高手进!各位有没有实现过包遍历?和找出指定包下面的所有类?
比如给定一个 在 classpath 中的包 (比如"com.xxx.xxx") ,要找出它下面的所有类 (public 就可以.)
-
等级
本版专家分：2113结帖率 100% -
RT!
高手进!各位有没有实现过包遍历?和找出指定包下面的所有类?
比如给定一个 在 classpath 中的包 (比如"com.xxx.xxx") ,要找出它下面的所有类 (public 就可以.)展开阅读全文
-
等级
本版专家分：2113
-
RT!
-
等级
本版专家分：1654 -
mark
-
等级
本版专家分：5627 -
用reflect应该可以.我实验一下
-
等级
本版专家分：22000勋章
-
-
红花
2003年12月 Java大版内专家分月排行榜第一
2003年11月 Java大版内专家分月排行榜第一
-
-
就是遍历目录和文件呀。
-
等级
本版专家分：965 -
我看也是这个意思
-
等级
本版专家分：2113
-
不是目录遍历,我是要找到在 classpath 中的包下面的所有类..
classpath下面的包我可以用 Package.getPackages();取得.
-
等级
本版专家分：5627
-
use ZipFile to get ZipEntry of each class.
then use reflection
Maybe there're some better ways
-
等级
本版专家分：30917勋章
-
- 红花 2004年4月 Java大版内专家分月排行榜第一
-
-
黄花
2004年6月 Java大版内专家分月排行榜第二
2004年5月 Java大版内专家分月排行榜第二
2004年3月 Java大版内专家分月排行榜第二
-
-
下面就是一个找包中Class的，你看看
package studytest;
/**
* <p>Title: </p>
* <p>Description: </p>
* <p>Copyright: Copyright (c) 2003</p>
* <p>Company: </p>
* @author not attributable
* @version 1.0
*/
import java.awt.*;
import java.awt.event.*;
import java.lang.reflect.*;
import java.util.*;
import javax.swing.*;
import javax.swing.event.*;
import javax.swing.tree.*;
public class ClassTree {
public static void main(String[] args) {
JFrame frame=new ClassTreeFrame();
frame.show();
}
}
class ClassTreeFrame extends JFrame implements ActionListener
{
private DefaultMutableTreeNode root;
private DefaultTreeModel model;
private JTree tree;
private JTextField textField;
public ClassTreeFrame()
{
setTitle("Class Tree");
setSize(300,200);
addWindowListener(new WindowAdapter()
{
public void windowClosing(WindowEvent e)
{
System.exit(0);
}
});
root=new DefaultMutableTreeNode(java.lang.Object.class);
model=new DefaultTreeModel(root);
tree=new JTree(model);
addClass(getClass());
ClassNameTreeCellRenderer renderer=new ClassNameTreeCellRenderer();
renderer.setClosedIcon(new ImageIcon("C:\\1.gif"));
renderer.setOpenIcon(new ImageIcon("C:\\3.gif"));
renderer.setLeafIcon(new ImageIcon("C:\\2.gif"));
tree.setCellRenderer(renderer);
Container contentPane=getContentPane();
contentPane.add(new JScrollPane(tree),"Center");
textField=new JTextField();
textField.addActionListener(this);
contentPane.add(textField,"South");
}
public void actionPerformed(ActionEvent event)
{
try
{
String text=textField.getText();
addClass(Class.forName(text));
textField.setText("");
}
catch(ClassNotFoundException e)
{
Toolkit.getDefaultToolkit().beep();
}
}
public DefaultMutableTreeNode findUserObject(Object obj)
{
Enumeration e=root.breadthFirstEnumeration();
while(e.hasMoreElements())
{
DefaultMutableTreeNode node=(DefaultMutableTreeNode)e.nextElement();
if(node.getUserObject().equals(obj))
return node;
