• java ->包的声明与访问


    包的声明与访问


    包的概念
      java的包,其实就是我们电脑系统中的文件夹,包里存放的是类文件。
      当类文件很多的时候,通常我们会采用多个包进行存放管理他们,这种方式称为分包管理。
      在项目中,我们将相同功能的类放到一个包中,方便管理。并且日常项目的分工也是以包作为边界。
      类中声明的包必须与实际class文件所在的文件夹情况相一致,即类声明在a包下,则生成的.class文件必须在a文件夹下,否则,程序运行时会找不到类。
    包的声明格式
      通常使用公司网址反写,可以有多层包,包名采用全部小写字母,多层包之间用”.”连接
      类中包的声明格式:
      package 包名.包名.包名…;
      如:Oracle网址oracle.com那么网址反写就为com.oracle

    注意:声明包的语句,必须写在程序有效代码的第一行(注释不算)
    代码演示:
    package com.oracle; //包的声明,必须在有效代码的第一行

    import java.util.Scanner;
    import java.util.Random;

    public class Demo {}
    包的访问
    在访问类时,为了能够找到该类,必须使用含有包名的类全名(包名.类名)
    包名.包名….类名
    如: java.util.Scanner
    java.util.Random
    com.oracle.Demo
    带有包的类,创建对象格式:包名.类名 变量名 = new包名.类名();
    com.oracle.Demo d = new com.oracle.Demo();
    前提:包的访问与访问权限密切相关,这里以一般情况来说,即类用public修饰的情况。

    类的简化访问
    当我们要使用一个类时,这个类与当前程序在同一个包中(即同一个文件夹中),或者个类是java.lang包中的类时通常可以省略掉包名,直接使用该类。
    如:com.oracle包中有两个类,PersonTest类,与Person类。我们在PersonTest类中,访问Person类时,由于是同一个包下,访问时可以省略包名,即直接通过类名访问 Person。
    类名 变量名 = new类名();
    Person p = new Person();

    当我们要使用的类,与当前程序不在同一个包中(即不同文件夹中),要访问的类必须用public修饰才可访问。
    package com.oracle02;
    public class Person {}

    import导包
    我们每次使用类时,都需要写很长的包名。很麻烦,我们可以通过import导包的方式来简化
    可以通过导包的方式使用该类,可以避免使用全类名编写(即,包类.类名)。
    导包的格式:
    import 包名.类名;

    当程序导入指定的包后,使用类时,就可以简化了。演示如下
    //导入包前的方式
    //创建对象
    java.util.Random r1 = new java.util.Random();
    java.util.Random r2 = new java.util.Random();
    java.util.Scanner sc1 = new java.util.Scanner(System.in);
    java.util.Scanner sc2 = new java.util.Scanner(System.in);

    //导入包后的方式
    import java.util.Random;
    import java.util.Scanner;
    //创建对象
    Random r1 = new Random();
    Random r2 = new Random();
    Scanner sc1 = new Scanner(System.in);
    Scanner sc2 = new Scanner(System.in);
    import导包代码书写的位置:在声明包package后,定义所有类class前,使用导包import包名.包名.类名;

  • 相关阅读:
    正确理解TensorFlow中的logits
    笔记:TensorFlow全连接层函数tf.layers.dense()原理
    Pandas读取行列数据最全方法
    Oracle 怎么同时插入多条数据?
    tensorflow 中 sigmoid, softmax, sparse_softmax 的 cross_entropy_with_logits,常见loss
    Tensorflow同时加载使用多个模型
    衡量机器学习模型的三大指标:准确率、精度和召回率。
    【tensorflow】Decaying the learning rate
    2019.7.29 区块链论文翻译
    2019.7.16 区块链论文翻译
  • 原文地址:https://www.cnblogs.com/miaoxingren/p/9384387.html
Copyright © 2020-2023  润新知