128陷阱详解(从源码分析)

1、128陷阱描述

Integer 整型 -128~127 超过这个范围,==比较会不准确

例子

public static void main(String[] args) {Integer a=128;Integer b=128;Integer e=127;Integer f=127;System.out.println(a==b);   //输出falseSystem.out.println(a.equals(b));  //输出trueSystem.out.println(e==f);   //输出trueSystem.out.println(e.equals(f));  //输出true}
}

2、源码分析

当执行Integer a=128时,实际上会首先调用Integer.valueOf(128)来指定int值返回Integer实例给a,Integer.valueOf()源码如下:

注解翻译如下:

 

该方法返回一个表示指定int值的Integer实例。如果不需要创建新的Integer实例,通常应该优先使用此方法而不是Integer(int)构造函数,因为此方法可能通过缓存经常请求的值来显著提高空间和时间性能。此方法将始终缓存范围在-128到127(包含-128和127)之间的值,并且可能还会缓存这个范围之外的其他值。

参数

  • i – 一个int类型的值。

返回值

  • 一个表示iInteger实例。

自版本

  • 1.5开始提供。

 同时IntegerCache数组缓存源码如下:

private static class IntegerCache {static final int low = -128;static final int high;static final Integer cache[];static {// high value may be configured by propertyint h = 127;String integerCacheHighPropValue =sun.misc.VM.getSavedProperty("java.lang.Integer.IntegerCache.high");if (integerCacheHighPropValue != null) {try {int i = parseInt(integerCacheHighPropValue);i = Math.max(i, 127);// Maximum array size is Integer.MAX_VALUEh = Math.min(i, Integer.MAX_VALUE - (-low) -1);} catch( NumberFormatException nfe) {// If the property cannot be parsed into an int, ignore it.}}high = h;cache = new Integer[(high - low) + 1];int j = low;for(int k = 0; k < cache.length; k++)cache[k] = new Integer(j++);// range [-128, 127] must be interned (JLS7 5.1.7)assert IntegerCache.high >= 127;}private IntegerCache() {}}

此静态类定义了IntegerCache.low=-128,IntegerCache.high=127,以及cache数组,根据high和low的值计算数组长度(high - low + 1),并为每个索引位置创建一个新的Integer对象。

a:当执行Integer.valueOf(128)时,首先会判断128>=-128&&128<=127,如果是false,直接创建新的Integer并返回;

同理,执行Integer b=128时也是会new Integer(128),并返回

c:当执行Integer.valueOf(127)时,由于127属于[-128,127],因此会直接返回事先创建好的cache[127]存储的Interger对象

同理,执行Integer d=127时,也是直接引用的cache[127]存储的Interger对象

因此a,b, c,d的地址如下

可以看到,a和b的地址不一致,这是由于a和b虽然值相等,但是其值不在[-128,127]范围内,因此每次会new Integer,在堆中重新分配内存地址,但是e和f属于 [-128,127],因此每次直接使用Integer缓存的对象,其地址一样。

同时==比较的是对象的地址,因此a==b会是false;

equals比较的是对象的值,因此a==b是true;

同理,c和d不管是地址还是值都相等,因此都为true

至此,就是我对128陷阱的全部理解,欢迎指正!!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/868807.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

PCI DSS是什么?

PCI DSS&#xff0c;全称为Payment Card Industry Data Security Standard&#xff08;支付卡行业数据安全标准&#xff09;&#xff0c;是由支付卡行业安全标准委员会&#xff08;PCI Security Standards Council&#xff09;制定的一套安全标准&#xff0c;旨在保护信用卡信息…

深入解析网络爬虫技术:从入门到进阶

目录 引言什么是网络爬虫网络爬虫的工作原理网络爬虫的基本类型如何设计一个网络爬虫常用的网络爬虫工具和框架实际案例分析网络爬虫的法律与伦理问题如何防范恶意爬虫总结 引言 在信息爆炸的时代&#xff0c;互联网上每天都会产生大量的数据。这些数据分散在各种网站和平台…

【十八】【QT开发应用】标签页QTabWidget的常见用法

#include "widget.h" // 包含自定义的widget头文件 #include <QHBoxLayout> // 包含QHBoxLayout头文件&#xff0c;用于水平布局 #include <QTabWidget> // 包含QTabWidget头文件&#xff0c;用于创建标签页控件 #include <QDebug> // 包含QDebug头…

数据中心的智能负载组,为什么以及做什么?

停电会因停机而造成巨大损失。根据电力研究所 &#xff08;EPRI&#xff09; 的数据&#xff0c;98% 的停电持续时间不到 10 秒。但这10秒是毁灭性的。由于每分钟闲置的成本约为 5,600 美元&#xff0c;公司投资于确保其基础设施连续性的系统。负载组是测试和确保所需连续性的基…

Python面试宝典第8题:二叉树遍历

题目 给定一棵二叉树的根节点 root &#xff0c;返回它节点值的前序遍历。 示例 1&#xff1a; 输入&#xff1a;root [1,null,2,3] 输出&#xff1a;[1,2,3] 示例 2&#xff1a; 输入&#xff1a;root [] 输出&#xff1a;[] 示例 3&#xff1a; 输入&#xff1a;root […

设计模式的一点理解

设计模式需要变化的角度看问题&#xff0c;思考和应对未来可能发生的变化&#xff1b; 在设计模式中&#xff0c;“封装变化”是一个核心原则&#xff0c;它强调了软件设计应该关注分离那些可能会变化的部分&#xff0c;以便在不影响系统其余部分的情况下&#xff0c;容易地修改…

谷歌学术与百度学术界面设计之比较:简约与华丽的对决

关于学术搜索&#xff0c;众所周知&#xff0c;谷歌学术与百度学术乃是两大翘楚选手&#xff0c;分别源自美中两地&#xff0c;竞相问鼎学术领域之巅。今番&#xff0c;笔者将为诸位剖析这两款学术搜索引擎之异同及优劣。 界面设计&#xff1a;谁更吸引眼球&#xff1f; 接下…

怎样在 PostgreSQL 中优化对大数值类型数据的计算?

