemo.CameraInfo; import com.sun.jna.NativeLong; import

RichardoMu的博客 3173

http://v.youku.com/v_show/id_XMzI4NTc4MzI4.html?f=15463219

http://v.youku.com/v_show/id_XMzI4NTc4MzI4.html?f=15463219

6067

Dataset - DeepFashion 服装数据集

Dataset - DeepFashion 服装数据集 [Dataset - DeepFashion] [Project - DeepFashion] 1. 服装类别和属性预测集 [Category - Attribute 下载] [百度网盘] 289,222 张服装图片 clothes images; 50 个服装类别 clothing categories 1,000 ...

长风破浪会有时，直挂云帆济沧海 2万+

Android开发视频教程-深入浅出系列Lesson19-AFF110727_蓝牙编程入门

课程目标 知道蓝牙是什么，能够做什么，知道常用蓝牙的API 重点难点 理解蓝牙API，并且熟练使用 考核目标 什么是蓝牙，如何使用？ 建立蓝牙端口，接收远端蓝牙数据的过程是什么？ 如何进行蓝牙设备的搜索与配对？建立连接的过程是什么？ 课后练习 能独立开发一个蓝牙聊天程序 Android蓝牙介绍 蓝牙是一种设备短距离无线通信技术，使用蓝牙你可以搜索并连接到附近的蓝牙设备，可以在

1317

Qi标准无线充学习笔记

负载调制主要通过接收端向后散射调制计数使得功率信号改变，两者通过线圈的电压和电流的变化量来传输信号。下面是要求稳定电流的变化量不得超出8ma,判断稳定的时间至少要在150us稳定电压的变化量不得超出110mv,判断稳定的时间至少要在150us高低电流变化量至少需要15mA,判断稳定的时间至少要在100us，主线圈电流采样的时间是在半桥转换的1/4周期刻测量的高低电压变化量至少需要200mV,判断稳定的时间至少要在100us。

m0_73991989的博客 1010

从MCU到MPU：瑞萨RZN2L上手初体验，给Cortex-M工程师的Cortex-R52入门避坑指南

本文详细介绍了从MCU到MPU的过渡经验，特别是瑞萨RZN2L开发板的实战避坑指南。针对Cortex-M工程师转向Cortex-R52内核的挑战，文章深入解析了启动流程、内存管理、中断响应等九大本质差异，并提供了硬件设计陷阱和软件迁移的实用技巧，帮助开发者快速适应MPU开发环境。

weixin_29158413的博客 257

Android深入浅出系列课程--Lesson11 Android.Framework源码下载及编译

大家好，上一讲我们介绍了以后的课程的大体安排，这一讲我们将进Android.Framework源码下载及编译         课程目标：     Android Framework 源码下载及编译         重点难点：           Android不同版本源代码环境配置的不同         考核目标：         下载Android Framework源码的过程

1003

浮点数加法器设计

一.设计内容及其要求 内容 根据浮点数的运算规则和IEEE754标准，实现浮点数的加法运算器。 要求： 浮点数格式：符号位1位，阶码8位，尾数23位 要求该实验能完整的体现浮点数的运算的五个步骤：对阶、尾数求和、规格化、舍入（要求使用对偶舍入）、溢出判断。 二.基本要素 浮点数 浮点数即实数，实数是所有有理数和无理数的集合。它之所以被称作浮点数，是因为小数点在数中的位置并不是固定的。一个浮点数值分为两部分存储：数值以及小数点在数值中的位置。 计算机中的浮点运算的计算结果一般是不确定的，一块芯片的浮点运算

Phoenix_ZengHao的博客 1万+

《2012Sundy高级课程更新》Android深入浅出系列课程文章列表

既然是一个系列的教程，那么在这给大家建立一个系列文章的列表，大家查看文章也方便！！ 深入浅出 1.Android深入浅出系列课程---Lesson0 SHW110425_开场白 2.Android深入浅出系列课程---Lesson1 AAF110430_android中context介绍 3.Android深入浅出系列课程---Lesson2 AAF110426_Log打开an