}
return null;
}
public DefaultMutableTreeNode addClass(Class c)
{
if(c.isInterface()||c.isPrimitive()) return null;
DefaultMutableTreeNode node=findUserObject(c);
if(node!=null) return node;
Class s=c.getSuperclass();
DefaultMutableTreeNode parent;
if(s==null)
parent=root;
else
parent=addClass(s);
DefaultMutableTreeNode newNode=new DefaultMutableTreeNode(c);
model.insertNodeInto(newNode,parent,parent.getChildCount());
TreePath path=new TreePath(model.getPathToRoot(newNode));
tree.makeVisible(path);
return newNode;
}
}
class ClassNameTreeCellRenderer extends DefaultTreeCellRenderer
{
private Font plainFont=null;
private Font italicFont=null;
public Component getTreeCellRendererComponent(JTree tree,Object value,boolean selected,boolean expanded,boolean leaf,int row,boolean hasFocus)
{
super.getTreeCellRendererComponent(tree,value,selected,expanded,leaf,row,hasFocus);
DefaultMutableTreeNode node=(DefaultMutableTreeNode)value;
Class c=(Class)node.getUserObject();
if(plainFont==null)
{
plainFont=getFont();
if(plainFont!=null)
italicFont=plainFont.deriveFont(Font.ITALIC);
}
if((c.getModifiers()&Modifier.ABSTRACT)==0)
setFont(plainFont);
else
setFont(italicFont);
return this;
}
}
-
等级
本版专家分：2113
-
Thanks. CoolAbu(绿茶的白开水（★★★★）)
- 根据权重随机选取指定条数记录的简单算法实现
原文地址:http://www.cnblogs.com/foolin/archive/2012/03/22/2412632.html
- Java之美[从菜鸟到高手演变]之集合类【吐血推荐！讲得太好了！！！】
最近在找工作，目前还没有定下来，拿到了一个公司的offer，不过被当白菜了，正在商量薪资方面的事情。随着百度面试的失败，梦想再次破灭。想想这一年来的奋斗，别是一番滋味在心头。突然想起一句话：踏歌长行，梦想...
- C#遍历硬盘文件
请高手指点下，这个记录的操作，以及后面的操作改如何进行，有代码例子更好， 仔细比较下，两个webconfig，不同的地方太多，拷进去又出错，大虾教教小弟如何合并之法，不胜感激 难道一定要拷贝吗，你不能...
- java实现ftp文件操作的方式有哪些？
由于精力问题，这里尝试了两种方式：edtFTPj、org.apache.commons.net.ftp。 一、edtFTPj 要使用edtFTPj需要项目内引入edtftpj.jar。
- 阿里Java面经大全（整合版）
1.上来问我项目用的框架，然后问我springmvc里面有的参数的设定，问的是细节，然后问我如果传的多个值是一个对象的属性，问我如何处理，我说直接在后端接收为对象就行了，然后突然问我http怎么传对象，这里有点不...
- Java之美[从菜鸟到高手演变]之集合类
最近在找工作，目前还没有定下来，拿到了一个公司的offer，不过被当白菜了，正在商量薪资方面的事情。随着百度面试的失败，梦想再次破灭。想想这一年来的奋斗，别是一番滋味在心头。突然想起一句话：踏歌长行，梦想...
- 程序员编程艺术：第三章续、Top K算法问题的实现
程序员编程艺术：第三章续、Top K算法问题的实现 作者：July，zhouzhenren，yansha。 致谢：微软100题实现组，狂想曲创作组。 时间：2011年05月08日 微博：http://weibo.com/julyweibo 。 出处：...
- 面试时算法为什么如此重要？高薪，外企，为什么迟迟没有进入？
3、如果一个问题，书上没有现成的答案，能够通过Google、查找相关论文等等手段，找到答案的，也是简单问题。 4、如果，搜索不到现成答案，但是能够找到询问的人，问出答案来。比如Google不到，只
- C语言经典面试题 与 C语言面试宝典
1 预处理 问题1：什么是预编译？何时需要预编译？ ...预编译又称预处理，是整个编译过程最先做的工作，即程序执行前的一些预处理工作。...2、程序由多个模块组成，所有模块都使用一组标准的包含文件和相同的
- 根据权重随机选取指定条数记录的简单算法实现(C#)【含源代码】
有时我们需要从一些列数据中根据权重随机选取指定条数记录出来，这里需要权重、随机，我们根据权重越大的，出现概率越大。例如广告系统：可根据客户支付金额大小来调控客户们的广告出现概率，客户支付金额越大，其...
- 根据权重随机选取指定条数记录的简单算法实现(C#)
一.应用场景：有时我们需要从一些列数据中根据权重随机选取指定条数记录出来，这里需要权重、随机，我们根据权重越大的，出现概率越...有了需求，我们就进行解决，本文章就是利用一种简单的算法来实现根据权重来随机...
