JAVA学习二十:IO流

Java学习——IO

 

IO流是用来处理设备之间的数据传输的。

Java对数据的操作是通过流方式。

Java用于操作流的对象都在IO包中。

流按操作数据分为两种;即:字节流和字符流。

流按照流向分为:输入流和输出流。

 

IO流常用类:

|——字节流的抽象基类:

                        |—— InputStream

                                |—— FileInputStream:字节输入流

                        |—— OutputStream

                                |—— FileOutputStream:字节输出流

       |——字符流的抽象基类:

                        |—— Reader

                                |—— FileReader:字符输入流

                        |—— Writer

                                |—— FileWriter:字符输出流

 

 

FileWriter

当创建一个写入流对象时,就必须要明确被操作的文件,而且该文件会被创建到指定目录下,如果该目录下已有同名文件,那么该同名文件将被覆盖。

例如:FileWriter fw = new FileWriter(demo.txt)

 

write();方法,可以将字符串或字符写入到写输出流中。

flush();方法,刷新该流的缓冲区,将数据刷新到输出流中。

close();方法,关闭流,但在关闭流前会先刷新一次流。

 

flushclose的区别:flush在刷新后,流可以继续使用。Close在刷新后,流会被关闭。

注:在异常处理时,close一般都要放在finally中,因为资源必须被关闭。

 

FileReader

当创建一个读取流对象时,就必须让该读取流和指定名称的文件相关联,同时要保证该文件是已经存在的,如果该相关联文件不存在,则会发生异常:FileNotFoundException

例如:FileReader fr = new FileReader(demo.txt)

//FileReader对象创建好了后,这时就用读取流的对象调用read()方法,将文件内容读取到读取流中。

read()//读取单个字符,如果读取完了,就返回-1

read(Char[] cbuf) //将字符读入数组中,如果读取完了,就返回-1

close()//关闭流。

 

 

Buffered:字符流的缓冲区

字符流缓冲区的出现提高了对数据的读写效率。

对应的类:BufferedWriter:字符写入流缓冲区。

          BufferedReader:字符读取流缓冲区。

          BufferedInputStream:字节读取流缓冲区。

          BufferedOutputStream:字节写入流缓冲区。

 

BufferedReader中提供了一个一次读取一行文本的方法,即:readLine()方法。该方法一次可以读取文件中一行的文本内容,从而提高了文本数据获取的效率,当文件读完时,就会返回null,表示读到了文件末尾。

注:readLine()方法返回的时候只返回“回车符之前的数据”,并不会返回回车符。

 

BufferedWriter中提供了一个跨平台的换行符,即:newLine()方法。该方法写入的换行符,可以在多个平台使用。

注:缓冲区要结合流才可以使用,它在流的基础上对流的功能进行了增强;缓冲区的出现是为了提高流的操作效率而出现的,所以在创建缓冲区之前,必须要先有流对象。

 

 

转换流:

InputStreamReader:字节流转换成字符流。

OutputStreamWriter:字符流转换成字节流。

注:InputStreamReader:接收的是字节读取流对象。如:FileReader

OutputStreamWriter:接收的是字符写入流对象。如:FileWriter

 

 

读取键盘录入:

System.in :对应的是标准输入设备,即:键盘录入。

System.Out :对应的是标准输出设备,即:控制台或显视器。

 

 

File类:是文件和目录路径名的抽象表现形式,File类用来将文件或者文件夹封装成对象,方便对文件与文件夹进行操作。

File类对象可以作为参数传递给流的构造函数。

例如:File f1 = new File(demo.txt)

 

把文件和文件夹封装成File对象后,在流中使用时,可以对文件和文件夹进行判断,比如判断是否存在,是否是文件或文件夹,或都获取文件名或文件的绝对路径等。

File在创建文件时,如果该文件已经存在,则不创建,并返回false;它和输出流不一样,输出流对象一建立就会创建文件,而且不管文件是否已存在,如果文件已存在,输出流会直接覆盖原文件创建新文件。

 

 

打印流:该流提供了打印方法,可以将各种数据类型的数据都原样打印。

字节打印流:printStream

构造函数可以接收的参数类型:

file对象;File

字符串路径;String

字节输出流;OutputStream

 

字符打印流:printWriter

构造函数可以接收的参数类型:

file对象;File

字符串路径;String

字节输出流;OutputStream

字符输出流;Writer

 

