「java伴生类」java伴生对象
今天给各位分享java伴生类的知识，其中也会对java伴生对象进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录一览：
Scala伴生类Class和伴生对象Object的区别
1、Scala没有静态方法或者静态字段
2、伴生对象充当于静态方法的类，所以伴生对象中全是静态的
3、scala中的变量有两种var和val（val类似于Java中final，值不可改变）
package com.donews.objectBean
//伴生类
class Person() {
{
println("我是伴生类中代码块")
}
def toadd(x :Int , y :Int): Unit ={
Person.add(x , y)
}
}
//伴生对象
object Person{
{
println("我是伴生对象中静态代码块")
}
def add(x :Int , y :Int): Unit ={
println(x + y )
}
def main (args: Array[String] ) {
var x = 3 ;
var y = 5 ;
val p = new Person()
p.toadd(2,3)
add(x , y)
}
}
scala(十一) 派生类与派生对象
Scala语言是 完全面向对象 的语言，所以并没有静态的操作（即在Scala中没有静态的概念）。但是为了能够和Java语言交互（因为Java中有静态概念），就产生了一种特殊的对象来 模拟类对象 ，该对象为 单例对象 。若单例对象名与类名一致，则称该单例对象这个类的 伴生对象 ，这个类的所有“静态”内容都可以 放置在它的伴生对象 中声明。
在 java中静态的使用类名调用，非静态的使用对象调用。在scala中亦是如此。只不过scala没有 static 关键字，如何区分静态与非静态呢？
object 与 class 可以很好的区分静态与非静态。
运行：
以这样的方式做案例，就是想表达，他们虽然是伴生关系，但是相互间可以互不影响。
伴生类与伴生对象的特性：对方可以互相访问对方 private 修饰的成员。
运行 main 方法
运行结果
伴生类与伴生对象解析
有了apply 方法，创建伴生类对象就可以通过；伴生对象 object名称.apply() 进行调用
或者简写
如果 伴生类有有参构造，apply() 也是可以传参的。
伴生类
伴生对象
main
也可以指定多个 apply()。
新增一个 副构造器
配置带有一个参数的 apply()
调用运行
根据你的业务，可以配置更多 apply()
除了 apply 还有一个 unapply （之后再写） 。
scala 交互模式 代码怎么提示
Scala提供了很多学习材料帮助你学习核心语言内容，有很多在线的教程、示例和项目可以去研究。但是Scala提供的最重要的一个工具是交互模式（REPL）。REPL是一个交互式解释器，可以即时编译、运行代码并返回结果。假定你已经在机器上装好了Scala，也设置了正确的路径，那么在命令行下运行scala命令就可以启动Scala REPL。启动Scala REPL后屏幕上会输出如下内容：
后面的代码示例中，我会用scala提示这是输入到REPL的内容。接下来的一行是REPL的输出。我们在REPL里快速做几个例子，看看会得到什么输出。
你应该注意到了在我们输入解释器的每个语句后，它会输出一行信息，类似res0: java.lang.String = Hello。输出的第一部分是REPL给表达式起的变量名。在这几个例子里，REPL为每个表达式定义了一个新变量（res0到res3）。输出的第二部分（：后面的部分）是表达式的静态类型。第一个例子的类型是java.lang.String，最后一个例子的类型则是scala.util.matching.Regex。输出的最后一部分是表达式求值后的结果的字符串化显示。一般是对结果调用toString方法得到的输出，JVM给所有的类都定义了toString方法。
图2.1 REPL的返回值
如你所见，REPL是一种测试Scala语言及其类型系统的强有力手段。不仅如此，大部分构建工具都提供了机制让你能加载当前工程的classpath，然后启动REPL。这意味着你可以在REPL里访问工程中引用的库和你自己的代码。你能够在REPL里调用API和访问远端服务器。这是很棒的快速测试Web服务或REST API的方法，也导向我称为实验驱动开发（Experiment Driven Development）的方法。