740

【漏洞复现】WordPress Plugin NotificationX 存在sql注入CVE-2024-1698

技术文章仅供参考，任何个人和组织使用网络应当遵守宪法法律，遵守公共秩序，尊重社会公德，不得利用网络从事危害国家安全、荣誉和利益，未经授权请勿利用文章中的技术资料对任何计算机系统进行入侵操作。WordPress和WordPress plugin都是WordPress基金会的产品。WordPress Plugin NotificationX 存在安全漏洞，该漏洞源于对用户提供的参数转义不充分以及对现有 SQL 查询缺乏充分的准备，很容易通过“type”参数受到 SQL 注入攻击。

失心少年 1382

基于STM32设计的电能质量控制系统_353

本项目基于STM32F103RCT6微控制器设计了一套电能质量控制系统，实现了对火焰、烟雾、环境温湿度、电压、电流及功率等多项参数的实时监测与报警。系统通过MQ2烟雾传感器、火焰传感器、SHT30温湿度传感器及电力参数采集模块采集数据，采用高电平触发有源蜂鸣器进行异常报警。采集的数据通过ESP8266无线模块以AP+TCP模式上传至基于Qt开发的手机APP和电脑上位机，实现远程实时监控和历史数据管理。系统配备1.44寸LCD显示屏，实现本地数据显示。软件采用Keil5开发，采用寄存器编程方式，提高系统响应速

253

Android深入浅出系列课程---Lesson2 AAF110426_Log打开android大门

大家好，上一讲对Android中Context的介绍，这一讲将进入“玩懂Log，打开Android的大门”。 一、课程目标：         熟悉使用android log形式 学会理解系统log 通过Log分析ANR 和 Force Closed所引起的程序问题     （ANR---应用程序无响应） （Force Closed---强行关闭） 知道系统Log

737

Windows11配置WSL2支持代理上网

说起来本来这个功能我也不需要的，只是最近突然有个需求就顺便研究了下，WSL2默认的网络方式是NAT，即WSL2的网卡本身是虚拟网卡，通过以太网或WIFI的地址转换来上互联网，我试了下是不能直接走代理的，最近比较忙没具体研究，但是我用另一种方式实现了，下面介绍给需要的人。注意：这个方法只能是WIndows11系统，WIndows10系统上的WSL2缺少了一项功能导致不可用。1、方法总体没什么难度，NAT方式暂时没研究透，后续有时间再研究2、WIndows10系统不支持mirrored，暂时需要另辟蹊径。

jiexijihe945的博客 9590

Android深入浅出系列课程---Lesson3 AAF110427_进程生命周期Process Lifecycle

大家好，上一讲我们介绍了Android中Log，这一讲我们来讲下进程生命周期Process Lifecycle。 一、课程目标：         熟悉Android Process生命周期     掌握Android进程的5个等级 二、重点难点：         理解性的记忆Android的5个等级的的含义及转换关系 三、考核目标：         请说出Andro

646

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》。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

Android深入浅出系列课程---Lesson0 SHW110425_开场白

Android深入浅出的四个阶段：         1、序         2、AAF应用框架         3、LLY底层         4、SPI系统移植综合 首先：Android深入浅出之序 一、讲课特点 1. 比较Open，不封闭 2. 是动态的，不是静态的 3. 辐射状的，而非线形的 二、课程的简单介绍---课程结构（不一一列举，将在以后的课程

587

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")

Android深入浅出系列课程---Lesson4-AAF110429_介绍Manifest文件的使用

大家好，上一讲我们介绍了进程生命周期（Process Lifecycle）的介绍，这一讲我们将进入Manifest文件的使用。 一、课程目标：         Manifest文件的使用及系统解析此文件的过程 二、重点难点：         了解清楚系统解析Manifest文件的过程 三、考核目标：         Manifest这个文件系统是什么时候加载的 ， 里面定

558

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

Android深入浅出系列课程---Lesson13 LLY110529_虚拟机概述,JIT概述

大家好，上一讲我们介绍了Android.Framework源码下载及编译，这一讲我们将进入虚拟机概述,JIT概述         课程目标： 知道虚拟机的概念，JVM , JIT         重点难点：         虚拟机带来的好处         考核目标： C++ 和 Java编译上的区别   应用层代码不修改，为何有时候可以编译过，有时候编译不过 ?

