java笔记03 基础语法02 运算符

Day02Java基础语法 开发一个简单的健康计算器应用程序,他可以接受用户输入的年龄,性别,体重,身高,然后根据这些信息计算出用户的BMI(身体质量指数)值和基础代谢率(BMR),并给出对应的健康状况提示。1.表达式类型只能是byte short int char ,JDK5之后支持枚举,JDK7支持字符串,不支持double ,float,long。一个类中可以出现多个方法名相同,形参列表不同(类型不同,个数不同,顺序不同),其他无所谓。//随机生成1-100之间的数字,提醒数字猜测,猜的提示过大,过小,直到猜中游戏。 阅读详情


1.  运算符

Java运算符分为算术运算符、赋值运算符、比较运算符、逻辑运算符、位运算符、三元运算符。

 

2.  算术运算符

2.1 +(正号)、-(负号)

2.2 +、-、*、\、%、

运算与常规四则运算相同。

%:取模,表示求余数,5%2=1,6%2=0。负数对正数取模的结果是负数。

/:对于一个整形4567,4567/1000*1000=4000,而不是原数。

2.3 ++、--、

++:表示自增

-----:表示自减

注意:a=++a,会先自增在赋值。而a=a++,会先赋值,再自增。

2.4 +号还有连接字符串的功能。

“he”+”llo”=”hello”

System.out.println("5+5="+(5+5));//结果是:5+5=10

System.out.println("5+5="+5+5);//结果是:5+5=55

 

3.  赋值运算符

=、+=、-=、*=、%=

即常规运算并赋值。

注意:这些都是一次运算, s=s+1是两次运算。

 

4.  比较运算符

== 、 != 、>= 、<= 、> 、< 、instanceof

比较运算符的结果要么是true要么是false。

 

5.  逻辑运算符

&、!、|、^、&&、||

逻辑运算符用于连接布尔型表达式,规则如下:

&(与):有假则假

|(或):有真则真

^(异或):相异为真

&&(短路与):左边假,右边不判断

||(短路或):左边真,右边不判断

 

6.  位运算符

左移:<<         3<<2=3*2*2=3*4=12

右移:>>         3>>2=3/2=1

无符号右移:>>>  3>>>1=3/2=1

与运算:&        6&3=2

或运算:|        6|3=7

异或运算:       6^3=5 

反码:   ~       ~6=-7

 

6.1  负数等于取反+1,所以反码=负数-1;

6.2  正常右移是补符号位,正数右移会补0,负数右移会补1,这样会导致负数永远移不完,所以右移应该用无符号右移。

6.3  &运算可以用来获得对应的二进制位,例如&15,或者最后四位二进制位。好处在于对于负数也有效。

6.4  位运算方法:

在二进制中,1表示真,0表示假。

根据以上原则,可以将数值转换成二进制并使用逻辑运算符规则进行运算。

例如:6^3

       110

   ^011

------

    101

所以6^3的结果是5。

6.5 两次异或的结果等于本身,可以通过此方式来来进行加密。

 

练习1:对两个变量的数据进行互换。不需要第三方变量。

        int a = 3,b = 5;-->b = 3,a = 5;

        方法1:

            a = a + b; a = 8;

            b = a - b; b = 3;

            a = a - b; a = 5;

        //最好不要用,相加可能溢出

        方法2:用异或的方式

            a = a ^ b;

            b = a ^ b;//b = a ^ b ^ b = a

            a = a ^ b;//a = a ^ b ^ a = b;

练习2:高效的算出 2*8 = 2<<3;

 

7.  三元运算符

7.1 格式:条件表达式?表达式1:表达式2

根据条件表达式进行判断,true则执行表达式1,false则执行表达式2。

例如:

     int  a=3,b=5;

     int max=a>b?a:b;

     System.out.println(max);//输出5

基于逆向工程的中国裁判文书网爬虫技术深度解析:从反爬破解到合规抓取 最近承接了一个法律大数据分析的项目,需要获取某类合同纠纷的裁判文书数据,用于分析不同地区的判决规律、法官的裁判倾向以及法条适用情况。原本以为用常规的Python爬虫就能搞定,结果刚对着中国裁判文书网发了几个请求,就遭遇了“滑铁卢”:要么请求直接返回403 Forbidden,要么触发滑块验证码,甚至连IP都被临时封禁了。普通的requests+BeautifulSoup组合在裁判文书网面前完全失效,这也让我意识到,想要获取这里的数据,必须先通过逆向工程拆解网站的请求逻辑和反爬机制。经过一周的摸索,从抓包分析 阅读详情