2.1.1 实验驱动开发
实验驱动开发就是开发者在写测试或生产代码前，先花点时间在交互环境或REPL里做实验。这可以给你时间全面理解你需要打交道的软件或库的外部接口，并对其API的优点和缺点得到点切身体会。这是学习新发布的Web服务或RESTful API或最新的Apache库的极好办法，甚至可以用来学习你同事刚刚写出来的东西。在理解了API是怎么工作后，你就能更好地写自己的代码，或者开始写测试，如果你遵循测试驱动开发的话。
现在推动开发人员拥抱测试驱动开发（TDD）的呼声很高。TDD要求开发者先写单元测试，然后写实现类。在你开始写测试前，你并不总是很清楚自己的API要定义成什么样的。TDD的一个组成部分就是通过写测试来定义API，这样你可以在（用户的）上下文里来看你的代码，可以感觉一下你自己愿意不愿意用你自己写的API。由于表达力（较差）的原因，强类型语言在应用TDD时可能会比动态语言碰到更多麻烦。实验驱动开发将“定义API”这个步骤向前期推动一步，提前到了写测试代码之前。REPL帮助开发者确保其设计的API在类型系统里能表达得出来。
Scala是一种语法非常灵活的强类型语言，因此有时候需要用点手段欺骗类型系统才能达成你真正想要的API设计。因为很多开发者缺乏强类型理论基础，所以经常需要更多的实验。实验驱动设计（Experiment Driven Design）让你在REPL里结合类型系统进行实验，以便为你的API提炼出最有效的类型定义。实验驱动设计主要用在给代码里添加大特性或领域对象的时候，不适合在添加新方法或者修bug时使用。
实验驱动设计在你定义领域特定语言时（DSL）也能帮上大忙。领域特定语言是用于特定领域的伪编程语言，这种语言专门用来解决手头的某个领域，比如说，从数据库里查询数据。DSL可以是内部的，在很多Scala库里都能看到的；也可以是外部的，比如SQL。在Scala社区，库开发者圈子里非常流行为自己的库创建一种DSL。比如Scala的actors库定义了一种线程安全的发送和接收消息的DSL。
用Scala定义DSL的挑战之一在于有效地利用类型系统。设计良好的类型安全的DSL不仅应该富有表达力、易读，而且应该能在编译期而不是运行期捕捉到很多编程错误。同时静态类型信息也可以极大地提高性能。REPL不仅能用来实验怎样表达一个特定领域，而且能帮助你确定你得表达式是否能编译。进行Scala开发时，有些人采用下面这种创造性的流程。
在REPL里实验API设计。
把能工作的API拷贝到项目文件。
为API写单元测试。
修改代码直到测试通过。
有效地使用实验驱动开发能够极大地提高你的API的质量。也会帮你在推进过程中更适应Scala的语法。不过这种做法有个大问题，就是并非所有能用Scala表达的API都能在REPL里表达。这是因为REPL是积极（eagerly）解析输入，即时解释执行的。
2.1.2 绕过积极（eaglerly）解析
Scala REPL尝试尽可能快地解析输入。这个特点加上其他一些限制，意味着有些东西很难甚至是无法在REPL里表达的。其中一个难以表达的重要的功能是伴生对象和伴生类。
伴生对象和伴生类是一组用完全一样的名字定义的对象和类。用文件编译的方式很容易实现，就像这样简单的声明对象和类：
这些语句在REPL里也能执行，但是它们不会像真的伴生类那样起作用。为证明这一点，我们来做一些只有伴生对象能做，普通对象做不了的事：访问类的私有变量。
为了解决这个问题，我们需要把这些对象嵌入解释器里某个能访问到的其他作用域里。我们现在来把它们放入某个作用域里，以便能同时解释/编译类和伴生对象。
我们在这创建了一个holder对象。这给了我们一个可访问的作用域，也把REPL的编译推迟到holder对象关闭的时候。这样我们就可以在REPL里测试/定义伴生对象了。
即使绕过了积极解析，也还有一些语言特性无法在REPL里重现。大多数这种问题都跟包、包对象、包可见性约束等问题有关。尤其是你无法像在源代码文件里一样有效地在REPL里创建包和包对象。这也意味着其他跟包有关的语言特性，特别是使用private关键字实现的可见性限制也无法在REPL里表达。包通常用来为你的代码设定命名空间，以便与你可能使用的其他类库分开。通常情况下你不需要在REPL里用到它，但是可能有些时候你需要把玩一些Scala的高级特性，比如包对象和隐式解析（implicit resolution），这时你可能会想做点实验驱动开发。但是这种场景下，你无法在REPL里去表达。
请不要绝望。如我之前说过的，大部分构建工具可以让你启动一个针对你当前工程的Scala REPL。作为最后的手段，你可以在Scala文件里把玩那些高级概念，重编译然后重启REPL会话。
