【设计模式漫谈】工厂模式:对象创建的“魔法厨房“

结构化输出的工业级方案:JSON Schema 约束与失败重试修复 Spring AI 生成的 JSON Schema 为什么把可空字段塞进 required?实测 strict 模式的四条硬规矩、反序列化前的契约校验,以及只回喂违规清单的修复环,附可运行工程。 阅读详情

告别new的蛮荒时代,走进对象制造的"精致车间"

大家好!欢迎来到设计模式系列的第三篇!🎉 今天我们要聊的是排行榜第二,堪称"最实用"的模式——工厂模式 (Factory Pattern)。它是我们告别硬编码new关键字,走向灵活对象创建的第一步!

一、为什么需要工厂模式?🤔

先来看一个常见的场景:

// 传统方式 - 硬编码
if (paymentType.equals("alipay")) {
    payment = new Alipay();
} else if (paymentType.equals("wechat")) {
    payment = new WechatPay();
} else if (paymentType.equals("union")) {
    payment = new UnionPay();
}
// 每增加一种支付方式,就要修改这里的代码

😫 痛点分析:

  • 违反开闭原则:新增支付类型需要修改原有代码

  • 耦合度高:客户端需要知道所有具体实现类

  • 难以维护:if-else泛滥,代码臃肿

二、工厂模式的三兄弟 👨‍👦‍👦

工厂模式其实是一个"家族",包含三种不同的形态: 

2.1 简单工厂模式 (Simple Factory) 🏭

核心思想:把对象的创建封装在一个工厂类中

// 产品接口
public interface Payment {
    void pay();
}

// 具体产品
public class Alipay implements Payment {
    @Override
    public void pay() {
        System.out.println("支付宝支付");
    }
}

public class WechatPay implements Payment {
    @Override
    public void pay() {
        System.out.println("微信支付");
    }
}

// 简单工厂
public class PaymentFactory {
    public static Payment createPayment(String type) {
        if ("alipay".equalsIgnoreCase(type)) {
            return new Alipay();
        } else if ("wechat".equalsIgnoreCase(type)) {
            return new WechatPay();
        }
        throw new IllegalArgumentException("不支持的支付类型");
    }
}

// 使用
public class Client {
    public static void main(String[] args) {
        Payment payment = PaymentFactory.createPayment("alipay");
        payment.pay(); // 输出:支付宝支付
    }
}

✅ 优点:客户端与具体实现解耦 ❌ 缺点:仍然违反开闭原则(修改工厂类)

2.2 工厂方法模式 (Factory Method) 🎯

核心思想:定义一个创建对象的接口,让子类决定实例化哪一个类

// 产品接口
public interface Logger {
    void log(String message);
}

// 具体产品
public class FileLogger implements Logger {
    @Override
    public void log(String message) {
        System.out.println("文件日志: " + message);
    }
}

public class DatabaseLogger implements Logger {
    @Override
    public void log(String message) {
        System.out.println("数据库日志: " + message);
    }
}

// 工厂接口
public interface LoggerFactory {
    Logger createLogger();
}

// 具体工厂
public class FileLoggerFactory implements LoggerFactory {
    @Override
    public Logger createLogger() {
        return new FileLogger();
    }
}

public class DatabaseLoggerFactory implements LoggerFactory {
    @Override
    public Logger createLogger() {
        return new DatabaseLogger();
    }
}

// 使用
public class Client {
    public static void main(String[] args) {
        LoggerFactory factory = new FileLoggerFactory();
        Logger logger = factory.createLogger();
        logger.log("这是一个测试日志");
    }
}

✨ 模式结构: 

✅ 优点:完全符合开闭原则,扩展性强 ❌ 缺点:类的数量增多,系统更复杂

2.3 抽象工厂模式 (Abstract Factory) 🏗️

核心思想:创建相关或依赖对象的家族,而不需要明确指定具体类

// 抽象产品族
public interface Button {
    void render();
}

public interface TextField {
    void input();
}

// 具体产品族 - Light主题
public class LightButton implements Button {
    @Override
    public void render() {
        System.out.println("渲染浅色主题按钮");
    }
}

public class LightTextField implements TextField {
    @Override
    public void input() {
        System.out.println("浅色主题文本输入框");
    }
}

// 具体产品族 - Dark主题
public class DarkButton implements Button {
    @Override
    public void render() {
        System.out.println("渲染深色主题按钮");
    }
}

public class DarkTextField implements TextField {
    @Override
    public void input() {
        System.out.println("深色主题文本输入框");
    }
}

// 抽象工厂
public interface GUIFactory {
    Button createButton();
    TextField createTextField();
}

// 具体工厂
public class LightThemeFactory implements GUIFactory {
    @Override
    public Button createButton() {
        return new LightButton();
    }
    