相关推荐

避开PSRR仿真三大坑:用Cadence psspxf分析分频器时,这些设置错了白忙活

本文深入探讨了使用Cadence psspxf工具进行分频器PSRR仿真时常见的三大技术陷阱,包括扰动信号参数设置、收敛性优化和后处理信号提取。通过详细的参数推荐和实战技巧,帮助工程师避免仿真误差,提升PSRR分析效率与准确性,特别适用于16分频器等数字-模拟混合电路设计。

weixin_29258297的博客 301

面试题之java基础

1.标识符-----什么是标识符 标识符就是程序中给变量、类、方法命名的符号。 规则; 1.标识符可以是字母数字下划线和美元符组成,但不能是以数字开头 2.标识符不可以是java的关键字和保留字,但可以包含关键字和保留字 3.标识符不能包含空格 4.标识符只能包含美元符不能包括#@等 这里提一下关键字: 具备特殊用途的单词被称作关键字 eg: new 、 class 、 public 、 priv...

初步成长的程序员 270

认知网络分析实战:用Python复现课堂对话研究(含LSA代码)

本文通过Python实战,详细演示了如何运用认知网络分析(ENA)和滞后序列分析(LSA)两种方法,对课堂对话数据进行深度挖掘。文章提供了从数据清洗、行为编码到网络构建、序列统计及可视化的完整代码流程,帮助教育研究者和数据分析师量化分析对话中的认知结构与动态互动模式,从而获得超越文本表面的研究洞见。

weixin_28559803的博客 155

Java基础

1、final final修饰类,不能被子类继承 String,Math; final修饰的变量(成员和局部)表示常量,不能被二次赋值 final修饰的成员变量,无论加不加static,都需要设置默认值 2、成员变量可以不加默认值,局部变量必须加默认值 3、成员变量、类变量、局部变量的区别 定义的位置 默认值 作用区域 重名 生命周期 在内存中的...

我3的博客 391

硬件知识点-----SPI串联电阻、振铃、过冲

电阻取值,没有公式,一被传输线的特征阻抗为50欧姆左右,而TTL电路输出电阻大桃为13欧姆左右,在源端串一个33姆,大致和50相当,这样就可以柳制从终端反射回来的倍号,防止再次反射。传输时间tp=L/V,其中L是导线长度,V是电磁波在电路板中的传输速度V=C/sqrDk,其中Dk是光速衰减因子,对于电路板而言是铜线,Dk=4电磁波在电路板中的速度都是慢于光速的。实际上串联多大的电阻与传输线的阻抗有关,为了保证阻抗的连续性,如果传输线的特性阻抗 Z0与驱动源的输出阻抗 Zd不匹配,会引发信号的反射。

贾saisai的博客 2719

半导体物理基础:载流子输运理论_(4).载流子浓度与费米能级

费米能级(Fermi Level)是描述半导体中电子和空穴能量分布的基准能级。在绝对零度下,费米能级以下的所有能级都被电子占据,费米能级以上的所有能级都是空的。随着温度的升高,电子会获得足够的能量跃迁到费米能级以上的能级,形成导带中的自由电子和价带中的空穴。费米能级在半导体中的位置取决于掺杂浓度和温度。对于本征半导体,费米能级位于禁带的中心;对于掺杂半导体,费米能级会偏移,具体位置取决于掺杂类型和浓度。载流子浓度(Carrier Concentration)是指半导体中自由电子和空穴的数量密度。

2401_87715305的博客 832

算术操作符:+、-、*、/、%(c语言)