另外还有个工具叫做JRebel，它可以动态地在运行中的JVM里重载类文件。JRebel团队非常慷慨地为Scala中的使用提供了免费许可。利用这工具结合某种形式的持续编译—大部分Scala构建工具都提供的这一特性—你可以在修改工程文件后立刻在REPL会话里得到修改后的行为。对于maven-scala-plugin。Simple Build Tool提供了CC任务来做持续编译。不管用哪种构建工具都必须和JRebel类加载器集成以便实现动态类重载。这个技巧有点过于细节，而且可能会变，所以如果需要帮助请参考你用的构建工具的文档或者JRebel网站。
在尝试创建大而复杂的系统前，你可以先利用REPL来实验Scala代码，获得一些真实的感觉。软件开发中，在开发一个新特性前，对当前系统得到一个稍微深入一些的理解（而不只是草草看过）往往是很重要的。Scala REPL可以让你投入最少的时间达成对系统的理解，还可以提高你的开发技巧。本书全文穿插着很多REPL的例子，因为它是教学Scala的最好工具。我经常完全通过REPL运行示例，而不是采用Java开发时的标准做法，先写main方法或者单元测试。
REPL也是开始学习面向表达式编程的极佳方法。
spark和hadoop哪个好
大数据的浪潮风靡全球的时候，Spark火了。在国外 Yahoo!、Twitter、Intel、Amazon、Cloudera 等公司率先应用并推广 Spark 技术，在国内阿里巴巴、百度、淘宝、腾讯、网易、星环等公司敢为人先，并乐于分享。在随后的发展中，IBM、Hortonworks、微策略等公司纷纷将 Spark 融进现有解决方案，并加入 Spark 阵营。Spark 在IT业界的应用可谓星火燎原之势。
创新都是站在巨人的肩膀上产生的，在大数据领域Spark也不例外。在 Spark 出现前，要在一个平台内同时完成批处理、各种机器学习、流式计算、图计算、SQL 查询等数种大数据分析任务，就不得不与多套独立的系统打交道，这需要系统间进行代价较大的数据转储，但是这无疑会增加运维负担。Spark一开始就瞄准了性能，实现了在内存中计算。 话题讨论：1.Spark为啥这么火？Spark框架采用的编程语言是什么？是否容易上手？2. Spark能否成为Hadoop的替代者呢？为什么？它们有哪些相似点与区别？3.作为一种内存的迭代计算框架，Spark使用哪些场景？4.淘宝为什么会选择Spark计算框架呢？5.Mesos 是一个能够让多个分布式应用和框架运行在同一集群上的集群管理平台。那么它是如何来调度和运行Spark的呢？6.Spark 为什么会选择弹性分布式数据集（RDD）作为它的数据存储核心？而不是分布式共享内存（Distributed Shared Memory）DSM？它们有哪些区别？ 7.Spark on YARN与Spark有啥区别？8.有人觉得，大数据时代，最精髓的IT技术是Hadoop ,Yarn,Spark，您是否体验过？看好哪个？
1.Spark为啥这么火？Spark框架采用的编程语言是什么？是否容易上手？
Spark是基于内存的迭代计算框架，适用于需要多次操作特定数据集的应用场合，如pageRank、K-Means等算法就非常适合内存迭代计算。Spark整个生态体系正逐渐完善中，GraphX 、 SparkSQL、 SparkStreaming 、 MLlib，等到Spark有了自己的数据仓库后，那就完全能与Hadoop生态体系相媲美。 Spark框架采用函数式编程语言Scala，Scala语言的面向对象、函数式、高并发模型等特点，使得Spark拥有了更高的灵活性及性能。如果你学过java，可能会对scala中的一些新概念表示陌生，如隐式转换、模式匹配、伴生类等，但一旦入门，你会感觉scala语言的简洁与强大。
2. Spark能否成为Hadoop的替代者呢？为什么？它们有哪些相似点与区别？
两者的侧重点不同，使用场景不同，个人认为没有替代之说。Spark更适合于迭代运算比较多的ML和DM运算。因为在Spark里面，有RDD的概念。RDD可以cache到内存中，那么每次对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了MapReduce大量的磁盘IO操作。但是，我们也要看到spark的限制：内存。我认为Hadoop虽然费时，但是在OLAP等大规模数据的应用场景，还是受欢迎的。目前Hadoop涵盖了从数据收集、到分布式存储，再到分布式计算的各个领域，在各领域都有自己独特优势。