    @Override
    public TextField createTextField() {
        return new LightTextField();
    }
}

public class DarkThemeFactory implements GUIFactory {
    @Override
    public Button createButton() {
        return new DarkButton();
    }
    
    @Override
    public TextField createTextField() {
        return new DarkTextField();
    }
}

// 使用
public class Application {
    private Button button;
    private TextField textField;
    
    public Application(GUIFactory factory) {
        button = factory.createButton();
        textField = factory.createTextField();
    }
    
    public void render() {
        button.render();
        textField.input();
    }
}

三、三种工厂模式对比 📊

模式适用场景优点缺点
简单工厂创建逻辑简单,产品类型少实现简单,客户端无需知道具体类违反开闭原则
工厂方法产品类型多,需要灵活扩展符合开闭原则,扩展性强类的数量增多
抽象工厂创建相关产品家族保证产品族的兼容性难以支持新种类的产品

四、Spring中的工厂模式实践 🌱

在Spring框架中,工厂模式无处不在:

// 1. BeanFactory - 工厂方法的典型应用
BeanFactory factory = new ClassPathXmlApplicationContext("applicationContext.xml");
Object bean = factory.getBean("beanName");

// 2. @Bean注解 - 配置类中的工厂方法
@Configuration
public class AppConfig {
    @Bean
    public DataSource dataSource() {
        return new HikariDataSource();
    }
}

// 3. FactoryBean接口 - 特殊对象的工厂
@Component
public class MyFactoryBean implements FactoryBean<MyObject> {
    @Override
    public MyObject getObject() throws Exception {
        return new MyObject();
    }
    
    @Override
    public Class<?> getObjectType() {
        return MyObject.class;
    }
}

五、如何选择工厂模式?🤷

六、总结 🎯

工厂模式的核心价值:

  • ✨ 解耦:将对象创建与使用分离

  • ✨ 扩展:易于增加新产品

  • ✨ 封装:隐藏创建逻辑的复杂性

适用场景:

  • 🎨 需要创建多种类型的对象

  • 🔧 创建过程比较复杂

  • 🌐 需要根据不同配置创建不同对象

记住: 不要为了用模式而用模式!如果你的对象创建逻辑很简单,直接new也是不错的选择。


下期预告:好了,工厂模式我们已经彻底掌握了!下一期,我们将深入探讨排名第三的策略模式,看看它如何优雅地处理算法的灵活切换。别忘了关注哦!👍

思考题:你在项目中用过工厂模式吗?是用来解决什么问题的?欢迎在评论区分享你的实战经验!💬

工业音频故障检测:从CNN到Transformer的技术演进 音频信号处理是工业设备预测性维护的核心技术之一,通过分析设备运行时产生的声波特征实现故障预警。传统方法依赖梅尔频率倒谱系数(MFCC)等手工特征,而深度学习技术尤其是Transformer架构,通过自注意力机制突破了CNN在跨频段特征提取上的局限。Audio Spectrogram Transformer(AST)等先进模型在工业场景中展现出91.2%的高召回率,显著优于传统方案。这种非接触式监测技术结合边缘计算优化,已成功应用于石油化工、电力能源等领域,实现提前72小时预测轴承故障,单项目可避免数百万元的 阅读详情

相关推荐

PaddleOCRv5训练自己的模型-微调文字识别模型

本文介绍了使用PaddleOCR微调文字识别模型的具体步骤。首先需要按照官方格式准备数据集,包括图片和标注文件。然后进行模型训练,包括环境安装、预训练模型下载、配置文件修改等关键环节,特别针对训练中可能出现的类别数不匹配问题提供了三种解决方案。文章还详细说明了模型导出为静态图格式的方法,以及如何调用训练好的模型进行推理。整个过程涉及多个技术细节,如早停机制设置、断点续训方法等,为需要提升OCR识别精度的开发者提供了实用指导。

weixin_43827982的博客 3183

pcl2启动器下载(Minecraft PCL2 启动器 最新版 安装与使用说明)

摘要:PCL2(Plain Craft Launcher 2)是一款面向 Minecraft 的第三方启动器,支持正式版与快照版本管理、模组与整合包安装、Java 运行时自动匹配,绿色免安装、双击即可运行。适合在 Windows 上玩单机整合包、需要多版本共存或离线启动的用户使用

2611_96675819的博客 304

OCC WebGL案例编译实战:从FreeType配置到静态库生成

本文详细记录了将OCC(Open CASCADE Technology)3D图形库编译为WebAssembly(Wasm)并在浏览器中通过WebGL渲染的实战过程。重点解决了FreeType库的交叉编译配置、OCC核心库的裁剪与静态库生成,以及WebGL样例项目的CMake改造等关键步骤,为开发者提供了从环境搭建到最终集成的完整指南。

weixin_28831461的博客 318

spring boot 4集成SQLLite,及其SQLLite的建库

spring boot 4集成SQLLite,及其SQLLite的建库

weixin_41463944的博客 290

setoolkit克隆网站获取用户信息

一、环境 kali、DVWA 二、步骤 首先打开kali,输入setoolkit 依次选择选项1-选项2-选项3-选项2 输入钓鱼网站的网址(默认为本地网址) 输入要克隆的网址URL 这里我的网址如图,将网址复制 然后模拟攻击场景,攻击者向受害者发送了一条钓鱼链接,此链接与DVWA的登陆页面完全一样,受害者点击之后并进行登陆信息 点击login之后,用户信息就被setool...