操作符也被叫做:运算符C语⾔中为了⽅便运算,提供了⼀系列操作符,其中有⼀组操作符叫:算术操作符。分别是:+ - *\ %,都是双⽬操作符。1、+和和⽤来完成加法和减法。和都是有2个操作数的,位于操作符两端的就是它们的操作数,这种操作符也叫双⽬操作符。

qsk20030208的博客 3422

微搭低代码实现用户登录及注册功能

在小程序开发中,我们可以拿到微信用户的openid,openid可以作为用户的唯一标识,在查询数据的时候可以进行数据过滤实现查询自己提交的数据。那微搭中是否也有openid这个概念,可以获取用户自己提交的数据呢? 答案是肯定的,那要怎么去做呢?思路是先创建一个数据源方法,在数据源中返回openid,然后低代码中可以调用数据源的方法并且赋值给全局变量,这样在后续的业务中从全局变量就可以获取openid了,方便做数据权限的控制。 为了实现这个目的,我们从创建数据源开始。 创建数据源 我们先创建一个用户管理的数据

低代码布道师的博客 3000

C语言表达式 ——学习笔记

表达式 在学习c的过程中,会遇到很多的运算符号,一些常见的运算符:+ (加)、 - (减) 、 * (乘) 、 / (除)% (求余数) ,它们的优先级和数学上的四则运算大同小异。  其优先级为:*、/ 和%同级,但比+和-高。即先乘除后加减。 %(求余数):通过%来求余数,其所得余数的符号是与%左边的数的符号是一致的。例如:a=5%(-4),其结果a=1;a=(-5)%4,其结果

qq1445321389的博客 343

FPGA和USB3.0通信-USB3.0 PHY介绍

可以和FPGA搭配使用的USB3.0 PHY芯片通过之前的介绍<FPGA和USB3.0通信-USB3.0协议介绍USB3.0 PHY简介首先我们需要了解PHY具体完成哪些工作以及我利...

OpenFPGA的博客 4941

【100分】最长子字符串的长度

题目要求在一个环形字符串中找出字符 ‘o’ 出现了偶数次的最长子字符串长度。这里的字符串是一个环形的,即首尾相连。代码统计了字符串中字符 ‘o’ 的出现次数,并根据其奇偶性返回相应的最长子字符串长度。当 ‘o’ 的数量为偶数时,直接返回字符串长度;当 ‘o’ 的数量为奇数时,返回长度减去 1。给你一个字符串 s,字符串s首尾相连成一个环形 ,请你在环中找出 ‘o’ 字符出现了偶数次最长子字符串的长度。【最长子字符串的长度】

weixin_54707168的博客 898

String 相关--常见面试题分析

在java中内存被分为三块分别为1.栈(主要存放引用)2堆(主要存放对象并存在一个String pool)3代码区。下面进行分析:         1.  String s=new String("hello");         2. String s1="hello";         3. String s2=new String("hello");       问:每行创建几个对象

myoral的专栏 508

[企业AI落地] RAG 知识库系统在多租户环境下的细粒度权限隔离设计

多租户 RAG 系统真正的风险不只是搜不到,而是把不该看到的内容查出来、说出来、写回去。本文结合多客户售后知识助手场景,用元数据结构、向量检索过滤、回答策略和审计回写示例拆解租户、资源、检索、生成、审计五层权限边界。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 220

Java基础语法

1. Java概述 1.1 Java语言发展史 语言:人与人交流沟通的表达方式 计算机语言:人与计算机之间进行信息交流沟通的一种特殊语言 Java语言是美国Sun公司(Stanford University Network)在1995年推出的计算机语言 Java之父:詹姆斯·高斯林(James Gosling) 2009年,Sun公司被甲骨文公司收购,所以我们现在访问oracle官网即可:https://www.oracle.com 当前,我们课程使用的JDK版本:11.0 1.2 Java语言跨平台原理

terence的博客 10万+

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

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学习笔记 03 | 基础语法总结

Java基础语法,包含类定义、包、注释、文档注释、关键字、变量、常量、运算符、分支循环语句、字符串、数组、集合、IO、Object、反射、注解等知识及示例代码

易水卷长空的博客 1677

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")