- 如何从零开始写一个操作系统？
首页 发现 等你来答 登录加入知乎 如何从零开始写一个简单的操作系统？ 关注问题 写回答 操作系统 编程学习 如何从零开始写一个简单的操作系统？ 看了这个：从零开始写一个简单的操作系统 ...751 人赞...
- linux下iptables和netfilter详解（4）：洞悉实现流程及协议栈分析
(一)洞悉linux下的Netfilter&iptables：什么是Netfilter？ 很多人在接触iptables之后就会这么一种感觉：我通过iptables...这些问题，都是我在接下来的博文中一一和大家分享的话题。这里需要指出：因为Ne...
- 有向图的邻接矩阵_图形算法（邻接矩阵）在前端领域的应用
本文为代发，原作者为蚂蚁保险体验技术组-伯龄前言最近有些小伙伴在写表单联动关系...什么是邻接矩阵别问惯性开头没有为什么邻接矩阵是一个用来描绘顶点与边关系的数据结构。它的本质是一个二维数组，适合用来处理最...
- 学不会二分搜索树？放弃？我偏不...
点击上方 "程序员小乐"，关注公众号8点20分，第一时间与你相约每日英文The most precious thing is not what you have, but...
- Java基础--集合类
最近在找工作，目前还没有定下来，拿到了一个公司的offer，不过被当白菜了，正在商量薪资方面的事情。随着百度面试的失败，梦想再次破灭。想想这一年来的奋斗，别是一番滋味在心头。突然想起一句话：踏歌长行，梦想...
- Java之美[从菜鸟到高手演变]之集合类 .
一、集合类简介 数组是很常用的一种的...如果遇到上述的情况，数组是很难满足需求的，接下来本章将介绍另一种与数组类似的数据结构——集合类，集合类在Java中有很重要的意义，保存临时数据，管理对象，泛型，Web框架
- 一年纯手工打造的Java老A上册开始预售了
Java老A这本书写了很久，...有兴趣的人可以去看看哈（后续其它网站地址也会在这里公开）：china-pub：http://search.china-pub.com/s/?key1=java%cc%d8%d6%d6%b1%f8&type=&pz=1京东：http://search.jd.com/Search?ke
- CSDN回帖得分大全（近两年）
√vs2005调用dll的时候Initialize()函数返回错误 [VC/MFC 基础类] 40 ylongwu 05-21 20:486 ylongwu06-28 13:42管理√为什么我创建登陆框之后，然后获取登陆框的数据时候总是... [VC/MFC 基础类] 100 wysbk002 05-22
- 洞悉linux下的Netfilter&iptables：什么是Netfilter？
很多人在接触iptables之后就会这么一种感觉：我通过iptables命令配下去的每一条规则，到底是如何生效的呢？内核又是怎么去执行这些规则匹配呢？...这些问题，都是我在接下来的博文中一一和大家分享的话题。
- JNI书籍特供
目录(?)[-] Chap1JNI完全手册Chap2JNI-百度百科Chap 3javah命令帮助信息Chap 4用javah产生一个h...Chap7Jni中C和Java的参数传递Chap8如何将java传递过来的jbyteArray转换成CC中的BYTE数组Chap5使用JNI技术实现java
- C语言面试题
1.理解main函数的参数,运行一下看看结果 #include int main(int argc, char* argv[], char *envp[]) { int i = 0; // walk through all the arguments ...// printf("argv[%d]=%s\n", i,
- [Mac A]为什么国外程序员爱用 Mac？
Mac 在国外很受欢迎，尤其是在 设计/web开发/IT 人员圈子里。普通用户喜欢 Mac 可以理解，毕竟 Mac 设计美观，简单好用，没有病毒。...从个人使用经验来看我想有下面几个原因： 1、Mac OS X 是基于 Unix 的。这...
