Spring AOP面向切面编程

本文深入探讨了Spring中的AOP技术,它允许在不修改源码的情况下扩展程序行为。SpringAOP通过AspectJ实现类与方法的匹配,利用代理模式动态增强目标类功能。切面(Aspect)是可插拔组件,PointCut定义作用范围,Advice指定执行时机。此外,还介绍了引介增强,用于在运行时为目标类添加新属性或方法。了解这些关键概念和实践,有助于提升系统的灵活性和可维护性。
摘要由CSDN通过智能技术生成

1. Spring中的可插拔组件技术

这些软件模块像横切面一样穿插在了原始软件的运行过程中,为原始的代码提供了额外的扩展。可以理解为插件,所以这项技术称之为面向切面编程技术。

2. Spring AOP
  1. Spring AOP – Aspect Oriented Programming 面向切面编程
  2. AOP的做法是将通用的、与业务无关的功能抽象封装为切面类,再通过配置的形式加入我们当前的系统中。
  3. 这些切面类可以配置在目标方法的执行前、后运行,真正做到即插即用。
  4. 终极目的:在不修改源码的情况下对程序行为进行扩展。
3. Spring AOP与AspectJ的关系
  1. Eclipse AspectJ,一种基于Java平台的面向切面编程的语言
  2. Spring AOP使用AspectJWeaver实现类与方法的匹配。
  3. Spring AOP利用代理模式实现对象运行时功能扩展。(运行目标类进行扩展的时候的运行模块)
4. 几个关键概念
注解说明
Aspect切面,具体的可插拔组件功能类,通常一个切面只实现一个通用功能
Target Class / Method目标类、目标方法,指真正要执行与业务相关的方法
PointCut切入点,使用execution表达式说明切面要作用在系统的那些类上
JoinPoint连接点,切面运行过程中是包含了目标类/方法元数据的对象
Advice通知,说明具体的切面的执行时机,Spring包含了五种不同类型通知
5. AOP 配置过程
  1. 依赖AspectJ
  2. 实现切面类和方法
  3. 配置Aspect Bean(和普通IoC类的配置过程相同)
  4. 定义PointCut(用于决定这个切面作用于系统的那些类的那些方法上)
  5. 配置Advice通知
6. JoinPoint 核心方法
注解说明
Object getTarget()获取IoC容器内目标对象
Signature getSignature()获取目标方法
Object[] get Args()获取目标方法参数
7. PointCut 切点表达式

在这里插入图片描述
这个execution表达式的意思是去匹配com.imooc下的所有类的所有公用方法。publilc可省略

8.五种通知类型
注解说明
Before Advice前置通知,目标方法运行前执行
After Returning Advice返回后通知,目标方法返回数据后执行(返回成功执行)
After Throwing Advice异常通知,目标方法抛出异常后执行(返回出现异常执行)
After Advice后置通知,目标方法运行后执行(不管返回成功或失败都会执行)
Around Advice最强大通知,自定义通知执行时机,可决定目标方法是否运行

返回后通知和后置通知及异常通知的执行顺序和我们xml文件中配置的顺序是一致的。

9. 特殊的“通知” --引介增强
  1. 引介增强(IntroductionInterceptor) 是对类的增强,而非方法,本质是一个拦截器。其他五种通知都是执行在方法上
  2. 引介增强允许在运行时为目标类增加新属性或方法。
  3. 引介增强允许在运行时改变类的行为,让类随运行环境动态变更。
  • 0
    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
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