文章目录 一、选择合适的数据类型二、索引优化三、查询语句优化四、数据库配置调整五、使用扩展功能六、示例七、总结 在 PostgreSQL 中处理大数值类型数据&#xff08;例如 BIGINT、NUMERIC 等&#xff09;的计算时&#xff0c;可能会遇到性能瓶颈。为了优化这些计算&#xff…

深度探讨:Facebook在全球范围内的社会影响力

Facebook作为全球最大的社交平台之一&#xff0c;不仅改变了人们的社交方式&#xff0c;还对全球社会产生了深远的影响。本文将从多个角度探讨Facebook在全球范围内的社会影响力&#xff0c;深入分析其对个人、社区和全球社会的多方面影响。 1. 信息传播与社交互动的革新 Fac…

云原生监控-Kubernetes-Promethues-Grafana

云原生监控-Prometheus 作者:行癫(盗版必究) 引读:本文章所涉及到技术点包括Prometheus、Grafana、Kuebrnetes;Prometheus基于外部构建采集并监控Kubernetes集群以及集群中的应用,例如使用mysql-node-exporter、nginx-node-exporter采集Kuebrnetes集群中的应用数据,使用…

语言模型的进化:从NLP到LLM的跨越之旅

在人工智能的浩瀚宇宙中&#xff0c;自然语言处理&#xff08;NLP&#xff09;一直是一个充满挑战和机遇的领域。随着技术的发展&#xff0c;我们见证了从传统规则到统计机器学习&#xff0c;再到深度学习和预训练模型的演进。如今&#xff0c;我们站在了大型语言模型&#xff…

音频demo:将PCM数据和Speex数据进行相互编解码

1、README a. libspeex移植步骤 源码下载地址&#xff1a;https://xiph.org/downloads/ 或 https://www.speex.org/downloads/ 或 https://www.linuxfromscratch.org/blfs/view/svn/multimedia/speex.html tar xzf speex-1.2.1.tar.gzcd speex-1.2.1/./configure --prefix$PW…

政安晨:【Keras机器学习示例演绎】(五十三)—— 使用 TensorFlow 决策森林进行分类

目录 简介 设置 准备数据 定义数据集元数据 配置超参数 实施培训和评估程序 实验 1&#xff1a;使用原始特征的决策森林 检查模型 实验 2&#xff1a;目标编码决策森林 创建模型输入 使用目标编码实现特征编码 使用预处理器创建梯度提升树模型 训练和评估模型 实验…

社区6月月报 | Apache DolphinScheduler重要修复和优化记录

各位热爱Apache DolphinScheduler的小伙伴们&#xff0c;社区6月月报更新啦&#xff01;这里将记录Apache DolphinScheduler社区每月的重要更新&#xff0c;欢迎关注。 月度Merge Stars 感谢以下小伙伴上个月为Apache DolphinScheduler所做的精彩贡献&#xff08;排名不分先后…

矩阵式键盘最小需要多少个IO驱动

1. 概述 矩阵式键盘由于有其占用硬件资源少的优点有着极其广泛的应用&#xff0c;如PC键盘、电话按键、家用电器等等这类产品.矩阵键盘的基本原理如下所示&#xff08;仅是原理示例&#xff0c;实际实现上还会为每个按键加上防倒流的二极管解决“鬼影”问题&#xff09;&#x…

Windows下编译OpenSSL静态库

目录 1. 版本与下载地址 2. 下载与安装VS2015 3. 下载与安装Perl 4. 测试ActivePerl是否安装正确 5. 下载OpenSSL 6. 编译32位OpenSSL静态库 6.1 解压openssl-1.0.2l.tar.gz 6.2 打开VS2015 x86本机工具命令提示符 6.3 输入命令进入到openssl的目录中 6.4 执行配置命…

完美解决AttributeError: ‘DataFrame‘ object has no attribute ‘ix‘的正确解决方法,亲测有效!!!

完美解决AttributeError: ‘DataFrame’ object has no attribute ix’的正确解决方法&#xff0c;亲测有效&#xff01;&#xff01;&#xff01; 亲测有效 完美解决AttributeError: DataFrame object has no attribute ix的正确解决方法&#xff0c;亲测有效&#xff01;&…

(十五)GLM库对矩阵操作

GLM简单使用 glm是一个开源的对矩阵运算的库&#xff0c;下载地址&#xff1a; https://github.com/g-truc/glm/releases 直接包含其头文件即可使用&#xff1a; #include <glad/glad.h>//glad必须在glfw头文件之前包含 #include <GLFW/glfw3.h> #include <io…

Spring 集成测试指南

在软件开发中&#xff0c;集成测试是一种重要的测试方法&#xff0c;用于验证应用程序各个模块之间的协同工作是否正常。Spring 提供了强大的 Spring Test 模块&#xff0c;以及 MockMvc 工具来进行 HTTP 请求的模拟和验证。本文将介绍如何在 Spring 中进行集成测试&#xff0c…

深入解析ROC曲线及其应用

深入解析ROC曲线及其应用 什么是ROC曲线&#xff1f; ROC曲线&#xff08;Receiver Operating Characteristic Curve&#xff09;&#xff0c;即受试者工作特征曲线&#xff0c;是一种用于评估分类模型性能的工具。它通过展示真阳性率&#xff08;TPR&#xff09;与假阳性率&…