首頁 php教程 PHP开发 PHP進階OOP技術演示

PHP進階OOP技術演示

Dec 14, 2016 pm 01:32 PM

序列化(Serializing) 
PHP不支援永久對象,在OOP中永久對像是可以在多個應用的引用中保持狀態和功能的對象,這意味著擁有將對象保存到一個文件或數據庫中的能力,而且可以在以後裝入物件。這就是所謂的序列化機制。 PHP 擁有序列化方法,它可以透過物件調用,序列化方法可以傳回物件的字串表示。然而,序列化只保存了物件的成員資料而不包話方法。 
在 PHP4中,如果你將物件序列化到字串$s中,然後釋放對象,接著反序列化對象 
到$obj,你可以繼續使用物件的方法!我不建議這樣去做,因為(a)文 檔中沒有保證這種行為在以後的版本中仍然可以使用。 (b) 這個可能導致誤解,當你把一個序列化後的版本儲存到磁碟並退出腳本。當以後運行這個腳本時,你不能期待在反序列化一個物件時,物件的方法也會在那 裡,因為字串表示根本就不包括方法。 
總而言之,PHP 進行序列化對於保存物件的成員變數非常有用。 (你也可以將相關數組和數組序列化到一個文件中)。
範例:

複製程式碼如下:
<?php 
$obj=new Classfoo(); 
$str=serialize($obj); 
//保存$str1 //從磁碟中裝入str 
  
$obj2=unserialize($str)

你恢復了成員數據,但是不包括方法(根據文檔所說)。這導致了只能透過類似於使用$obj2->x來訪問成員變數(你沒有別的方法!)的唯一辦法,所以不要在家裡試它。 

有一些方法可以解決這個問題,我把它留著,因為對這篇簡潔的文章來說,他們太不好。我會很高興地歡迎在PHP的後續版本中有全序列化的特性。 

使用類別進行資料儲存PHP和OOP一件非常好的事情就是,你可以很容易地定義一個類別來操作某件事情,並且無論何時你想用的時候都可以呼叫對應的類別。 假設你有一個HTML表單,使用者可以透過選擇產品ID號碼來選擇一個產品。在資料庫中有產品的信息,你想把產品顯示出來,顯示它的價格等等。你擁有不同類型 的產品,同一個動作可能對不同的產品有不同的意義。例如,顯示一個聲音可能意味著播放它,但是對於其它種類的產品可能意味著顯示一個存在資料庫中的 圖片。你可以使用OOP或PHP來減少編碼並提高品質。
定義一個產品的類,定義它應該有的方法(例如:顯示),然後定義對每一種類型的產品 
的類,從產品類派後出來(SoundItem類,ViewableItem類,等等),覆蓋在產品類別中的方法,使它們按你的想法動作。
根據資料庫中每一種產品的類型(type)欄位為類別命名,一個典型的產品表可能有(id, type, price, description, 等等欄位)...然後在處理腳本中,你可以從在資料庫中取出type值,然後實例化一個名為type的物件:

複製程式碼如下:

<?php 

$obj=new $type(); 
$obj->action();

這是PHP的一個非常好的特性,你可以不用考慮物件的類型,呼叫$obj的顯示方法或其它的方法。使用這個技術,你不需要修改腳本去增加一個新類型的對象,只是增加一個處理它的類別。

這個功能很強大,只要定義方法,而不去考慮所有物件的類型,在不同的類別中按不同的方法實現它們,然後在主腳本中對任意物件使用它們,沒有if...else,也不需要兩個程式設計師, 

