winuia-auto 控制禁止控件控制的软件

41|DeepSeek Harness 侧栏拿到的是绝对路径,为什么目录接口返回相对路径? 为什么 Harness 侧栏文件行是绝对路径,目录接口返回的却是相对路径?用真实客户端组件和本地目录方法复现,覆盖混合斜杠、中文、空格和百分号。 阅读详情

通过文本识别控制紫鸟浏览器客户端打开店铺

import time
import winuia as auto
import win32gui



def find_windows_by_class_and_title(class_name=None, title_keyword=None):
    # 根据窗口类名和标题查找窗口句柄
    hwnd_list = []
    def enum_window_callback(hwnd, _):
        current_class = win32gui.GetClassName(hwnd)
        title = win32gui.GetWindowText(hwnd)
        # print(f"窗口类名:{current_class}, 标题:{title}")
        if class_name:
            if current_class == class_name and title_keyword in title:
                hwnd_list.append(hwnd)
        else:
            if title_keyword in title:
                hwnd_list.append(hwnd)
        return True
    win32gui.EnumWindows(enum_window_callback, 0)
    return hwnd_list

def setup_1():
    doc_windows = find_windows_by_class_and_title("Chrome_WidgetWin_1", "紫鸟浏览器专业版")
    window1 = auto.ControlFromHandle(doc_windows[0])
    if window1.Exists():
        print(f"成功获取窗口控制对象: {window1.Name}")
        return window1
    else:
        return None



def start_shop(shop_name='新途创享-北美'):
    # 紫鸟客户端打开店铺
    # 获取窗口对象
    # window = auto.WindowControl(Name='紫鸟浏览器专业版')
    window = setup_1()
    print(window)
    time.sleep(2)
    # 从最小化恢复窗口
    window.Restore()
    # 激活窗口焦点
    window.SetFocus()
    # 点击账号管理
    print('点击账号管理')
    window.ClickTextByOCR('账号管理',minScore=0.8,safeClick=False)
    time.sleep(2)
    # maths = window.OCRClickText('请输入关键词',minScore=0.8,safeClick=False)
    # maths = window.ClickTextByOCR('请输入关键词',minScore=0.8,safeClick=False)

    matche0 = window.OCRTextPositions('已启动',minScore=0.8)
    # matche0 = window.OCRTextPositions('请输入关键词',minScore=0.8)
    print(matche0)

    # 识别某个区域的文本
    box = matche0[0]['screen_box']
    # 高亮指定区域
    auto.HighlightRect(auto.Rect(box[0], box[1], box[2], box[3]))

    # 输入店铺名
    auto.MoveTo(matche0[0]['screen_center'][0]+405, matche0[0]['screen_center'][1])
    window.Click(matche0[0]['screen_center'][0]+360, matche0[0]['screen_center'][1])
    for i in range(15):
        window.Press_Hotkey('backspace')
    window.SendKeys(shop_name)
    window.SendKeys('{Enter}')
    time.sleep(2)

    # 识别启动的位置
    pos_starts = window.OCRTextPositions('启动',minScore=0.8)
    matche0_center = matche0[0]['screen_center']
    for pos in pos_starts:  # 启动按钮在已启动的右下方
        if matche0_center[0] < pos['screen_center'][0] and matche0_center[1] < pos['screen_center'][1]:
            window.Click(pos['screen_center'][0], pos['screen_center'][1])
            time.sleep(5)
            break
    # 窗口最小化
    window.Minimize()

    

验证文本识别区域是否准确

1. 识别某个区域的文本

screen_box 表示当前文本相对于坐标原点的坐标,matche0[0]['box'] 表示当前文本在当前软件窗口上的坐标

screen_center 表示当前文本相对于坐标原点的中心坐标

box = matche0[0]['screen_box']
# box = [901, 206, 945, 221]
matches1 = window.OCRTextPositions(x=box[0], y=box[1], width=300, height=30)
matches2 = window.OCRTextPositions(x=box[0], y=box[1], width=(box[2]-box[0])+300, height=(box[3]-box[1])+20)
print("matches1:", matches1)
print("matches1:", matches1)

2. 高亮指定区域

auto.HighlightRect(auto.Rect(box[0], box[1], box[2]+300, box[3]+20))

java集合如何按对象的属性去重 或 利用ConcurrentHashMap.newKeySet()去重,并且保留第一个对象 备注:利用闭包去重(闭包 = 匿名函数 + 捕获的外部变量)2、方式二【推荐此方式,可以了解到更深的东西】准备的数据中订单号 "S-1" 是重复的。 阅读详情