BeatRex的博客 2999

基于线性光耦HCNR200的高压直流采样电路设计与精度优化

本文详细介绍了基于线性光耦HCNR200的高压直流采样电路设计与精度优化方法。针对直流高电压测量中的安全与干扰问题,提出采用HCNR200光耦隔离方案,实现高精度线性传输。文章深入解析电路设计关键细节,包括电阻网络、运放选型、滤波电容配置等,并提供精度优化实战技巧与常见问题排查指南,助力新能源电动汽车和高压储能系统的高压直流采样应用。

weixin_42713608的博客 584

Spring Boot 3需要注意的新特性【不断丰富内容】

spring boot

zhangfuping123456789的博客 282

python使用TensorRT报错,多线程或多进程中使用问题

python使用TensorRT报错,Cuda Runtime问题

qq_44224801的博客 751

基于Springboot3 + Vue3 +Agent+RAG+Function Calling+MySQL的智慧墓园管理系统

本文介绍基于SpringBoot3+Vue3+AIAgent打造的智慧墓园管理系统,融合RAG、FunctionCalling与多轮对话,实现家属建档、预约审核、AI助手答疑等全流程闭环。项目具备真实业务场景、完整权限体系与企业级架构设计,是学习AI Agent开发、全栈实战与作品集构建的理想案例。建议按“跑通→读业务→攻AI”三步学习,快速掌握大模型落地核心能力。

深耕开发,专注编程实战。分享源码解析、项目搭建、问题排查笔记,沉淀技术,持续更新。 160

Ubuntu 22.04安装NVIDIA显卡驱动:避坑指南与排错实战

Linux下硬件驱动的运行机制与Windows差异巨大,显卡驱动往往以内核模块形式存在,其编译与加载依赖内核头文件、DKMS以及正确的启动配置。理解这一底层原理,是解决驱动安装失败的关键。在Ubuntu 22.04等桌面发行版中,安装NVIDIA闭源驱动常遇到Secure Boot拦截、nouveau冲突、nvidia-smi无法通信等问题。实践表明,先确认显卡型号与内核版本,屏蔽nouveau并安装build-essential与linux-headers,再通过ubuntu-drivers或apt选用推

weixin_33491377的博客 254

MT6816角度传感器SPI通信避坑指南:从数据手册到稳定读取的3个关键步骤

本文详细解析了MT6816角度传感器SPI通信中的常见问题与解决方案,包括寄存器地址计算、SPI时序配置和数据校验等关键步骤。通过实测波形和代码示例,帮助工程师避开数据手册中的隐藏陷阱,实现稳定可靠的角度数据读取,特别适用于高精度电机控制场景。

weixin_42520573的博客 524

DevOps 进阶 Jenkins Pipeline 流水线管理

本文通过实战演示将自由风格构建迁移至声明式Jenkins Pipeline,实现从代码拉取、Maven构建、SonarQube检测到Docker镜像推送与远程部署的全流程自动化。重点介绍Pipeline as Code优势:配置版本化、流程可视化、支持并行与条件执行,并集成钉钉通知。最终提供可复用的Jenkinsfile模板,提升CI/CD效率与团队协作规范性。

xianyuCcCcCCCcc的博客 346

【云原生之Docker实战】使用docker部署Monica个人开源CRM系统

【云原生之Docker实战】使用docker部署Monica个人开源CRM系统

jks212454的博客 2396

JavaScript 绘制表格:数组遍历与动态渲染完整示例

需要索引或提前退出时,优先使用for循环或for...of。只做遍历、不关心返回值时,forEach更简洁。需要生成新数组时,使用mapfilter。需要聚合计算时,使用reduce。避免用for...in遍历数组,以免枚举到原型链上的属性。

大今野 193

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Java12.0常用类代码

2501_93506976的博客 175

vb 6.0并口开发操作实例

vb6并口开发,简体中文,试例内有inpout32.dll动态链接库

Hibernate 中 getCurrentSession 与 openSession 的区别详解

与的本质区别在于Session 的归属与生命周期由谁管理是"我创建、我负责关闭",控制权在开发者手里;是"框架创建、框架负责关闭",控制权交给上下文(线程或 JTA 事务)。理解这一点后,再结合项目的事务管理方式(编程式事务还是声明式事务、是否使用 Spring、是否使用 JTA),就能做出合理的选择。

2601_96710005的博客 348

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")

c++ constexpr 关键字

constexpr。

拒绝AI文,努力在AI时代写出感动人心的好文章 373

Spring Boot 配置文件有哪几种类型?它们有什么区别?

