对比@Resource和@Autowired


版权声明

  • 本文原创作者:谷哥的小弟
  • 作者博客地址:http://blog.csdn.net/lfdfhl

在这里插入图片描述

@Resource和@Autowired概述

在Java的Spring框架中,@Resource和@Autowired都是用于实现依赖注入(Dependency Injection, DI)的重要注解。依赖注入是一种实现控制反转(Inversion of Control, IoC)的设计模式,它允许将对象之间的依赖关系交由外部容器(如Spring IoC容器)来管理和注入,从而降低了代码之间的耦合度,提高了系统的可维护性和可扩展性。@Resource和@Autowired都能够帮助开发者自动装配bean,无需手动创建和配置对象之间的关系。

@Resource和@Autowired相同点

@Resource和@Autowired的主要相同点如下:

  • 1、目的相同:都是为了解决依赖关系的装配问题,使得开发者能够更专注于业务逻辑的实现,而不用关心对象之间的依赖关系如何创建和配置。

  • 2、简化配置:两者都极大地简化了Spring应用程序的配置工作,减少了手动配置和代码编写的复杂性。

  • 3、自动装配:都支持自动装配功能,能够根据一定的规则自动将合适的bean注入到需要的地方。

  • 4、与Spring容器集成:@Resource虽然是Java EE标准的一部分,但在Spring中也被完全支持,与Spring容器的集成非常紧密。而@Autowired是Spring特有的注解,与Spring容器的集成更加深入。

@Resource和@Autowired不同点

@Resource和@Autowired的主要不同点如下:

  • 1、来源与标准:
    @Resource:来源于JSR-250规范,是Java EE的标准注解,因此在Java EE环境中也能使用。
    @Autowired:是Spring框架特有的注解,专门用于Spring IoC容器中的自动装配。
  • 2、注入方式与查找顺序:
    @Resource:默认按名称进行装配。如果找不到指定名称的bean,则会回退到按类型查找。它支持通过name和type属性来指定要注入的bean的名称和类型。
    @Autowired:默认按类型进行装配。当存在多个相同类型的bean时,可以通过配合@Qualifier注解来指定具体的bean名称进行注入。此外,它还支持按构造函数、字段、方法等多种方式进行注入。
  • 3、异常处理:
    当找不到匹配的bean时,两者都会抛出异常。但是,@Autowired提供了required属性(虽然在现代Spring版本中不推荐使用),当设置为false时,如果找不到匹配的bean,则不会抛出异常,而是注入一个null值。然而,这可能会导致运行时空指针异常的风险。@Resource没有类似的required属性,如果找不到匹配的bean,它会直接抛出异常。
  • 4、使用范围与灵活性:
    @Resource:可以用于字段和setter方法上,但不支持构造函数注入。由于它同时支持按名称和类型进行装配,因此在某些特定场景下可能更加灵活。
    @Autowired:可以用于字段、setter方法、构造函数以及任意方法上(例如配置方法)。它提供了更广泛的注入方式和更高的灵活性。特别是构造函数注入,它是Spring推荐的最佳实践之一,因为它可以确保在对象创建时就完成了依赖项的注入。
  • 5、与Spring特性的集成:
    由于@Autowired是Spring特有的注解,它与Spring的其他特性(如AOP、事务管理等)的集成更加紧密和顺畅。而@Resource虽然也可以在Spring中使用,但与Spring特性的集成可能没有@Autowired那么深入。

综上所述,@Resource和@Autowired虽然都是用于实现依赖注入的注解,但它们在来源、注入方式、查找顺序、异常处理、使用范围以及与Spring特性的集成等方面存在一些差异。在实际应用中,开发者应根据具体的需求和场景来选择合适的注解进行依赖注入。

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.mfbz.cn/a/391431.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

【机器学习笔记】11 支持向量机

支 持 向 量 机 ( Support Vector Machine,SVM ) 支 持 向 量 机 是 一 类 按 监 督 学 习 ( supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其…

Python教程(26)——Python迭代器和生成器详解

迭代器 Python中的迭代器是一种对象,它可以迭代(遍历)一个可迭代对象(比如列表、元组或字符串)的元素。迭代器用于实现迭代器协议,即包含 __iter__() 方法和 __next__() 方法。 迭代器的工作原理是每次调…

大模型- 检索增强七宗罪

前言 地址:https://arxiv.org/pdf/2401.05856.pdf 标题:Seven Failure Points When Engineering a Retrieval Augmented Generation System 这篇论文介绍了如何设计一个检索增强生成系统(RAG),作者通过对三个不同领域…

人工智能专题:通过AI转变保险(英译中)

今天分享的是人工智能系列深度研究报告:《人工智能专题:通过AI转变保险(英译中)》。 (报告出品方:VIEWPOINT) 在新时代释放数据的力量 在数据和人工智能 ( AI ) 融合的…

Mac配置Python3最简单的方法

此文介绍Mac用Anaconda配置Python3 达成效果 能让你目前只装有Python2的Mac装上Python3,同时拥有很多科学计算库 anaconda介绍 anaconda 是一个python的发行版,包括了python和很多常见的软件库, 和一个包管理器conda。常见的科学计算类的库都包含在里…

Java集合篇之深入解析ArrayList,这六问你答的上来吗?

