个人学习之对异常处理的的小总结

个人学习之对异常处理的的小总结


多个异常使用捕获又该如何处理呢?

  1. 多个异常分别处理。

  2. 多个异常一次捕获,多次处理。

  3. 多个异常一次捕获一次处理。

//一般我们是使用一次捕获多次处理方式,格式如下:
try{
     编写可能会出现异常的代码
}catch(异常类型A  e){  当try中出现A类型异常,就用该catch来捕获.
     处理异常的代码
     //记录日志/打印异常信息/继续抛出异常
}catch(异常类型B  e){  当try中出现B类型异常,就用该catch来捕获.
     处理异常的代码
     //记录日志/打印异常信息/继续抛出异常
}

还需要注意的地方:

  • 运行时异常被抛出可以不处理。即不捕获也不声明抛出。

  • 如果finally有return语句,永远返回finally中的结果,避免该情况.

  • 如果父类抛出了多个异常,子类重写父类方法时,抛出和父类相同的异常【或者是父类异常的子类或者不抛出异常

  • 父类方法没有抛出异常,子类重写父类该方法时也不可抛出异常。此时子类产生该异常,只能捕获处理,不能声明抛出

      直接使用Try.......catch()进行一个捕获

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
基于Python和Spark的电影推荐系统是一种利用机器学习和大数据技术,为用户提供个性化的电影推荐服务的系统。 该系统首先通过Spark平台进行数据分析和处理,主要包括数据清洗、特征提取和模型训练。通过清洗原始数据,去除重复、缺失和异常数据,保证数据的准确性。然后,通过特征提取,提取电影和用户的相关特征,如电影类型、演员、导演、用户的观影历史等。最后,利用机器学习算法,如协同过滤、基于内容的推荐等,对提取出的特征进行建模和训练,得到电影推荐模型。 在用户使用该系统时,系统会根据用户的个人兴趣和喜好,结合用户的观影历史和其他用户的评价数据,为用户推荐最合适的电影。具体来说,系统会根据用户的观影历史,分析用户的偏好,包括他们最喜欢的类型、演员、导演等。然后,系统会根据这些个性化的偏好,结合其他用户的评价数据,找到与用户兴趣最相似的电影,推荐给用户。 该推荐系统的优势是通过使用Spark平台,可以有效地处理大规模的数据集,提高算法的计算效率和推荐准确率。另外,Python是一种易于学习和使用的编程语言,也有丰富的机器学习和数据处理库,方便开发人员进行系统的开发和维护。 总结而言,基于Python和Spark的电影推荐系统能够为用户提供个性化、准确度高的电影推荐服务,提高用户的观影体验。

“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

打赏作者

奇怪ya

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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