初学者关于Applet的问题,真心求教

import java.awt.Color;
import java.awt.Font;
import java.awt.Graphics;
import java.applet.Applet;
import java.io.Console;
import java.util.Calendar;
import java.io.*;
import javax.swing.JLabel;
class Timer implements Runnable
{
String zw[]={"年","月","日",":"};
StringBuffer dstr=new StringBuffer();
int y,mon,d,h,min,s;
public void getTime()
{
Calendar c1=Calendar.getInstance();
y=(c1.get(Calendar.YEAR));
mon=(c1.get(Calendar.MONTH)+1);
d=(c1.get(Calendar.DAY_OF_MONTH));
h=(c1.get(Calendar.HOUR_OF_DAY));
min=(c1.get(Calendar.MINUTE));
s=(c1.get(Calendar.SECOND));
}
public String toString(StringBuffer strBf)
{
return "当前时间是:"+dstr;
}
public void run()
{
try
{
Thread.sleep(1000);
}
catch (InterruptedException e)
{
e.printStackTrace();
}
System.gc();
}
}
public class HelloDemo extends Applet {
Timer t=new Timer();
public void paint(Graphics g)
{
t.getTime();
g.setColor(Color.RED);
g.setColor(Color.ORANGE);
g.setFont(new Font("Curier",20,20));
g.drawString("当前日期是:"+t.y+"年"+t.mon+"月"+t.d+"日",0,30);
g.setColor(Color.ORANGE);
g.setFont(new Font("Curier",20,20));
g.drawString("时间是:"+t.h+"时"+t.min+"分"+t.s+"秒",0,50);
}
public void init()
{
this.setBackground(Color.BLACK);
}
public void start()
{
repaint();
new Thread(t).start();
}
}
相关推荐
产业园区如何高效对接企业技术需求与高校科研成果?.docx
科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。
国央企创新负责人如何快速掌握本地科技资源分布与匹配情况?.docx
科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。
国央企创新负责人如何实现科技成果的精准识别与高效筛选?.docx
科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。
数据挖掘实战:决策树 + 聚类 + 关联规则,零 Key 离线可跑(Python 源码)
数据挖掘实战包。用 Python 标准库实现 CART 风格决策树、K-Means 聚类与 Apriori 关联规则,在虚构「星河便利店」会员表和购物篮上跑通分类、分群与购物篮分析,并给出准确率、轮廓系数、支持度/置信度/提升度。零第三方依赖、零 API Key 即可离线跑通。含 4 个样例、离线冒烟、中文 README(含「使用方法」)。均为作者原创可运行源码。MIT。作者 blog.csdn.net/mtl1994
YOLOv8作物病害检测实战源码
这是一套基于YOLOv8n的农田病虫害目标检测系统,对叶片照片做目标检测,识别健康叶片、褐斑病、白粉病、锈病四类,并给出对应防治建议。全流程纯CPU可跑,配套交付完整Python源码、9章实战教程(md/html/pdf三种格式)、100张自造样本及YOLO标签、训练曲线与混淆矩阵截图、Tkinter界面和答辩PPT。 系统围绕五项功能展开:同一套推理逻辑覆盖图像、视频、摄像头三种来源;图形界面选文件即检测,画面叠彩色框标注病名与置信度,右侧面板同步给出症状与防治措施;检测记录自动写入CSV,统计页一键生成四类病害占比饼图;训练结束自动产出损失与精度曲线;内置防治建议文案库,检测命中即回填面板。 选型用YOLOv8n nano档,参数量约320万、权重约6.2MB,CPU单帧几十毫秒,小样本训练5到8分钟完成。数据由data_gen.py程序化绘制100张叶片图,固定随机种子,重跑分布一致,不依赖公开数据集。依赖全部锁版本,教程第7章整理了19条真实报错及排查方法,第8章给出换模型档、换PlantVillage数据集的迁移路径。 适合做计算机视觉方向课程设计或毕业设计的学生,也适合智慧农业方向想了解检测模型如何落进业务面板的学习者。不需要GPU,不需要系统学过目标检测,教程第3章会按需补齐原理。 使用时先pip install -r requirements.txt装好依赖,download_data.py下载预训练权重,data_gen.py生成样本后train.py训练,完成后用main.py infer批量检测或main.py gui启动界面。


Java SE