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
VR(Virtual Reality)即虚拟现实,是一种可以创建和体验虚拟世界的计算机技术。它利用计算机生成一种模拟环境,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真,使用户沉浸到该环境中。VR技术通过模拟人的视觉、听觉、触觉等感觉器官功能,使人能够沉浸在计算机生成的虚拟境界中,并能够通过语言、手势等自然的方式与之进行实时交互,创建了一种适人化的多维信息空间。 VR技术具有以下主要特点: 沉浸感:用户感到作为主角存在于模拟环境中的真实程度。理想的模拟环境应该使用户难以分辨真假,使用户全身心地投入到计算机创建的三维虚拟环境中,该环境中的一切看上去是真的,听上去是真的,动起来是真的,甚至闻起来、尝起来等一切感觉都是真的,如同在现实世界中的感觉一样。 交互性:用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度(包括实时性)。例如,用户可以用手去直接抓取模拟环境中虚拟的物体,这时手有握着东西的感觉,并可以感觉物体的重量,视野中被抓的物体也能立刻随着手的移动而移动。 构想性:也称想象性,指用户沉浸在多维信息空间中,依靠自己的感知和认知能力获取知识,发挥主观能动性,寻求解答,形成新的概念。此概念不仅是指观念上或语言上的创意,而且可以是指对某些客观存在事物的创造性设想和安排。 VR技术可以应用于各个领域,如游戏、娱乐、教育、医疗、军事、房地产、工业仿真等。随着VR技术的不断发展,它正在改变人们的生活和工作方式,为人们带来全新的体验。
VR(Virtual Reality)即虚拟现实,是一种可以创建和体验虚拟世界的计算机技术。它利用计算机生成一种模拟环境,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真,使用户沉浸到该环境中。VR技术通过模拟人的视觉、听觉、触觉等感觉器官功能,使人能够沉浸在计算机生成的虚拟境界中,并能够通过语言、手势等自然的方式与之进行实时交互,创建了一种适人化的多维信息空间。 VR技术具有以下主要特点: 沉浸感:用户感到作为主角存在于模拟环境中的真实程度。理想的模拟环境应该使用户难以分辨真假,使用户全身心地投入到计算机创建的三维虚拟环境中,该环境中的一切看上去是真的,听上去是真的,动起来是真的,甚至闻起来、尝起来等一切感觉都是真的,如同在现实世界中的感觉一样。 交互性:用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度(包括实时性)。例如,用户可以用手去直接抓取模拟环境中虚拟的物体,这时手有握着东西的感觉,并可以感觉物体的重量,视野中被抓的物体也能立刻随着手的移动而移动。 构想性:也称想象性,指用户沉浸在多维信息空间中,依靠自己的感知和认知能力获取知识,发挥主观能动性,寻求解答,形成新的概念。此概念不仅是指观念上或语言上的创意,而且可以是指对某些客观存在事物的创造性设想和安排。 VR技术可以应用于各个领域,如游戏、娱乐、教育、医疗、军事、房地产、工业仿真等。随着VR技术的不断发展,它正在改变人们的生活和工作方式,为人们带来全新的体验。
基于GPT-SoVITS的视频剪辑快捷配音工具 GPT, 通常指的是“Generative Pre-trained Transformer”(生成式预训练转换器),是一个在自然语言处理(NLP)领域非常流行的深度学习模型架构。GPT模型由OpenAI公司开发,并在多个NLP任务上取得了显著的性能提升。 GPT模型的核心是一个多层Transformer解码器结构,它通过在海量的文本数据上进行预训练来学习语言的规律。这种预训练方式使得GPT模型能够捕捉到丰富的上下文信息,并生成流畅、自然的文本。 GPT模型的训练过程可以分为两个阶段: 预训练阶段:在这个阶段,模型会接触到大量的文本数据,并通过无监督学习的方式学习语言的结构和规律。具体来说,模型会尝试预测文本序列中的下一个词或短语,从而学习到语言的语法、语义和上下文信息。 微调阶段(也称为下游任务训练):在预训练完成后,模型会被应用到具体的NLP任务中,如文本分类、机器翻译、问答系统等。在这个阶段,模型会使用有标签的数据进行微调,以适应特定任务的需求。通过微调,模型能够学习到与任务相关的特定知识,并进一步提高在该任务上的性能。 GPT模型的优势在于其强大的生成能力和对上下文信息的捕捉能力。这使得GPT模型在自然语言生成、文本摘要、对话系统等领域具有广泛的应用前景。同时,GPT模型也面临一些挑战,如计算资源消耗大、训练时间长等问题。为了解决这些问题,研究人员不断提出新的优化方法和扩展模型架构,如GPT-2、GPT-3等,以进一步提高模型的性能和效率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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