只有高興。 
現在你同意程式設計是容易的,維護是便宜的,可重複使用是真的嗎? 
如果你管理一組程式設計師,分配工作就是很簡單的了,每個人可能負責一個類型的物件和 
處理它的類別。 
可以透過這個技術實現國際化,根據使用者所選的語言欄位應用對應的類別就可以了,等等。
拷貝和克隆 
當你創建一個$obj的對象時,你可以通過$obj2=$obj來拷貝對象,新的對像是$obj的一個拷貝(不是一個引用),所以它具有$obj在當時的狀態。有時候,你不想這樣,你只是想產生一個像obj類別一樣的一個新的對象,可以通 過使用new語句來呼叫類別的建構子。在PHP中也可以透​​過序列化,和一個基底類別來實現,但所有的其它類別都要從基底類別衍生出來。
進入危險區域 
當你序列化一個對象,你會得到某種格式的字符串,如果你感興趣,你可以調究它,其中,字符串中有類的名字(太好了!),你可以把它取出來,象:

複製程式碼如下:
<?php 
$herring=serialize($obj); 
$vec=explode(':',$herring); 
$nam=str_replace(""",'',$vec[ 2]);

所以假設你創建了一個"Universe"的類,並且強制所有的類都必須從universe擴展,你可以在universe 中定義一個clone的方法,如下:

複製代碼如下:
<?php 
function clone() { 
$herring=serialize($this); 
$vec=explode(':',$herring); 
$nam=str_replace(""",'',$vec[2 ]); 
$ret=new $nam; 
return $ret; 


//然後 
$obj=new Something(); 
//從Universe擴充;

你所得到的是一個新的Something類別的對象,它同使用new方法,調用構造函數創建出的對像一樣。我不知道這個對你是否有用,但是Universe類別可以知道衍生類別的名字是一個好的經驗。想像是唯一的限制。 

這個語句就是寫入目前的時間。

想要獲取更多的相關文章請關注PHP中文網(www.php.cn)!

本網站聲明
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn

熱AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool

Undress AI Tool

免費脫衣圖片

Clothoff.io

Clothoff.io

AI脫衣器

Video Face Swap

Video Face Swap

使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱工具

記事本++7.3.1

記事本++7.3.1

好用且免費的程式碼編輯器

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用

禪工作室 13.0.1

禪工作室 13.0.1

強大的PHP整合開發環境

Dreamweaver CS6

Dreamweaver CS6

視覺化網頁開發工具

SublimeText3 Mac版

SublimeText3 Mac版

神級程式碼編輯軟體(SublimeText3)

Stable Diffusion 3論文終於發布,架構細節大揭秘,對復現Sora有幫助? Stable Diffusion 3論文終於發布,架構細節大揭秘,對復現Sora有幫助? Mar 06, 2024 pm 05:34 PM

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显著提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显著降低了使用AI

自動駕駛與軌跡預測看這篇就夠了! 自動駕駛與軌跡預測看這篇就夠了! Feb 28, 2024 pm 07:20 PM

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

DualBEV:大幅超越BEVFormer、BEVDet4D,開卷! DualBEV:大幅超越BEVFormer、BEVDet4D,開卷! Mar 21, 2024 pm 05:21 PM

這篇論文探討了在自動駕駛中,從不同視角(如透視圖和鳥瞰圖)準確檢測物體的問題,特別是如何有效地從透視圖(PV)到鳥瞰圖(BEV)空間轉換特徵,這一轉換是透過視覺轉換(VT)模組實施的。現有的方法大致分為兩種策略:2D到3D和3D到2D轉換。 2D到3D的方法透過預測深度機率來提升密集的2D特徵,但深度預測的固有不確定性,尤其是在遠處區域,可能會引入不準確性。而3D到2D的方法通常使用3D查詢來採樣2D特徵,並透過Transformer學習3D和2D特徵之間對應關係的注意力權重,這增加了計算和部署的

首個多視角自動駕駛場景影片產生世界模型 | DrivingDiffusion: BEV資料與模擬新思路 首個多視角自動駕駛場景影片產生世界模型 | DrivingDiffusion: BEV資料與模擬新思路 Oct 23, 2023 am 11:13 AM