写在开头 开年第一篇,先祝各位新的一年身体健康,学业有成,事业有成哈,春节期间就是咔咔乱吃,咔咔乱玩,把学习都抛一边子去了,已经9天没有学习了,深深的懊悔,从今天开始&…

人工智能学习与实训笔记(八):百度飞桨套件使用方法介绍

人工智能专栏文章汇总:人工智能学习专栏文章汇总-CSDN博客 本篇目录 八、百度飞桨套件使用 8.1 飞桨预训练模型套件PaddleHub 8.1.1 一些本机CPU可运行的飞桨预训练简单模型(亲测可用) 8.1.1.1 人脸检测模型 8.1.1.2 中文分词模型 8.1…

2-17作业

#!/bin/bash read zifu case $zifu in [[:lower:]]) echo "小写字母" ;; [0-9]) echo "是数字字符" ;; [[:upper:]]) echo "是大写字母" ;; esac #!/bin/bash arr(ls ~) len${#arr…

Codeforces Round 926 (Div. 2)(A,B,C,D,E,F)

这场还是很有含金量的,B题开始就有难度了,B是个推结论的题,C要推结论然后递推,D题是有点难的树上DP(主要是状态转移方程不好写),E题是个二进制预处理然后状压DP,F题是个数论&#xf…

使用Apache ECharts同时绘制多个统计图表

目录 1、介绍 2、相关知识 3、代码 4、效果 🍃作者介绍:双非本科大三网络工程专业在读,阿里云专家博主,专注于Java领域学习,擅长web应用开发、数据结构和算法,初步涉猎Python人工智能开发和前端开发。 …

Linux第59步_“buildroot”构建根文件系统第1步_生成rootfs.tar和rootfs.ext4以及通过nfs下载测试

学习安装“buildroot”,通过配置构建根文件系统,编译生成rootfs.tar和rootfs.ext4,以及通过nfs下载测试。 1、了解学习目的: 1)、获取“buildroot”安装包; 2)、使用“buildroot”构建根文件系统; 3)、…

【论文精读】Latent Diffusion

摘要 Diffusion models(DMs)被证明在复杂自然场景的高分辨率图像合成能力优于以往的GAN或autoregressive (AR)transformer。作为基于似然的模型,其没有GAN的模式崩溃和训练不稳定问题,通过参数共享&#xf…

五分钟搭建本地大数据集群

引言 刚接触大数据以及部分接触大数据多年的伙伴可能从来没有自己搭建过一套属于自己的大数据集群,今天就花点时间聊聊怎么快速搭建一套属于自己、且可用于操作、调试的大数据集群 正文 本次搭建的组件都有以下服务以及对应的版本 hadoop(3.2.4&…

人工智能学习与实训笔记(四):神经网络之NLP基础—词向量

人工智能专栏文章汇总:人工智能学习专栏文章汇总-CSDN博客 本篇目录 四、自然语言处理 4.1 词向量 (Word Embedding) 4.1.1 词向量的生成过程 4.1.2 word2vec介绍 4.1.3 word2vec:skip-gram算法的实现 4.2 句向量 - 情感分析 4.2.1 LSTM (Long S…

嵌入式Qt Qt中的字符串类

一.Qt中的字符串类 QString vs string&#xff1a; QString在Qt库中几乎是无所不在的 所有的Qt图形用户组件都依赖于QString 实验1 &#xff1a;QString 初体验 #include <QDebug> void Sample_1() {QString s "add";s.append(" "); // &q…

为什么MySQL不建议使用TEXT字段?

当我们深入探讨“为什么MySQL不建议使用TEXT字段&#xff1f;”这一问题时&#xff0c;可以从一下多个方面来详细理解这个问题&#xff1a; 1. 性能问题 性能问题是MySQL不建议使用TEXT字段的一个重要原因。TEXT字段通常以外部存储方式保存&#xff0c;而不是像固定长度或可变…

边缘计算第二版施巍松——第8章边缘计算系统实例

8.1边缘计算系统概述 1.Cloudlet 架构&#xff1a;移动设备-Cloudlet-云 cloudlet也可以像云一样为用户提供服务&#xff0c;Cloudlet离移动设备只有一跳的距离&#xff0c;具有物理距离的临近性&#xff0c;可以保证实时反馈时延低&#xff0c;又可以利用局域网的高带宽优势&…

【web | CTF】BUUCTF [BJDCTF2020]Easy MD5

天命&#xff1a;好像也挺实用的题目&#xff0c;也是比较经典吧 天命&#xff1a;把php的MD5漏洞都玩了一遍 第一关&#xff1a;MD5绕过 先声明一下&#xff1a;这题的MD5是php&#xff0c;不是mysql的MD5&#xff0c;把我搞迷糊了 一进来题目啥也没有&#xff0c;那么就要看…

计算机设计大赛 深度学习中文汉字识别

文章目录 0 前言1 数据集合2 网络构建3 模型训练4 模型性能评估5 文字预测6 最后 0 前言 &#x1f525; 优质竞赛项目系列&#xff0c;今天要分享的是 &#x1f6a9; 深度学习中文汉字识别 该项目较为新颖&#xff0c;适合作为竞赛课题方向&#xff0c;学长非常推荐&#xf…

[leetcode刷题] 组合

对于递归回溯我觉得是需要多写多分析&#xff0c;递归三部曲&#xff1a;1.返回值和参数&#xff1b;2.终止条件&#xff1b;3.单层递归逻辑 1.通常情况下返回值都是void&#xff0c;参数的话根据实际需求设计&#xff0c;如果设置了全局变量那输入参数就可以少写几个&#xf…
最新文章