相关推荐

从CAD到Web:高效转换STEP/IGES模型为GLB格式的实践指南

本文详细介绍了如何将工业设计中的STEP/IGES模型高效转换为Web友好的GLB格式。通过PythonOCC和gltf-pipeline等工具链,实现从CAD到Web的无缝转换,大幅提升模型加载速度和展示效果。文章包含实战案例、优化技巧和常见问题解决方案,帮助开发者快速掌握3D模型转换技术。

weixin_29072299的博客 512

鸿蒙 命令行工具:hdc(二)

本文介绍HDC(Huawei Device Connector)工具的使用方法,重点涵盖USB与TCP连接调试流程。需开启USB调试,通过USB线连接设备,使用hdclisttargets查询设备,支持hdc -t指定目标设备执行shell命令。TCP连接需在同一WiFi下启用无线调试,注意最多支持16个连接。远程连接使用s参数指定服务器地址。常见问题排查包括检查调试开关、数据线、接口、环境变量及驱动,建议优先使用USB连接以确保稳定。

梦想不只是梦与想的博客 378

Fiddler everywhere的一些基础操作

网上能搜到的Fiddler everywhere使用教程太少,于是我整理了一些自己实操成功的内容,包括Fiddler everywhere的Mock测试、弱网测试等基础操作,后续还会持续更新。操作系统:macOS使用工具:Fiddler everywhere 5.10.0本文简单介绍了使用Fiddler everywhere进行的Mock测试和弱网测试,而Fiddler everywhere提供了更多的其他实用的功能,我会在后期进行一个持续的学习和更新。

weixin_44346646的博客 2483

权限判断的三段式设计:模块:功能:操作

本文基于若依3.9.2与SpringBoot3,介绍其权限控制的“模块:功能:操作”三段式设计。通过权限字符串(如system:user:edit)实现细粒度控制,支持通配符*批量授权。登录时加载用户权限集合,管理员默认拥有全部权限(*:*:*)。角色权限变更后,通过refreshPermissionByRoleId实时刷新在线用户缓存,无需重新登录;菜单权限修改则依赖getInfo接口触发同步。权限判断由SecurityUtils.hasPermi完成,基于缓存的权限集合进行匹配,确保高效、实时的权限验证

多低调的博客 238

STM32 ADC精准采集12V电池电压:从分压电路到软件校准全解析

本文详细解析了STM32 ADC精准采集12V电池电压的全过程,涵盖分压电路设计、电阻选型、ADC配置优化及软件校准方法。针对电池电压监测中的噪声、温漂等挑战,提供了硬件滤波与软件过采样等实战技巧,确保测量精度达到1%以内,满足嵌入式设备对电源管理的严苛要求。

tech5的博客 1018

飞牛fnNAS存储模式RAID 5数据恢复

中介绍了fnNAS存储空间的几个模式,细心的网友应该能感受到,我是非常推崇RAID 5的。但我认为,一般人出现1块硬盘损坏后,就能够赶紧采取处理措施了,再高的容灾等级也无法满足这个用户的需求了。》就完成了飞牛NAS存储空间的说明,包括了如何创建、怎么选择空间模式、RAID 5 硬盘故障后的更换、系统更换/重装后数据盘的恢复等等。在VMware中新建虚拟机,安装好fnNAS后,再向虚拟机添加“已有硬盘”(这就是所谓崩溃虚拟机的数据盘),此时新的fnNAS出现提示。在“选择要添加的硬盘”中,选择刚添加硬盘。

dgnankai的专栏 3012

Dart 之可迭代对象与生成器

从逐项读取理解 Iterable,讲清惰性计算、where/map/take 链式处理、sync* 与 yield,以及同步生成器和 Stream 的区别,配合图解、代码和测试题掌握使用方法。

2601_96393911的博客 295

Pydoll浏览器自动化框架教程

让浏览器自动化回归本质。不再纠缠驱动兼容、不再手动处理验证码、不再因为请求和 UI 分裂而头疼。如果你经常做 Web 自动化、爬虫或者测试,不妨试试 Pydoll。也别忘了给项目点个 ⭐,让作者知道有人喜欢这个工具。👉GitHub 地址。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 210

