Python:jpype模块调用Java函数

简介: Python:jpype模块调用Java函数

简介:

JPype is a Python module to provide full access to Java from within Python

Jpype是一个Python模块,用于从Python内部提供对Java的完全访问。


github:https://github.com/jpype-project/jpype/

文档:https://jpype.readthedocs.io/en/latest/index.html


安装

pip install JPype1

1、调用java内置函数

from jpype import *

startJVM(getDefaultJVMPath(), "-ea", convertStrings=False)

java.lang.System.out.println("hello world")

shutdownJVM()

2、调用用户自定义java类

Demo.java

public class Demo{
public int add(int a, int b){
return a + b;
}

public static void main(String[] args) {
Demo demo = new Demo();
System.out.println(demo.add(1, 1));
}
}

编译测试

$ javac Demo.java 
$ java Demo
2

通过python调用java类方法

# -- coding: utf-8 --

import jpype


jpype.startJVM(convertStrings=False)

Demo = jpype.JClass('Demo')
demo = Demo()

print(demo.add(1, 1))
# 2

jpype.shutdownJVM()

备注:两文件放同一目录下

            </div>
目录
相关文章
若依框架 --- 修改默认跳转页面
若依框架 --- 修改默认跳转页面
1218 0
|
4月前
|
人工智能 API
阿里巴巴发布开源视频编辑全功能模型Wan2.1-VACE,视频创作迎来"全能选手"!
阿里巴巴发布的开源模型Wan2.1-VACE,作为“万相2.1”系列成员,是业内首个视频生成与编辑统一解决方案。该多合一AI模型支持文本、图像和视频的多模态输入,提供视频生成、局部编辑、画面延展等功能,大幅提升创作效率。借助创新技术如“视频条件单元”和“上下文适配”,Wan2.1-VACE可广泛应用于短视频制作、广告营销等领域。模型已上线Hugging Face等平台,免费下载使用,助力AI普惠。
638 0
|
网络协议 Shell Android开发
解决adb网络连接中出现的“由于目标计算机积极拒绝,无法连接”错误
解决adb网络连接中出现的“由于目标计算机积极拒绝,无法连接”错误
解决adb网络连接中出现的“由于目标计算机积极拒绝,无法连接”错误
|
数据可视化
mac环境下graphviz安装及使用
mac环境下graphviz安装及使用
3896 0
mac环境下graphviz安装及使用
|
SQL 人工智能 自然语言处理
【AI 技术分享】大模型与数据检索的探索实践
本文基于2024年9月27日与阿里云合办的线下沙龙分享整理而成,探讨如何通过大语言模型(LLM)让数据访问更简单。随着企业数据量增长,传统数据访问方式已难以满足需求。LLM结合自然语言检索,使非技术用户能直接用自然语言与数据交互,降低数据访问门槛。文章介绍了NL2SQL技术,通过LLM理解自然语言问题并生成SQL查询,实现高效数据获取。同时,探讨了AskTable架构及其在实际应用中的挑战与解决方案。
745 5
【AI 技术分享】大模型与数据检索的探索实践
|
SQL Java 数据库
【Mybatis-plus异常】mybatis-plus updateById方法更新不了空字符串和null的解决方法
【Mybatis-plus异常】mybatis-plus updateById方法更新不了空字符串和null的解决方法
1399 0
|
Prometheus 监控 关系型数据库
数据库实时监控功能
【6月更文挑战第9天】数据库实时监控功能
377 4
|
机器学习/深度学习 安全 搜索推荐
计算机毕设题目设计与实现(论文+源码)_kaic
计算机毕设题目设计与实现(论文+源码)_kaic
|
机器学习/深度学习 数据采集 算法
机器学习之PyTorch和Scikit-Learn第4章 构建优秀的训练数据集 - 数据预处理Part 2
我们在第1章 赋予计算机学习数据的能力和第3章 使用Scikit-Learn的机器学习分类器之旅中简单地介绍了将数据集划分为训练集和测试集的概念。在测试集中比较预测标签和真实标签可以看成是发布上线前对模型的无偏差性能评估。本节中,我们会准备一个新的数据集,葡萄酒数据集。在预处理完数据集后,我们会探讨不同的特征选择技术来对数据集降维。
504 0
机器学习之PyTorch和Scikit-Learn第4章 构建优秀的训练数据集 - 数据预处理Part 2
|
数据采集 数据可视化 数据挖掘
数据分析案例-四川省旅游景点数据分析
数据分析案例-四川省旅游景点数据分析
793 0
数据分析案例-四川省旅游景点数据分析