558

Android深入浅出系列课程---Lesson15LLY110602_Dalvik虚拟机概述

大家好，上一讲我们介绍了Handler-不可缺少的异步，这一讲我们将进入Dalvik虚拟机概述. 课程目标： 概念性的知道Dalvik虚拟机基于JVM的改进及其对移动设备的好处： 1)dex file format 2)Zygote shared lib and heap 3)Register-based ISA 4)Trace-Granularity JIT 知道apk的结构知道

552

Android深入浅出系列课程---Lesson7 LLY110426_Android系统启动

大家好，上一讲我们介绍了Activity状态保存，这一讲我们将进入Android系统启动。 一、课程目标： 从系统角度了解Android启动过程 二、重点难点：        下载源代码并且根据源代码从底层开始跟踪整个android启动过程 三、考核目标： 你了解Android系统启动过程么？ Zygote进程是什么？ 四、课后练习： 下来源代码，

538

Android深入浅出系列课程---Lesson8 Android应用程序启动

源代码实在太大，大家到Verycd上面下载 速度也比较快，见谅。 地址：http://www.verycd.com/topics/2900036/ 大家好，上一讲我们介绍了Android系统启动，这一讲我们将进入Android应用程序启动。         课程目标：        从系统角度了解Android启动过程         重点难点：        下载源代码并且根据源代码从底

533

Android开发视频教程-深入浅出系列Lesson18-SPI110723_Mobile.Widget概述

课程目标： 知道Mobile Widget概念 ， 知道其与Webkit的关系 · 重点难点： 理解Webkit核心模块 理解Mobile Widget产生理念 Widget 需要支持的特性有哪些？ · 考核目标： 移动的JIL Widget 和Opera Widget ，这些Widget和android framework Widget一样么？ Mobile Widget 需要

528

Android深入浅出系列课程---Lesson12 AFF110525_Android多线程系统概要

大家好，上一讲我们介绍了Android.Framework源码下载及编译，这一讲我们将进入虚拟机概述,JIT概述         一、课程目标： 了解Linux的多线程概念， 了解Android的异步任务机制 ，了解Android 多线程的实现         二、重点难点：        Linux的多线程以及多任务的实现         三、考核目标： Android的多线程如何实现

511

Android深入浅出系列课程---Lesson5 AAF110502_Activity是什么

大家好，上一讲我们介绍了Manifest文件的使用，这一讲我们将进入Android四大组件---Activity是什么。 一、课程目标： Acitivy实际是如何实例化的 ？ Activity的生命周期是如何注册和监控的 ？ 二、重点难点：         Activity与Binder的关系 要理解清楚Activity就要理解清楚Context 三、考核目标：

506

具身智能 2026：启元人形机器人开发者生态的“安卓时刻”来了吗

一个贯穿全文的问题：人形机器人开发者生态，是否正从「封闭垂直」走向「开源平台化」？本文以开源底座的公开数据为标尺，盘点 SDK、URDF、仿真与技能分发的开放程度，并落回启元机器人的开源路径。所有关键数据均标注来源，文末附社区与学堂链接。

在北风吹起的时候加入我们的队伍 在秋雨到来的时候成为彼此的温暖 756

android-ad-cleaner：android免 Root 批量关闭系统开屏与营销推送

橘子，计算机视觉方向工程师，深耕 AIGC 与多媒体处理领域，专注技术实用化落地。本文为原创内容，转载请注明来源与作者。优快云 首发 | 版权所有 © 2026。

下载资源或查看教程前，请务必阅读置顶的《免责声明》 535

Android 14 SELinux策略深度解析

init 的全局公开约束（如 neverallow init execute_no_trans，放 public 才能约束所有分区的规则）这就是"哪些可见"的强制机制。alps_s0（MTK 工程）的 device/mediatek/sepolicy/basic/ 提供。所有分区（system/system_ext/product/vendor）都可引用。init的公开约束、跨分区共用的 type/attribute/neverallow。——vendor 的 .cil 只能引用 plat 的。

新时代农民工 104
上一篇： Android深入浅出系列课程---Lesson15LLY110602_Dalvik虚拟机概述
下一篇： Android深入浅出系列课程---Lesson17-在Android2.2以上实MobileWidget
点赞 0
评论 0
书签 书签 0
sundy_android
sundy_android
博客等级 码龄15年 5粉丝 22原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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