java教程技术文章
-
- CountDownLatch多任务等待实现解析
- CountDownLatch是Java并发包中用于让一个或多个线程等待其他线程完成一组操作的同步辅助类，适用于不关心返回值、只关注“全部执行完毕”信号的场景，如异步任务完成后统一日志汇总；初始化时指定等待的countDown()次数，需在任务启动前完成，每个任务必须在真正执行完毕（推荐finally块）调用countDown()，主线程通过await()阻塞等待，支持超时；它是一次性、无返回值、不处理中断的轻量同步工具，区别于CompletableFuture（需结果聚合）和CyclicBarrier（可
- 文章 · java教程 | 5个月前 | 498浏览 收藏
-
- SpringBoot配置JBossJNDI数据源教程
- 本文详解SpringBoot应用在JBossEAP/WildFly（如7.4）上通过JNDI复用服务器内置数据源的正确配置方式，重点解决因自动配置冲突导致的Failedtodetermineasuitabledriverclass启动失败问题。
- 文章 · java教程 | 6个月前 | 498浏览 收藏
-
- ByteBuffer.wrap不入池，如何手动实现池化管理
- ByteBuffer.wrap()不等于入池，它仅创建共享原数组的非池化HeapByteBuffer；真正入池需用Netty等框架的PooledByteBufAllocator分配并拷贝数据。
- 文章 · java教程 | 6个月前 | 498浏览 收藏
-
- Java数据库操作与Hibernate使用教程
- 不该直接用JDBC写增删改查，因其需手动管理连接、防空指针、拼SQL、处理异常与事务，易出错且难维护；MyBatis强调SQL优先，Hibernate强调对象优先，二者设计哲学相反，选错将导致返工。
- 文章 · java教程 | 6个月前 | 498浏览 收藏
-
- ArrayListtrimToSize方法详解与内存优化技巧
- ArrayList.trimToSize仅收缩elementData数组容量，不触发GC，内存是否减少取决于冗余空间大小和GC时机；仅当size<elementData.length时生效，适用于一次性列表、筛选小结果等场景，需避免与subList共用。
- 文章 · java教程 | 6个月前 | 498浏览 收藏
-
- Java生成唯一UUID方法详解
- UUID.randomUUID()生成的是密码学安全的伪随机数，基于SecureRandom从操作系统熵源（如/dev/urandom）获取，非真随机但足够唯一和不可预测。
- 文章 · java教程 | 6个月前 | 498浏览 收藏
-
- JavaStreamAPI集合处理全解析
- Stream是惰性、只读的，不修改原集合；重复使用会抛IllegalStateException；collect需选对收集器；并行流慎用；空值和null须显式处理。
- 文章 · java教程 | 6个月前 | 498浏览 收藏
-
- Java匿名类全面解析与使用技巧
- 匿名内部类必须基于已有类型（接口或父类）声明，不能凭空创建，需实现接口或继承非final类，且只能访问final或effectivelyfinal的局部变量。
- 文章 · java教程 | 7个月前 | 498浏览 收藏
-
- Hibernate实现选课人数限制技巧
- 本文详解为何无法直接用Hibernate的@Check注解实现跨表计数校验，并提供基于数据库设计、应用层控制与并发安全的可行替代方案。
- 文章 · java教程 | 7个月前 | 498浏览 收藏
-
- 点击按钮打开指定Swing窗口教程
- 本文详解JavaSwing中通过按钮事件触发新窗口显示的完整实现，重点解决因类继承与JFrame实例混淆导致的“空白窗口”问题，并提供结构清晰、可复用的代码范式。
- 文章 · java教程 | 7个月前 | 498浏览 收藏
-
- SpringBoot提取请求头上下文方法
- 本文介绍如何通过Spring的RequestContextHolder机制，将重复出现的请求头（如flowId、customerId等）封装为线程安全的RequestContext对象，避免在每个Controller方法中冗余声明@RequestHeader参数，提升代码可维护性与清晰度。
- 文章 · java教程 | 7个月前 | 498浏览 收藏
-
- JavaJVM性能优化技巧详解
- -Xms与-Xmx设为相同值可避免堆动态扩容触发的FullGC及对象复制开销，推荐生产环境设为相等且不低于物理内存1/4（≤32GB）；G1需显式配置-XX:MaxGCPauseMillis=100~200ms才能发挥低延迟优势，jstat的GCT包含混合GC而YGC/FGC不统计，JDK17+部分参数行为变更或失效，调参须以GC日志为准。
- 文章 · java教程 | 7个月前 | 498浏览 收藏
-
- JavaOptional类空指针优化技巧
- Optional是Java8引入的容器类，用于明确表达“可能为空”的值，核心用途是将空值检查从隐式运行时错误转为显式编译期契约；正确用法包括：作为方法返回类型、用empty/of/ofNullable创建、链式调用优先map/flatMap、默认值优先orElseGet而非orElse、禁用isPresent()+get()反模式。
- 文章 · java教程 | 7个月前 | 498浏览 收藏
-
- IntelliJIDEA安装与Java配置教程
- 安装IntelliJIDEA社区版并配置JDK11或17；2.设置JAVA_HOME环境变量并验证java-version；3.在IDEA中新建Java项目，配置ProjectSDK并创建HelloWorld类；4.运行输出“Hello,Java!”确认环境成功。
- 文章 · java教程 | 8个月前 | 498浏览 收藏
-
- SpringBoot整合MyBatisPlus教程
- SpringBoot整合MyBatisPlus可通过以下步骤实现：1.添加MyBatisPlus和数据库连接器依赖；2.配置数据源信息；3.创建与表对应的实体类；4.创建继承BaseMapper的Mapper接口；5.编写Service调用Mapper方法；6.创建Controller提供API接口。此外，可使用MyBatisPlus代码生成器自动生成代码，通过配置生成器参数并运行生成代码。分页查询可通过引入Page对象并在Mapper中调用selectPage方法实现。自定义SQL注入器需创建继承Def
- 文章 · java教程 | 8个月前 | 498浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 485次学习
-
- Golang深入理解GPM模型
- Golang深入理解GPM调度器模型及全场景分析，希望您看完这套视频有所收获；包括调度器的由来和分析、GMP模型简介、以及11个场景总结。
- 474次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集，涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用，助力提升NLP模型性能。
- 301次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台，提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能，助您快速选择最适合项目的高性能大语言模型。
- 358次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制，用户可对比不同大模型回答并生成实时排行榜，助力开发者优化模型及用户选择最佳AI工具。
- 357次使用
-
- HELM
- 深入了解斯坦福推出的HELM（Holistic Evaluation of Language Models）大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景，涵盖准确性、公平性、鲁棒性等多维度指标，助力开发者全面优化语言模型性能。
- 324次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台，提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景，助力开发者全面评估多模态模型性能。
- 143次使用
