• 设计模式-原型模式(06)


    定义

      原型(Prototype Pattern)是一个简单的设计模式。原型模式的英文原话是:Specify the kind of objects to create using a prototypical instance,and create new objects by copying this prototype.意思是:用原型实例指定创建对象的种类,并且通过复制这些原型创建新的对象

      原型模式有三种角色:

      1.客户(Client)角色:该角色提出创建对象的请求。
      2.抽象原型(Prototype):该角色是一个抽象角色,通常由一个java接口或抽象类实现,给出所有的具体原型类所需要的接口。
      3.具体原型(Concrete Prototype)角色:该角色是被复制的对象,必须实现抽象原型接口。

    java中内置了克隆机制。object类具有一个clone()方法,能够实现对对象的克隆,是一个类支持克隆只需要两步:

      1.实现Cloneable接口。
      2.覆盖Object的clone()方法,完成对象的克隆操作,通常只需要调用Object的clone()方法即可。为了使外部能够调用此类的clone()方法,可以将访问修饰符改为public。

    /**
     * 抽象原型角色(Prototype)
     * 给出具体原型类复制所需要的接口
     */
    public interface Prototype {
        //克隆方法
        Prototype clone();
    }
    
    /**
     * 具体原型工厂类
     * 
     */
    public class ConcretePrototype implements Prototype {
        @Override
        public Prototype clone() {
            try {
                return (Prototype)super.clone();
            } catch (CloneNotSupportedException e) {
                e.printStackTrace();
                return null;
            }
        }
    }
    
    public class Client {
        public void operation(Prototype example) {
            //得到example
            Prototype prototype = example.clone();
        }
    }

    原型模式的优点

      1.性能优良:原型模式是对内存中二进制流的拷贝,要比直接new一个对象性能好,特别是当一个循环体内产生大量的对象时,原型模式可以更好地体现其优点。

      2.逃避构造函数的约束。这既是优点也是缺点,直接在内存中拷贝对象,构造函数是不会执行的,因此减少了约束,不过这一点需要在实际应用时进行权衡考虑。

    原型模式的使用场景

      1.资源优化场景,类初始化时需要消化非常多的资源,这个资源包括数据、硬件资源等。

      2.性能和安全要求的场景,如果通过new产生一个对象需要非常繁琐的数据准备和访问权限,则可以使用原型模式。

      3.一个对象多个修改者的场景,一个对象需要提供给其他对象访问,而且各个调用者可能都需要修改其值,可以考虑使用原型模式拷贝多个对象供调用者使用。

    在实际项目中,原型模式很少单独出现,一般是和工厂方法模式一起出现。原型模式通过clone()方法创建一个对象,然后由工厂方法提供给调用者。

    例子

    /**
     * 实现clone接口,实现了clone方法,是实现克隆的关键
     */
    public class Mail implements Cloneable {
        //收件人
        private String receiver;
        //邮件标题
        private String subject;
        //称谓
        private String appellation;
        //邮件内容
        private String contxt;
        //尾部
        private String tail;
        //构造函数
        public Mail(String subject,String contxt) {
            this.subject = subject;
            this.contxt = contxt;
        }
        //克隆方法
        public Mail clone() {
            Mail mail = null;
            try {
                mail=(Mail) super.clone();
                System.out.println(super.toString());   //super指的是被调用的那个对象
            } catch (CloneNotSupportedException e) {
                e.printStackTrace();
            }
            return mail;
        }
    }
    
    /**
     * 调用
     */
    public class SendMailDemo {
        Map students = new LinkedHashMap();
        public static void main(String[] args) {
            //创建一个原型mail
            Mail mail = new Mail("邮件标题", "邮件内容");
            mail.setTail("2017-11-20");
            SendMailDemo sendMailDemo = new SendMailDemo();
            //获取所有学生
            Map students=sendMailDemo.getStudent();
            for (Object name : students.keySet()) {
                //克隆邮件
                Mail cloneMail = mail.clone();
                cloneMail.setAppellation(name.toString());
                cloneMail.setReceiver(students.get(name).toString());
                sendMailDemo.sendMail(cloneMail);
            }
            
        }
        public Map getStudent(){
            students.put("studentone", "1@foxmail.com");
            students.put("studenttwo", "2@foxmail.com");
            students.put("studentthree", "3@foxmail.com");
            students.put("studentfour", "4@foxmail.com");
            students.put("studentfive", "5@foxmail.com");
            students.put("studentsix", "6@foxmail.com");
            students.put("studentseven", "7@foxmail.com");
            return students;
        }
        public void sendMail(Mail mail){
            System.out.println("标题:"+mail.getSubject()+"	收件人邮箱:"+mail.getReceiver()+"	正文:"+mail.getAppellation()+mail.getContxt()+"	...已发送");
        }
    }

    源码

  • 相关阅读:
    (zhuan) How to Train Neural Networks With Backpropagation
    (转)Introduction to Gradient Descent Algorithm (along with variants) in Machine Learning
    Learning to Compare Image Patches via Convolutional Neural Networks --- Reading Summary
    Unsupervised Image-to-Image Translation Networks --- Reading Writing
    (转) RNN models for image generation
    (zhuan) 126 篇殿堂级深度学习论文分类整理 从入门到应用
    (zhuan) Where can I start with Deep Learning?
    (zhuan) LSTM Neural Network for Time Series Prediction
    (zhuan) awesome-object-proposals
    Face Aging with Conditional Generative Adversarial Network 论文笔记
  • 原文地址:https://www.cnblogs.com/aeolian/p/7853477.html
Copyright © 2020-2023  润新知