- Linux从入门到精通（全套系列）
Linux从入门到系列课程，全部重点放在企业应用上面。课程主要针对互联网企业运维，因此不会花多余的时间去阐述无关紧要和企业用不到的东西，所以全程都是围绕实战运维，操作为主。 通过本课程的学习，大家可以从懵懂到熟悉，从熟悉到熟练，能够在企业中熟练运用，同时在学习的过程中有任何不明白的地方，都可以向我咨询，我会积极帮助大家解决问题。
- matlab神经网络30个案例分析
【目录】- MATLAB神经网络30个案例分析(开发实例系列图书) 第1章 BP神经网络的数据分类——语音特征信号分类1 本案例选取了民歌、古筝、摇滚和流行四类不同音乐，用BP神经网络实现对这四类音乐的有效分类。 第2章 BP神经网络的非线性系统建模——非线性函数拟合11 本章拟合的非线性函数为y=x21+x22。 第3章 遗传算法优化BP神经网络——非线性函数拟合21 根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优36 对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模45 BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。 第6章 PID神经元网络解耦控制算法——多变量系统控制54 根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。 第7章 RBF网络的回归——非线性函数回归的实现65 本例用RBF网络拟合未知函数，预先设定一个非线性函数，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函数解析式不清楚的情况下，随机产生x1,x2和由这两个变量按上式得出的y。将x1,x2作为RBF网络的输入数据，将y作为RBF网络的输出数据，分别建立近似和精确RBF网络进行回归分析，并评价网络拟合效果。 第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测73 根据货运量影响因素的分析，分别取国内生产总值（GDP），工业总产值，铁路运输线路长度，复线里程比重，公路运输线路长度，等级公路比重，铁路货车数量和民用载货汽车数量8项指标因素作为网络输入，以货运总量，铁路货运量和公路货运量3项指标因素作为网络输出，构建GRNN，由于训练数据较少，采取交叉验证方法训练GRNN神经网络，并用循环找出最佳的SPREAD。 第9章 离散Hopfield神经网络的联想记忆——数字识别81 根据Hopfield神经网络相关知识，设计一个具有联想记忆功能的离散型Hopfield神经网络。要求该网络可以正确地识别0~9这10个数字，当数字被一定的噪声干扰后，仍具有较好的识别效果。 第10章 离散Hopfield神经网络的分类——高校科研能力评价90 某机构对20所高校的科研能力进行了调研和评价，试根据调研结果中较为重要的11个评价指标的数据，并结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。 第11章 连续Hopfield神经网络的优化——旅行商问题优化计算100 现对于一个城市数量为10的TSP问题，要求设计一个可以对其进行组合优化的连续型Hopfield神经网络模型，利用该模型可以快速地找到最优（或近似最优）的一条路线。 第12章 SVM的数据分类预测——意大利葡萄酒种类识别112 将这178个样本的50%做为训练集,另50%做为测试集,用训练集对SVM进行训练可以得到分类模型,再用得到的模型对测试集进行类别标签预测。 第13章 SVM的参数优化——如何更好的提升分类器的性能122 本章要解决的问题就是仅仅利用训练集找到分类的最佳参数，不但能够高准确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况发生。 第14章 SVM的回归预测分析——上证指数开盘指数预测133 对上证指数从1990.12.20-2009.08.19每日的开盘数进行回归分析。 第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测141 在这个案例里面我们将利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测。 若您对此书内容有任何疑问，可以凭在线交流卡登录中文论坛与作者交流。 第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测153 本案例中给出了一个含有60个个体基因表达水平的样本。每个样本中测量了114个基因特征，其中前20个样本是癌症病人的基因表达水平的样本(其中还可能有子类), 中间的20个样本是正常人的基因表达信息样本, 余下的20个样本是待检测的样本(未知它们是否正常)。以下将设法找出癌症与正常样本在基因表达水平上的区别，建立竞争网络模型去预测待检测样本是癌症还是正常样本。 第17章SOM神经网络的数据分类——柴油机故障诊断159 本案例中给出了一个含有8个故障样本的数据集。每个故障样本中有8个特征，分别是前面提及过的：最大压力(P1)、次最大压力(P2)、波形幅度(P3)、上升沿宽度(P4)、波形宽度(P5)、最大余波的宽度(P6)、波形的面积(P7)、起喷压力(P8)，使用SOM网络进行故障诊断。 