4种实例 advice aop_Spring学习笔记(三)——继续AOP

上次我们谈到了简单的AOP,今天我们继续旅程。

上次我们谈到了对一个对象的方法进行切割,那如果要对两个、3个对象呢?我们发现:

interceptor

这个标签是我们在外部调用getBean("")方法的标签,那如果我有2个对象,在传入该标签ID的时候,Spring怎么知道我们需要获得的是哪个对象呢?为了解决这个问题,我们在外部多加上两个标签:

细心观察不难发现,这个就像是JAVA中的继承,parent属性指明该标签的父标签是谁,这样我们外部调用的时候就直接使用这两个子类的ID就能区分开了,由于我们把目标对象放到了子类中,则在父类中就不需要确定目标的标签了,不过因为父类不能被实例,所以我们需要给父类加上abstract="true"属性。

当然除了使用Spring的拦截器外,我们也可以自己定以一个拦截器类,只需要继承StaticMethodMatcherPointcutAdvisor,重写public boolean matches(Method method, Class targetClass) 方法,在方法里写上我们需要的规则。在xml文件中,由于匹配规则写到了拦截器类中,那我们就不需要配置了,并把类地址改成我们定义的类地址即可,如:

Spring为我们提供了4种代理,方法前、方法后、环绕、异常。

方法前和方法后一样,就不再讲了。

所谓环绕意思就是在一个方法中将之前,之后,执行方法(arg0.proceed();)一起写完,但要注意,如果方法有返回值,返回的值并不是在外部调用的地方返回,而是返回到环绕中的调用方法处,即arg0.proceed();的地方,如果我们想要在外部也能看见返回的值,需要在环绕中return (arg0.proceed();的值)。

异常也是我们异常用到的,这个很简单,不需要我们修改配置,只需要写一个类继承Exception,重写里面的构造方法:

public class DogException extends Exception {

public DogException() {

super();

}

public DogException(Exception ex) {

super(ex);

}

public DogException(Throwable th) {

super(th);

}

public DogException(String message) {

super(message);

}

}

然后在Advice类中实现ThrowsAdvice接口,重写public void afterThrowing(DogException de)方法,这个方法里面就写上异常的信息之类的东西,然后在外部调用方法的时候就可以直接捕获DogException异常了。很HIGH皮。

分享到:

2009-11-13 10:22

浏览 489

评论

  • 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。 、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。 、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