【RHCA+】numactl命令(管理numa)

root@wuzuniao ~]# numactl -H #查看服务器上的numa数量及每个node内的cpu和内存数。[root@wuzuniao ~]# yum -y install numactl #安装工具。[root@wuzuniao ~]# numactl #输入错误就会弹出命令帮助。限制程序只使用node本地内存,不能使用其他node内存;[root@wuzuniao ~]# numactl -s #查看策略。查看、管理numa;语法格式:numactl [参数]使用哪个node的cpu。

369

1.2 博图TIA的轨迹(Trace)功能介绍

在TIA中“轨迹” ( Traces ) 能来记录设备变量并对记录进行评估,对有些故障排查很有帮助,本文进行介绍

qq_34047402的博客 1654

合肥工业大学嵌入式系统原理实验报告

GPKDAT 的6、7引脚设置低电平,设置GPKDAT = 0x30则34灯亮12灯灭,GPKDAT 的4、5、6、7引脚全为高电平,设置GPKDAT = 0xf0,则led灯全灭。注意在烧写时要连接主机后面的USB接口,烧写完成后,要关闭开发板电源,将S2拨动开关置于NAND位置,然后重新开启开发板电源, 则开发板运行刚刚烧入的裸机程序。实验修改要求:在延时不变的条件下,将原程序中四个LED全亮,然后全灭的显示状态,修改为“四个全亮,然后1和2亮(3和4灭),然后3和4亮(1和2灭),最后全灭”。

Martin-share的博客 3101

gstreamerd的bin插件基本介绍

本文简要介绍GStreamer中bin插件的实现流程,重点分析其核心结构GstBin及关键函数。bin作为元素容器,通过gst_bin_add_many将子元素添加至列表,并设置父关系、总线、时钟等属性。状态管理由gst_bin_change_state_func负责,遍历子元素按序变更状态,支持异步处理与状态同步。bin在无父级时为顶层容器,其状态变化会传递至所有子元素,实现统一控制。

ZZXTIANMING的博客 193

matlab数学建模练习(2)练习电子科技大学数学实验

【代码】matlab数学建模练习(2)练习电子科技大学数学实验。

c_wrj_的博客 1438

线性表入门:从基本概念到顺序表实现

本文系统介绍线性表的基本概念及其顺序表实现。线性表是相同类型数据元素的有限序列,具有明确的逻辑结构。重点讲解顺序表的两种实现方式:静态顺序表(固定数组)和动态顺序表(动态内存)。通过定义结构体与接口函数,实现初始化、插入、删除、查找等操作,并强调动态顺序表需手动管理内存,避免泄漏。文章结合图示与代码,清晰展示顺序表的存储结构与核心算法,为后续数据结构学习奠定基础。

ACH_YYX的博客 197

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

C++ initializer_list 详解

本文详解C++11引入的std::initializer_list,涵盖其底层机制、基本用法及常见陷阱。它作为统一初始化的核心,提供轻量级只读视图,支持函数参数、构造函数初始化,但需注意底层数组生命周期与对象绑定,避免返回或保存临时initializer_list。重载决议中initializer_list优先级高,易引发意外行为,应谨慎使用。

本博客分享软硬件一体化开发实战。硬件涵盖 PCB 设计、STM32 等 MCU 底层开发;软件包含 C++、Rust,Qt/QML、PyQt、Slint、TouchGFX、LVGL 各类 GUI 框架。方便软硬件开发者查阅学习。欢迎关注! 289

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")

JavaScript编程篇之异步请求:切换到待办,为什么又显示了全部任务

用可运行的任务筛选页面观察fetch的两次等待、HTTP错误、取消和迟到响应,并用请求编号保护列表与加载提示。

code2cat的博客 448

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

jquick-transform-function 的“一函数注册、多引擎消费“能力

Manager.invoke 是整个 JQuick 生态的"函数分发总线"。它用一个 HashMap 当路由器,用一个 interface 当统一契约,把下游引擎和函数实现解耦。引擎只负责"把用户写的表达式拆成方法名和参数",函数只负责"拿到参数返回结果"。业务规则改一处,全平台生效——这就是这套架构的核心价值。