【黑马程序员JAVA笔记+完整代码】DAY02 基础语法

黑马Java网课笔记

CherryTaylor的博客 1044

Java02基础语法

Java基础语法以及运算符

summer_9823的博客 1072

【 java基础语法及运算符】

变量的定义格式:数据类型 变量名 = 数据值;数据类型:为空间中存储的数据加入类型限制。整数?小数?变量名:自己要为空间起的名字,没有难度数据值: 空间中要存储的数值,没有难度变量:在程序运行过程中,其值可以发生改变的量。从本质上讲,变量是内存中的一小块区域,其值可以在一定范围内变化。变量的定义格式:数据类型 变量名 = 初始化值;// 声明变量并赋值或者(扩展)// 先声明,后赋值(使用前赋值即可)数据类型 变量名;变量名 = 初始化值;还可以(扩展)

m0_64509283的博客 1653

Java自学笔记——基础语法(四)运算符

目录Java语言支持如下运算符:一、运算符优先级排列二、运算符的种类1)算数运算符2)关系运算符3)逻辑运算符4)位运算符5)条件运算符6)扩展运算符 Java语言支持如下运算符: 算术运算符:+, -, * ,/,%,++,– 赋值运算符 = 关系运算符: >,<, >=, <= , ==, != instanceof 逻辑运算符: &&,‖,! 位运算符: &,|,^,~,>>,<<,>>>(了解

Blue 2693

java基础语法框架及运算符

Java基础语法是编程的基石,而运算符是处理数据和逻辑的核心工具。直接操作二进制位(较少用,了解即可)。用于数值计算,返回数值结果。了解上述之后,可以点击。将右侧值赋给左侧变量。连接布尔表达式,返回。

2501_91241024的博客 888

笔记02-Java基础语法

1. 运算符 1.1 算术运算符(理解) 1.1.1 运算符和表达式 运算符:对常量或者变量进行操作的符号 表达式:用运算符把常量或者变量连接起来符合java语法的式子就可以称为表达式。 ​ 不同运算符连接的表达式体现的是不同类型的表达式。 举例说明: int a = 10; int b = 20; int c = a + b; +:是运算符,并且是算术运算符。 a + b:是表达式,由于+是算术运算符,所以这个表达式叫算术表达式。 1.1.2 算术运算符 符

terence的博客 4万+

JavaSE笔记02 Java基础语法+运算符(上)

JavaSE02 Java基础语法 文章目录JavaSE02 Java基础语法一.常量:二.Java语言基础:进制二.变量:三.数据类型:四.算数运算符:五.赋值运算符:六.关系运算符: 一.常量: 指的是在程序的执行过程中其值不发生改变的量 分类:字面值常量和自定义常量 字面值常量的分类: 常量类型 适用范围 举例 字符串常量 双引号内 二.Java语言基础:进制 二.变量: 三.数据类型: 四.算数运算符: 五.赋值运算符: 六.关系运算符: ...

RainOnTheMoon的博客 689

Java笔记_02(Java基础语法,运算符)

不同运算符连接的表达式体现的是不同类型的表达式。IDEA全称Intellij IDEA,是用于Java语言开发的集成环境,它是业界公认的目前用于Java程序开发最好的工具。当“+”操作中出现字符串时,这个“+”是字符串连接符,而不是算术运算符了。会将前后的数据进行拼接,并产生一个新的字符串。当字符+字符(字符+数字)时,会把字符通过ASCII码表查询到对应的数字再进行计算。在程序的执行过程中,其值有可能发生改变的量(数据)在计算机中,任意数据都是以二进制的形式来存储的。给类,方法,变量等起的名字。

2301_76845538的博客 141

【Java】概述、基础语法与运算符

Java编程语言的概述、基本语法和运算符的总结

gravity_w的博客 1241

[Java学习笔记]03-Java基础语法

给变量,方法,类,包命名的字符序列。

2301_76671476的博客 980

Java学习笔记02:Java基础语法详解

注释是写在代码中的说明文字,主要用于解释代码的作用。注释不会被程序执行,也不会影响程序运行结果。合理使用注释可以提高代码可读性,方便自己和他人理解代码。变量可以理解为程序运行过程中用于存储数据的空间。int:变量类型age:变量名20:变量值常量是指程序运行过程中值不能改变的数据。Java 中使用final关键字定义常量。final 数据类型 常量名 = 常量值;3.1415926姓名年龄性别身高是否为学生String name = "李四";

weixin_62599744的博客 229

从零开始学Java Day02 Java基础语法

时声明的,用于接收数据的。

Babe_e的博客 1757
上一篇: Java笔记02 基础语法1
下一篇: java笔记04 语句与流程控制
thoris
博客等级 码龄12年 10粉丝 55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