学习笔记:ConstraintLayout

现在创建默认布局都是ConstraintLayout了,所以作为一个安卓开发者不会的话也说不过去,今天就来学习和总结一下吧。
ConstraintLayout有一点点像RelativeLayout,因为它们都需要为控件添加相对于父控件的位置属性。
话不多说开始吧。

首先拖入三个 TextView 控件

在这里插入图片描述

将控件拖入后如果没有设置位置依赖(相对于父控件的位置的属性)就会出现感叹号。
每个控件必须添加垂直方向的位置依赖和水平方向的位置依赖
在这里插入图片描述

最快捷的方法就是点击这个魔棒,便可以自动帮你设置好位置依赖了。魔棒左边的图标是用来删除所有位置依赖的。

在这里插入图片描述

将三个控件选择后点击左上角的按钮可以看到六个选项。下面分别解释一下它们的作用。
**Pack Horizontally:**将选择的控件在水平方向紧凑排列,也可以理解为将控件以水平方向靠拢。效果如图:

在这里插入图片描述

如果控件的排列方式是这样的
在这里插入图片描述

使用**Pack Horizontally:**后的效果是这样的,因此可以得出这样的结果:当几个控件不在同一水平的时候会以第一个控件的左边为基准线,并向之靠拢。
在这里插入图片描述

**Pack Vertically:**将选择的控件在垂直方向紧凑排列,也可以理解为将控件以垂直方向靠拢。效果如图:

初始效果:在这里插入图片描述

如果是这种在垂直方向没有对齐排列的,结果图如下:
在这里插入图片描述

也可以得出如果在垂直方向没有对齐排列的话也会以第一个控件的上方为基准并靠拢。

如果是垂直排列的


效果如下:
在这里插入图片描述

Expand Horizontally: 水平拉伸。
在这里插入图片描述
效果:
在这里插入图片描述

在这里插入图片描述
效果:
在这里插入图片描述
Expand Vertically垂直方向拉伸。
在这里插入图片描述
效果:
在这里插入图片描述

在这里插入图片描述
效果:
在这里插入图片描述

注意上方的操作并没有生成实际性的位置依赖。

**Distribute Horizontally:**以第一个控件为基础,为后面的控件添加位于上一个控件的右边的位置依赖。类似于RelativeLayoutd 的 layout_toRightOf
在这里插入图片描述

**Distribute Vertically:**以第一个控件为基础,为后面的控件添加位于上一个控件的下边的位置依赖。
在这里插入图片描述

下面介绍位置对齐方式
在这里插入图片描述
注意只有在选择了多个控件的情况下才有上面这部分选项,如果只选择了一个控件那只有下部分的选项。
Left Edges: 以第一个控件为基础左对齐。
在这里插入图片描述
如果三个控件在同一水平面的话,就会挤在一起。
Right Edges: 以第一个控件为基础右对齐。参考上面Left Edges即可。

Horizontaltally centers 以第一个控件为基础中心对齐。
在这里插入图片描述
Vertically centers 以第一个控件为基础上下对齐。并会为
在这里插入图片描述
Top Edges: 以第一个控件为基础顶部对齐。
在这里插入图片描述
Top Edges: 以第一个控件为基础底部对齐。参考上面Top Edges即可。

**BaseLines:**以第一个控件为基础,并与它的文字底部对齐
在这里插入图片描述

Vertically : 以父控件为准,垂直对齐

**Horizontaltally :**以父控件为准,水平对齐

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Spark SQL是Apache Spark中的一个模块,它提供了一种基于结构化数据的编程接口。Spark SQL可以让用户使用SQL语句来查询数据,也可以让用户使用DataFrame API来进行数据处理和分析。Spark SQL支持多种数据源,包括Hive、JSON、Parquet等。Spark SQL还提供了一些高级功能,如支持用户自定义函数、支持分布式机器学习算法等。Spark SQL的目标是让用户能够方便地使用Spark进行数据处理和分析,同时提供高性能和可扩展性。 ### 回答2: Spark SQL是一个基于Spark平台的关系型数据处理引擎,它支持使用SQL语句和数据框架操作数据,可以轻松处理结构化和半结构化的数据。它可以从多个数据源中读取数据,包括Hive、JSON、Parquet、ORC等。通过Spark SQL,用户可以方便地使用SQL查询语言来分析和处理数据,大大降低了开发和组织数据流的难度。 Spark SQL主要有两种执行模式:SQL查询和DataFrame操作。其中SQL查询基于Hive的SQL语法解析器,支持HiveQL中的大多数语言特性(如UDF、窗口函数等)。在执行计划生成时,Spark SQL采用了Spark的计算引擎,支持各种Spark算子的优化,以便最大程度地提高查询性能。 另一种操作模式是使用DataFrame API,它可以灵活地进行数据转换和处理,并提供了类似于SQL的语法。与SQL查询不同,DataFrame API通过静态检查和编译器优化来避免由SQL查询引起的语法错误和潜在性能问题。 除了这两种基本的操作模式外,Spark SQL还提供了一些高级特性,如嵌套查询、表和视图、共享变量等。这些特性扩展了Spark SQL的功能,使得它可以更加灵活地进行数据处理和查询。 Spark SQL是Spark的重要组成部分,它在数据存储和处理方面提供了很多便利。通过最大程度地利用Spark引擎的优势,Spark SQL能够处理海量数据,并将其转换为有用的信息。这使得Spark SQL成为实现数据分析、机器学习和人工智能的重要工具之一。 ### 回答3: Spark SQL是一种基于Spark平台的数据处理引擎,它提供了高度优化的查询引擎和优秀的支持SQL语句的API。它允许用户使用SQL语句查询来处理大规模数据集,同时仍然支持复杂数据类型和计算。Spark SQL支持数据源,包括Parquet,Avro,JSON等一系列结构化的和半结构化的数据源。 Spark SQL在历史上是一个单独的模块,在Spark 2.0之后,它已经成为Spark的核心组件之一,可以直接在Spark核心API中使用,包括作为一个RDD库或DataFrame/DataSet的API。 Spark SQL的优点如下: 1. 它可以向受过传统SQL培训的用户展示更高级别,更强大的API。 2. 它提供数据集和RDD的良好互操作性。Spark SQL可以通过未被优化的RDD/DataSet API访问同一数据。 3. 它支持Spark的执行引擎以加速查询处理。 使用Spark SQL的时候,可以根据需要选择编程语言,如Scala,Java,Python,SQL等。在Spark核心API中,Spark SQL提供了两种API来处理结构化数据: 1. DataFrame API:DataFrame是具有许多操纵数据的功能的分布式数据集,类似于数据库中的表。 2. Dataset API:Dataset是Scala和Java API,它是类型安全的,并且提供与RDD API相同的API,但比RDD具有更好的性能和可读性。 Spark SQL是Spark生态系统中重要的组成部分之一。在处理大规模数据时,使用Spark SQL可以方便地利用Spark的强大功能,提高处理效率。

“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