3. 作为一种内存的迭代计算框架，Spark适用哪些场景？
适用于迭代次数比较多的场景。迭代次数多的机器学习算法等。如pageRank、K-Means等。
4. 淘宝为什么会选择Spark计算框架呢？
这主要基于淘宝业务的应用场景，其涉及了大规模的数据处理与分析。其主要是应用Spark的GraphX图计算，以便进行用户图计算：基于最大连通图的社区发现、基于三角形计数的关系衡量、基于随机游走的用户属性传播等。
5.Mesos 是一个能够让多个分布式应用和框架运行在同一集群上的集群管理平台。那么它是如何来调度和运行Spark的呢？
目前在Spark On Mesos环境中，用户可选择两种调度模式之一运行自己的应用程序 粗粒度模式（Coarse-grained Mode）：每个应用程序的运行环境由一个Dirver和若干个Executor组成，其中，每个Executor占用若干资源，内部可运行多个Task（对应多少个“slot”）。应用程序的各个任务正式运行之前，需要将运行环境中的资源全部申请好，且运行过程中要一直占用这些资源，即使不用，最后程序运行结束后，回收这些资源。举个例子，比如你提交应用程序时，指定使用5个executor运行你的应用程序，每个executor占用5GB内存和5个CPU，每个executor内部设置了5个slot，则Mesos需要先为executor分配资源并启动它们，之后开始调度任务。另外，在程序运行过程中，mesos的master和slave并不知道executor内部各个task的运行情况，executor直接将任务状态通过内部的通信机制汇报给Driver，从一定程度上可以认为，每个应用程序利用mesos搭建了一个虚拟集群自己使用。 细粒度模式（Fine-grained Mode）：鉴于粗粒度模式会造成大量资源浪费，Spark On Mesos还提供了另外一种调度模式：细粒度模式，这种模式类似于现在的云计算，思想是按需分配。与粗粒度模式一样，应用程序启动时，先会启动executor，但每个executor占用资源仅仅是自己运行所需的资源，不需要考虑将来要运行的任务，之后，mesos会为每个executor动态分配资源，每分配一些，便可以运行一个新任务，单个Task运行完之后可以马上释放对应的资源。每个Task会汇报状态给Mesos slave和Mesos Master，便于更加细粒度管理和容错，这种调度模式类似于MapReduce调度模式，每个Task完全独立，优点是便于资源控制和隔离，但缺点也很明显，短作业运行延迟大。
6.Spark 为什么会选择弹性分布式数据集（RDD）作为它的数据存储核心？而不是分布式共享内存（Distributed Shared Memory）DSM？它们有哪些区别？
RDD是Spark的最基本抽象,是对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现。RDD是Spark最核心的东西，它表示已被分区，不可变的并能够被并行操作的数据集合，不同的数据集格式对应不同的RDD实现。RDD必须是可序列化的。RDD可以cache到内存中，每次对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了MapReduce大量的磁盘IO操作。这对于迭代运算比较常见的机器学习算法, 交互式数据挖掘来说，效率提升比较大。 RDD只能从持久存储或通过Transformations操作产生，相比于分布式共享内存（DSM）可以更高效实现容错，对于丢失部分数据分区只需根据它的lineage就可重新计算出来，而不需要做特定的Checkpoint。
7.Spark on YARN与Spark有啥区别？
让Spark运行在一个通用的资源管理系统（如yarn）之上，最大的好处是降低运维成本和提高资源利用率（资源按需分配），部分容错性和资源管理交由统一的资源管理系统完成。而spark单独是无法有效提高资源利用率。
8.有人觉得，大数据时代，最精髓的IT技术是Hadoop ,Yarn,Spark，您是否体验过？看好哪个？
Yarn不就是Hadoop MapReduce新框架吗，这里为何要单独列出。个人认为当下Hadoop生态体系相当庞大，且技术日趋成熟，Spark还有待发展。如果有一天，Hadoop加进内存计算模型，到时，Spark又会是怎样的处境呢？
关于java伴生类和java伴生对象的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。
发布于：2022-11-30，除非注明，否则均为原创文章，转载请注明出处。