作者的一些個人思考在自動駕駛領域,隨著BEV-based子任務/端到端方案的發展,高品質的多視圖訓練資料和相應的模擬場景建立愈發重要。針對當下任務的痛點,「高品質」可以解耦成三個面向:不同維度上的長尾場景:如障礙物資料中近距離的車輛以及切車過程中精準的朝向角,以及車道線資料中不同曲率的彎道或較難收集的匝道/匯入/合流等場景。這些往往靠大量的資料收集和複雜的資料探勘策略,成本高昂。 3D真值-影像的高度一致:當下的BEV資料取得往往受到感測器安裝/標定,高精地圖以及重建演算法本身的誤差影響。這導致了我

GSLAM | 一個通用的SLAM架構和基準 GSLAM | 一個通用的SLAM架構和基準 Oct 20, 2023 am 11:37 AM

突然發現了一篇19年的論文GSLAM:AGeneralSLAMFrameworkandBenchmark開源程式碼:https://github.com/zdzhaoyong/GSLAM直接上全文,感受這項工作的品質吧~1摘要SLAM技術最近取得了許多成功,並吸引了高科技公司的關注。然而,如何同一現有或新興演算法的介面,一級有效地進行關於速度、穩健性和可移植性的基準測試仍然是問題。本文,提出了一個名為GSLAM的新型SLAM平台,它不僅提供評估功能,還為研究人員提供了快速開發自己的SLAM系統的有用

綜述!深度模型融合(LLM/基礎模型/聯邦學習/微調等) 綜述!深度模型融合(LLM/基礎模型/聯邦學習/微調等) Apr 18, 2024 pm 09:43 PM

23年9月國防科大、京東和北理工的論文「DeepModelFusion:ASurvey」。深度模型整合/合併是一種新興技術,它將多個深度學習模型的參數或預測合併為一個模型。它結合了不同模型的能力來彌補單一模型的偏差和錯誤,以獲得更好的性能。而大規模深度學習模型(例如LLM和基礎模型)上的深度模型整合面臨一些挑戰,包括高運算成本、高維度參數空間、不同異質模型之間的干擾等。本文將現有的深度模型融合方法分為四類:(1)“模式連接”,透過一條損失減少的路徑將權重空間中的解連接起來,以獲得更好的模型融合初

《我的世界》化身AI小鎮,NPC居民角色扮演如同真人 《我的世界》化身AI小鎮,NPC居民角色扮演如同真人 Jan 02, 2024 pm 06:25 PM

請留意,這個方塊人正在緊鎖眉頭,思考著面前幾位「不速之客」的身份。原來她陷入了危險境地,意識到這一點後,她迅速展開腦力搜索,尋找解決問題的策略。最終,她決定先逃離現場,然後儘快尋求幫助,並立即採取行動。同時,對面的人也在進行著與她相同的思考……在《我的世界》中出現了這樣一個場景,所有的角色都由人工智慧控制。他們每個人都有著獨特的身份設定,例如之前提到的女孩就是一個年僅17歲但聰明又勇敢的快遞員。他們擁有記憶和思考能力,在這個以《我的世界》為背景的小鎮中像人類一樣生活。驅動他們的,是一款全新的、

不只3D高斯!最新綜述一覽最先進的3D重建技術 不只3D高斯!最新綜述一覽最先進的3D重建技術 Jun 02, 2024 pm 06:57 PM

寫在前面&筆者的個人理解基於圖像的3D重建是一項具有挑戰性的任務,涉及從一組輸入圖像推斷目標或場景的3D形狀。基於學習的方法因其直接估計3D形狀的能力而受到關注。這篇綜述論文的重點是最先進的3D重建技術,包括產生新穎的、看不見的視野。概述了高斯飛濺方法的最新發展,包括輸入類型、模型結構、輸出表示和訓練策略。也討論了尚未解決的挑戰和未來的方向。鑑於該領域的快速進展以及增強3D重建方法的眾多機會,對演算法進行全面檢查似乎至關重要。因此,本研究對高斯散射的最新進展進行了全面的概述。 (大拇指往上滑

See all articles