PaoHaiJiao的博客 324

【camera 008】android camera id 注册、状态监控等状态变化 全流程梳理

应用层通过CameraManager获取可用Camera ID列表,并注册AvailabilityCallback监控相机状态变化。当相机可用性变更(如被占用或释放)时,回调会及时通知。打开相机时需提供StateCallback,用于接收设备启动、关闭或错误等状态事件,其中ERROR_CAMERA_IN_USE表示相机正被高优先级客户端占用。开发者需适时注销回调以避免资源泄漏。

universe_search的博客 41

工业智能体:从Codex/Claude到项目实战~系列文章21:高炉智能配料:铁矿石/焦炭配比的智能体方案

本文聚焦高炉智能配料,提出基于线性规划的最低成本配比优化方案,核心约束包括碱度、品位、渣量与供应能力。通过动态滚动优化应对矿价与库存波动,实现“数据实时+约束更新”的闭环决策。强调配料结果需经实验室验证,倡导“小步试炼、渐进调整”的安全边界。智能体仅提供建议,落地仍需工艺把关,兼顾成本与炉况稳定。来自华北理工大学段一凡的博客文章

段一凡的博客 384

SA-G-12 暂停恢复与升级

恢复失败主因非状态丢失,而在一致性检查缺失。即使快照完整、无错误日志,若恢复时外部环境已变(如事件窗口滑出、凭证过期),系统仍可能基于过时假设得出错误结论。关键在暂停点必须设于可重入边界,并冻结轮次等状态;恢复前需显式执行四类检查:环境快照比对、资源有效性、权限与时间窗口、幂等键一致性。建议优先补全一致性检查,避免软失败导致误判。

u010902120的博客 517

C++11_list类复习

C++ list 采用带头结点的双向循环链表实现,迭代器仅支持双向遍历(++、--),不支持随机访问(如 +n、<)。因链表节点分散存储,无法通过指针算术快速定位,故 std::sort 等算法要求随机访问迭代器,无法作用于 list。list 自带 sort() 成员函数,利用其双向迭代器特性高效排序。虽插入删除为 O(1),但查找位置需 O(n),且缓存不友好,实战中常不如 vector。推荐默认使用 vector,仅在频繁插入删除且已知位置时选用 list。

lemo_n_的博客 445

九、list

类模板,我们可以根据所需要的数据类型实例化出类,如list<int>。list文档介绍函数名称功能说明list()无参构造构造并初始化n个val拷贝构造函数使用迭代器进行初始化构造使用列表进行初始化。

Chen_harmony的博客 217

Java 泛型带来的那些不易察觉的类型偏差

Java 编译器会根据入参自动推断泛型类型,大部分场景下推断结果符合预期,但在多个入参类型不一致、链式调用、返回值赋值给不同变量时,编译器会选择一个公共父类型,导致类型推断跑偏。很多开发日常写 List、Map、工具类的时候随手就用,但很少去深究泛型擦除带来的底层变化,等到线上抛出类型转换异常,或者集合里混入不符合预期的数据,才发现问题根源藏在泛型的边界里。这种写法编译会有警告,运行时数组真实类型永远是 Object [],后续如果把数组交给其他代码,尝试读取强转,随时可能抛出类型异常。

acd12009的博客 654

Java 集合基础:Collection、Iterator、List 及五种遍历方式

Java 集合用于存储和管理多个对象,相比数组,集合可以动态调整大小,并且提供了增删改查方法。 Java 常见的集合主要分为两大类: Collection:单列集合,每个元素独立存储。 Map:双列集合,存储键值对(Key-Value)。 Collection 的常见继承关系:

求上得中,求中得下 415

Argument list too long:参数撞上的那堵墙

通配符是个很好用的语法糖,但它不是免费的:展开发生在命令执行之前,所有文件名都要在内核那里过一次安检。文件名里可能包含空格、换行甚至引号,用默认的换行分隔会把一个文件拆成好几个参数,反而制造新的麻烦。分隔的,管道出来变成了换行,统计口径不完全一致,但它足够帮你发现“环境是不是异常膨胀了”。里 128 KB 的缓冲区,就是它给自己留的安全余量——它宁可多跑几趟,也不愿意踩到。)的四分之一来算这个上限,同时设了一个下限,算出来的结果通常就是 2 MB 左右。目录里的日志文件不算大,几百兆而已,磁盘也还有空间。

IMPYLH的博客 181

泛型类、泛型接口

泛型(Generic)是 Java 5 引入的特性,核心是在类、接口、方法上定义类型参数,将具体数据类型的确定时机推迟到类 / 接口被使用的时候,实现 “一套代码适配多种类型”。修饰符 class 类名<T> {// 类内部可直接使用 T 代表未知类型修饰符 interface 接口名<T> {

Sarvartha的博客 212
上一篇: monkey自定义ads屏蔽
FOAF-lambda
博客等级 码龄9年 761粉丝 109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
⌂ 换网址