Spring-AOP

Spring之AOP

什么是aop?
aop的意思是:面向方面编程(Aspect-Oriented Programming),将一批具备逻辑相关性的类视作一个切面,并以切面为单位,添加功能;通常用于实现具备横切性质的系统级服务,它是与oop(面向对象编程)互为补充的思想。

它利用一种称为“横切”的技术,剖解开封装的对象内部,并将那些影响了多个类的公共行为封装到一个可重用模块,并将其名为“Aspect”,即切面。所谓“切面”,简单地说,就是将那些与业务无关,却为业务模块所共同调用的逻辑或责任封装起来,便于减少系统的重复代码,降低模块间的耦合度,并有利于未来的可操作性和可维护性。AOP代表的是一个横向的关系,如果说“对象”是一个空心的圆柱体,其中封装的是对象的属性和行为;那么面向切面编程的方法,就仿佛一把利刃,将这些空心圆柱体剖开,以获得其内部的消息。而剖开的切面,也就是所谓的“切面”了。

作为面向对象的一种补充,广泛地应用于一些横切性质的系统级服务,例如权限控制、内容传递、性能优化等

(功能如下图所示)



AOP的名词解释:

连接点 JoinPoint : 可以被切入的点,通常是方法。连接点对象描述了当前连接点的信息,比如,目标对象、方法信息、参数等

切面 Aspect : 将切面模块化,包含了要切入的功能,切入点等

织入 Weaving: 将切面应用到目标对象的过程

切入点 PointCut : 需要织入通知的连接点,通常用SPEL描述

引入 Introduction: 对目标对象添加方法和属性

通知 Advice : 需要向切面加入的功能

代理 Proxy : AOP的一种实现方式


aop的实现原理

aop是通过代理模式,提供了一个代理类,实现了被代理类的一个共同接口,然后在代理类中持有一个被代理类的实例,在被代理类中添加代码,从而达到添加功能的目的。

静态代理

静态代理(Static Proxy):由程序员创建或特定工具自动生成源代码,再对其编译。

动态代理(Dynamic Proxy):在程序运行时,运用反射机制动态创建

代码实现静态代理

//声明一个接口
public interface KillPigService {

    double kill(String pigName);

}


//被代理的类,实现声明的接口
public class KillPigServiceImpl implements KillPigService {

    public double kill(String pigName) {
        System.out.println("屠宰:"+pigName);
        return 100;
    }
}

//创建代理的类
public class KillPigServiceImplProxy implements KillPigService {
//持有被代理的类的实例
    private KillPigServiceImpl killPigServiceImpl = new KillPigServiceImpl();
    
    public double kill(String pigName) {
    //添加功能
        System.out.println("执行 killPigServiceImpl#kill方法,参数为"+pigName);

        long before = System.currentTimeMillis();
        double result =  killPigServiceImpl.kill(pigName);
        long after = System.currentTimeMillis();

        System.out.println("执行 killPigServiceImpl#kill方法结束,耗时"+(after-before)+"毫秒");

        return result;
    }
}


public class ProxyApp {
    public static void main(String[] args) {
       //创建代理类的实例
          KillPigService kps = new KillPigServiceImplProxy();
        kps.kill("八戒");

      
    }
}




代码实现动态代理

public class DynamicProxy implements InvocationHandler {

    private Object target;

    public Object getProxy(Object target){
        this.target=target;
        //this指的是当前实例,当前实例持有了被代理的实例
        return Proxy.newProxyInstance(target.getClass().getClassLoader(),target.getClass().getInterfaces(),this);
    }

    @Override
    public Object invoke(Object proxy, Method method, Object[] args) throws Throwable {
        System.out.println(method.getName() + "执行,参数为"+ Arrays.toString(args));
        long before = System.currentTimeMillis();
        Object result = method.invoke(target, args);
        long after = System.currentTimeMillis();
        System.out.println(method.getName() + "执行,耗时"+(after-before)+"毫秒");

        return result;
    }
}

public class ProxyApp {
    public static void main(String[] args) {
       //创建代理类的实例
          KillPigService proxy = (KillPigService)new DynamicProxy().getProxy(new KillPigServiceImpl());
        proxy.kill("佩奇");



  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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