博客
关于我
Java设计模式——观察者模式
阅读量:695 次
发布时间:2019-03-17

本文共 1649 字,大约阅读时间需要 5 分钟。

观察者模式是面向对象编程中常用的设计模式,它描述了对象之间一对多的依赖关系。当一个对象的状态发生变化时,能够自动通知其他关联对象并刷新其状态。这个模式由两个核心角色组成:Subject(被观察者)和Observer(观察者)。

Subject的主要职责是通知变化。当其状态改变时,需要将这个信息传递给所有注册的Observer。为实现这一点,Subject需要维护一个观察者队列,包含所有关联的Observer对象。通过attach()方法可以添加新的Observer,detach()方法可以移除现有的Observer,notifyChanged()方法则负责调用所有Observer的update()方法,通知它们状态的变化。

相比于抽象层次的Subject,ConcreteSubject则是具体的实现类。它通常包含应用程序中核心业务逻辑的状态和相关操作。Observer则是另一角色,它通过接收通知来更新自身状态。在实际应用中,Observer的具体实现通常会在通知被触发时执行一些特定的业务逻辑操作。

观察者模式的应用广泛,特别是在需要动态管理多个对象间的状态关系的场景中。一种典型的应用案例是MVC模型。例如,在MVC框架中,通常将模型当作Subject,视图则作为Observer。当模型的状态变化时,视图能够通过注册到模型中并接收通知,动态地刷新自身以反映最新的数据。

以下是一个简单的示例:

// Subject接口public interface Subject {    void attach(Observer observer);    void detach(Observer observer);    void notifyChanged();}// Observer接口public interface Observer {    void update();}// 具体实现类public class RealSubject implements Subject {    private List
observerList = new ArrayList<>(); @Override public void attach(Observer observer) { observerList.add(observer); } @Override public void detach(Observer observer) { observerList.remove(observer); } @Override public void notifyChanged() { for (Observer observer : observerList) { observer.update(); } }}// 具体实现类public class RealObject implements Observer { @Override public void update() { System.out.println("接收到了信息"); }}// 测试类public class Client { public static void main(String[] args) { Subject subject = new RealSubject(); Observer observer = new RealObject(); subject.attach(observer); subject.notifyChanged(); }}

运行测试代码,程序会输出“接收到了信息”,证明观察者模式的工作机制正常。

转载地址:http://qqbez.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 2024年AI初学者需要掌握的热门技能有哪些?
查看>>
OpenCV与AI深度学习 | CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !
查看>>
OpenCV与AI深度学习 | CoTracker3:用于卓越点跟踪的最新 AI 模型
查看>>
OpenCV与AI深度学习 | OpenCV中八种不同的目标追踪算法
查看>>
OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍
查看>>
OpenCV与AI深度学习 | OpenCV如何读取仪表中的指针刻度
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(一) :直接拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(三):基于特征匹配拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(二) :基于模板匹配拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(四):基于Stitcher类拼接
查看>>
OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
查看>>
OpenCV与AI深度学习 | PaddleOCR 2.9 发布, 正式开源文本图像智能分析利器
查看>>
OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | T-Rex Label !超震撼 AI 自动标注工具,开箱即用、检测一切
查看>>
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
查看>>
OpenCV与AI深度学习 | YOLOv10在PyTorch和OpenVINO中推理对比
查看>>
OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
查看>>
OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
查看>>
OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
查看>>
OpenCV与AI深度学习 | 一文带你读懂YOLOv1~YOLOv11(建议收藏!)
查看>>