第18章Elman神经网络的数据预测——电力负荷预测模型研究170 根据负荷的历史数据，选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段负荷的目的。 第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断176 本案例在对油中溶解气体分析法进行深入分析后，以改良三比值法为基础，建立基于概率神经网络的故障诊断模型。 第20章 神经网络变量筛选——基于BP的神经网络变量筛选183 本例将结合BP神经网络应用平均影响值（MIV，Mean Impact Value）方法来说明如何使用神经网络来筛选变量，找到对结果有较大影响的输入项，继而实现使用神经网络进行变量筛选。 第21章 LVQ神经网络的分类——乳腺肿瘤诊断188 威斯康星大学医学院经过多年的收集和整理，建立了一个乳腺肿瘤病灶组织的细胞核显微图像数据库。数据库中包含了细胞核图像的10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度），这些特征与肿瘤的性质有密切的关系。因此，需要建立一个确定的模型来描述数据库中各个量化特征与肿瘤性质的关系，从而可以根据细胞核显微图像的量化特征诊断乳腺肿瘤是良性还是恶性。 第22章 LVQ神经网络的预测——人脸朝向识别198 现采集到一组人脸朝向不同角度时的图像，图像来自不同的10个人，每人5幅图像，人脸的朝向分别为：左方、左前方、前方、右前方和右方。试创建一个LVQ神经网络，对任意给出的人脸图像进行朝向预测和识别。 第23章 小波神经网络的时间序列预测——短时交通流量预测208 根据小波神经网络原理在MATLAB环境中编程实现基于小波神经网络的短时交通流量预测。 第24章 模糊神经网络的预测算法——嘉陵江水质评价218 根据模糊神经网络原理，在MATLAB中编程实现基于模糊神经网络的水质评价算法。 第25章 广义神经网络的聚类算法——网络入侵聚类229 模糊聚类虽然能够对数据聚类挖掘，但是由于网络入侵特征数据维数较多，不同入侵类别间的数据差别较小，不少入侵模式不能被准确分类。本案例采用结合模糊聚类和广义神经网络回归的聚类算法对入侵数据进行分类。 第26章 粒子群优化算法的寻优算法——非线性函数极值寻优236 根据PSO算法原理，在MATLAB中编程实现基于PSO算法的函数极值寻优算法。 第27章 遗传算法优化计算——建模自变量降维243 在第21章中，建立模型时选用的每个样本（即病例）数据包括10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度）的平均值、10个量化特征的标准差和10个量化特征的最坏值（各特征的3个最大数据的平均值）共30个数据。明显，这30个输入自变量相互之间存在一定的关系，并非相互独立的，因此，为了缩短建模时间、提高建模精度，有必要将30个输入自变量中起主要影响因素的自变量筛选出来参与最终的建模。 第28章 基于灰色神经网络的预测算法研究——订单需求预测258 根据灰色神经网络原理，在MATLAB中编程实现基于灰色神经网络的订单需求预测。 第29章 基于Kohonen网络的聚类算法——网络入侵聚类268 根据Kohonen网络原理，在MATLAB软件中编程实现基于Kohonen网络的网络入侵分类算法。 第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类277 为了便于使用MATLAB编程的新用户，快速地利用神经网络解决实际问题，MATLAB提供了一个基于神经网络工具箱的图形用户界面。考虑到图形用户界面带来的方便和神经网络在数据拟合、模式识别、聚类各个领域的应用，MATLAB R2009a提供了三种神经网络拟合工具箱（拟合工具箱/模式识别工具箱/聚类工具箱）。
- 华中科技大学educoder存储系统设计全部通关
华中科技大学educoder存储系统设计全部通关包含四路组和二路组，用了四天做的，查看电路把txt内容复制到circ文件中用logisim打开即可
- Microsoft Visual C++ 2015-2019 运行库合集，包含32位64位
Microsoft Visual C++ 2015-2019 运行库合集，32位64位都有，解决缺失dll包问题。
- STM32F103C8T6最小系统原理图
STM32F103C8T6最小系统原理图文件，包括电源电路、单片机等 11111111111111111111
- 从零基础开始用Python处理Excel数据.pdf
首先学习Python的基础知识，然后使用Python来控制Excel，做数据处理。 Excel使用者、Python爱好者、数据处理人员、办公人员等 第1章 python基础 1.1 什么是python？ 1.2 为什么要学习用Python处理Excel表格？ 1.3 手把手教你安装python程序 1.3.1 下载python 1.3.2 安装python 1.3.3 验证是否安装成功 1.4 安装Python集成开发工具PyCharm 1.4.1 下载 1.4.2 安装 1.5 Python的输入与输出
- 互联网+大赛商业计划书案例（慧淬 国赛金奖）.pdf
互联网+创新创业大赛国赛金奖——“慧淬”，商业计划书 互联网+创新创业大赛国赛金奖——“慧淬”，商业计划书