新闻详情

新闻详情

首页 / 资讯中心 / 详情

《重构:改善既有代码的设计》笔记

发布时间:2026/11/17 13:21:53来源:尧图网络
《重构:改善既有代码的设计》笔记
思维导图转载https://www.processon.com/view/60fbcae1e401fd7e997aa66e重构的基本功识别坏味道、测试先行、行为保持1.识别坏味道、测试先行、行为保持的变更动作是重构的基本功。2.TDD测试驱动开发 先写测试再写实现代码用测试来驱动代码的设计和开发。TDD 的基本循环三个步骤——也叫红绿重构循环Red-Green-Refactor1.Red写失败的测试写一个还没实现功能的测试代码运行它测试必然失败。2.Green写代码通过测试写最简单的代码让测试通过不求完美只求通过。3.Refactor重构代码在测试通过的前提下优化实现的结构让代码更优雅、可维护。然后重复这个循环写下一个测试再实现再重构。3.保持代码易读、易修改的关键就是重构。4.需求的变化使重构变得必要5.设计模式为重构提供了目标6.重构前先检查自己是否有一套可靠的测试集。这些测试必须有自我检验能力否则就得耗费大把时间来回比对这会降低开发速度。7.在做任何提炼前我一般都会先移除局部变量。8.如果重构引入了性能损耗先完成重构再做性能优化。9.重构过程的精髓所在小步修改。每一步都伴随着一次编译、测试以及向本地代码库的提交。特别是在事情变复杂时。10.“计算逻辑的差异是由类型代码确定”最自然的解决办法类型多态。11.更愿意有自测试的代码但如果没有自动化重构的工具包也很好。12.如果你对大多数程序进行分析就会发现它把大半时间都耗费在一小半代码身上。13.除了用来记述将来的打算之外注释还可以用来标记你并无十足把握的区域。你可以在注释里写下自己“为什么做某某事”。这些信息可以帮助将来的修改者尤其是那些健忘的家伙。14.测试应该是一种风险驱动的行为我测试的目标是希望找出现在或未来可能出现的 bug。所以我不会去测试那些仅仅读或写一个字段的访问函数因为它们太简单了不太可能出错。测试的重点应该是那些我最担心出错的部分这样就能从测试工作中得到最大利益。15.当测试数量达到一定程度之后继续增加测试带来的边际效用会递减如果试图编写太多测试你也可能因为工作量太大而气馁最后什么都写不成。你应该把测试集中在可能出错的地方。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