Spring Boot 之所以能做到「约定优于配置」,很大程度上得益于它强大的外部化配置机制。开发者只需要在项目里放一个配置文件,就能覆盖默认行为、注入自定义参数。但很多人第一次接触 Spring Boot 时会疑惑:配置文件到底有几种类型?和.yml有什么区别?为什么有时候两个文件同时存在,结果却和预期不一样?本文就把 Spring Boot 配置文件类型、格式差异、加载优先级和常见坑点一次讲清楚。Spring Boot 配置文件按格式分为properties和yaml。

2601_96939855的博客 198

Java 项目实战:交友项目后台系统——网关统一鉴权与 B 端管理后台

本次改造通过引入SpringCloud Gateway实现网关统一鉴权与路由,新建mf-admin管理端复用C端域服务(Dubbo调用),实现管理员登录与用户管理四件查询。核心套路:网关白名单+双体系JWT(同工具不同payload)、管理端零直连业务库、分页形态区分(MySQL自动count/Mongo手动count)、浏览器端独立聚合。踩坑12条,附自检清单与后续改造方向,可复用于多角色后台系统。

Wang的专栏 131

JavaScript简单数据类型和复杂数据类型

简单数据类型:按值存储在栈内存中,包括 Number、String、Boolean、undefined、null、Symbol、BigInt。复杂数据类型:引用存储在栈中、实际数据存储在堆中,包括 Object、Array、Function、Date、RegExp、Map、Set、WeakMap、WeakSet、Promise、Proxy 等。掌握 JavaScript 数据类型与栈堆内存的区别,能帮助你写出更高效、更少内存泄漏的代码。

大今野 163

[采购信息记录导入] 使用bdc 采购信息批导

【代码】[采购信息记录导入] 使用bdc 采购信息批导。

24

【Java零基础入门31】Java抽象类超详细课本版:abstract关键字、抽象方法、使用规范、期末考点

本文是Java零基础入门系列第31篇笔记,大二Java课程核心重点,完全按照大学教材讲解抽象类。包含abstract关键字、抽象方法特点、抽象类特点、继承规则、实例化规则,考试大题高频!抽象类不能实例化,专门用来被继承、被子类重写方法,实现模板设计。大二Java期末考试必考大题,完整课本知识点整理!被 abstract 修饰的类,叫做抽象类。被abstract修饰、没有方法体的方法。三、抽象类五大核心特点(必背)五、抽象类常见错误考点。

2601_95470101的博客 176

Agent 流式响应的终极性能优化:Spring WebFlux + SSE 实现零阻塞大模型对话

在AI Agent场景下,传统Spring MVC因阻塞IO难以支撑高并发流式请求。本文基于Spring WebFlux与SSE,构建零阻塞流式网关:利用非阻塞的Netty模型与异步响应,实现大模型输出的实时推送。通过Flux流式处理与Server-Sent Events协议,前端可获得“打字机”体验,同时系统并发能力提升数十倍。代码层面采用WebClient异步调用大模型接口,结合事件驱动架构,确保线程不被长连接占用,彻底解决高并发下的性能瓶颈。

m0_72786509的博客 194

Qwen4-Max vs 文心5.5实测:API定价与开源生态对比

基于2026年11月最新实测数据,全面对比阿里 Qwen4-Max 与百度文心 ERNIE 5.5 Flash/5.1 的海外美元定价、编程 Debug 表现、多模态支持与 Hugging Face 开源生态。

iduiui997的博客 330

Java导入SSL证书后找不到私钥:trustedCertEntry与PrivateKeyEntry别混用

Java密钥库里能看到证书,不代表服务端已经拥有私钥。用keytool离线对照可信证书条目与私钥条目,检查alias、证书链和导入路径,避免把CA信任配置当成HTTPS身份配置。

谁呀!的博客 331

Properties、Collections、Arrays、Stream

继承自Hashtable,是双列集合特点:键和值只能是 String 类型(泛型固定为 <String,String>)主要用于读取、写入配置文件线程安全,方法同步;现在一般优先用配置框架,但基础 IO 场景仍常用key=value,注释用开头操作 Collection 集合的工具类,全是静态方法和Collection接口区分:Collection:是单列集合的顶层接口(List、Set 的父接口):工具类,用来辅助操作集合操作数组的工具类,全部静态方法。

Sarvartha的博客 210
上一篇: 【设计模式漫谈】单例模式:从入门到入坑,再到正确姿势
下一篇: Ubuntu24.04 安装 JDK17报错
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