关于Record类型RTTI反射的用途和方法

简介:  问题的引入:准备做一个多国语言软件,发现信息变量(都是字符串)数量庞大,如果简单的通过 “变量=readstring”从ini文件中获取的话,几百个变量就是几百行,这个工作量非常大,而且也不易维护。

 

问题的引入:

准备做一个多国语言软件,发现信息变量(都是字符串)数量庞大,如果简单的通过 “变量=readstring”从ini文件中获取的话,几百个变量就是几百行,这个工作量非常大,而且也不易维护。如果使用RTTI反射机制,未来变量变化时,赋值程序不用修改,只需修改变量结构,这是一劳永逸的做法。

注意:本例程使用delphi2010,delphi老版本不支持record类型的反射。如果使用老版本,需把record类型换为自定义类,这里只演示使用Record类型的方法。

办法如下:

先在C盘建立一个文本文件 c:/vars.txt ,内容如下(key值大小写均可)

name=SUNSTONE
age=37
sex=男
address=吉林省长春市

程序如下:

unit Unit2;

interface

uses
  Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
  Dialogs, StdCtrls;

type
  TForm2 = class(TForm)
    Memo1: TMemo;
    Button1: TButton;
    Button2: TButton;
    Button3: TButton;
    procedure Button1Click(Sender: TObject);
  private
    { Private declarations }
  public
    { Public declarations }
  end;

  TmyRec = record
    Name, Age, Sex, Address: string;
  end;

var
  Form2: TForm2;

implementation

uses rtti;
{$R *.dfm}

procedure TForm2.Button1Click(Sender: TObject);
var
  VarList: TStrings;
  MyVar: TmyRec;
  RTX: TRttiContext;
  RT: TRttiType;
  RF: TRttiField;
begin
  Memo1.Clear;
  VarList := TStringList.Create;
  try
    // 读取变量文件
    VarList.LoadFromFile('c:/vars.txt');

    // Record类型的RTTI反射
    RT := RTX.GetType(TypeInfo(TmyRec));
    for RF in RT.AsRecord.GetFields do
    begin
      Memo1.Lines.Add(RF.Name);
      RF.SetValue(@MyVar, VarList.Values[RF.Name]);
    end;
  finally
    VarList.Free;
  end;

  // 检查结果
  Memo1.Lines.Add('');
  Memo1.Lines.Add('----检查结果----');
  Memo1.Lines.Add('Name: ' + MyVar.Name);
  Memo1.Lines.Add('Age: ' + MyVar.Age);
  Memo1.Lines.Add('Sex: ' + MyVar.Sex);
  Memo1.Lines.Add('Address: ' + MyVar.Address);
end;

end.

 

本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/sunstone/archive/2009/11/17/4819048.aspx

相关文章
|
Linux 网络安全 开发工具
python更换版本
python更换版本
530 0
|
Kubernetes 负载均衡 Serverless
异步任务处理系统,如何解决业务长耗时、高并发难题?
异步任务是构建弹性、高可用,响应迅速应用的重要手段。本文将对异步任务的适用场景和收益进行介绍,并讨论典型异步任务系统的架构、功能和工程实践。
异步任务处理系统,如何解决业务长耗时、高并发难题?
|
16小时前
|
云安全 数据采集 人工智能
古茗联名引爆全网,阿里云三层防护助力对抗黑产
阿里云三层校验+风险识别,为古茗每一杯奶茶保驾护航!
古茗联名引爆全网,阿里云三层防护助力对抗黑产
|
4天前
|
Kubernetes 算法 Go
Kubeflow-Katib-架构学习指南
本指南带你深入 Kubeflow 核心组件 Katib,一个 Kubernetes 原生的自动化机器学习系统。从架构解析、代码结构到技能清单与学习路径,助你由浅入深掌握超参数调优与神经架构搜索,实现从使用到贡献的进阶之旅。
266 139
|
4天前
|
人工智能 中间件 API
AutoGen for .NET - 架构学习指南
《AutoGen for .NET 架构学习指南》系统解析微软多智能体框架,涵盖新旧双架构、核心设计、技术栈与实战路径,助你从入门到精通,构建分布式AI协同系统。
277 142
|
15天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
10天前
|
缓存 并行计算 PyTorch
144_推理时延优化:Profiling与瓶颈分析 - 使用PyTorch Profiler诊断推理延迟,优化矩阵运算的独特瓶颈
在2025年的大模型时代,推理时延优化已经成为部署LLM服务的关键挑战之一。随着模型规模的不断扩大(从数亿参数到数千亿甚至万亿参数),即使在最先进的硬件上,推理延迟也常常成为用户体验和系统吞吐量的主要瓶颈。
354 147
|
4天前
|
人工智能 移动开发 自然语言处理
阿里云百炼产品月刊【2025年9月】
本月通义千问模型大升级,新增多模态、语音、视频生成等高性能模型,支持图文理解、端到端视频生成。官网改版上线全新体验中心,推出高代码应用与智能体多模态知识融合,RAG能力增强,助力企业高效部署AI应用。
262 1
|
10天前
|
机器学习/深度学习 存储 缓存
92_自我反思提示:输出迭代优化
在大型语言模型(LLM)应用日益普及的今天,如何持续提升模型输出质量成为了业界关注的核心问题。传统的提示工程方法往往依赖一次性输入输出,难以应对复杂任务中的多轮优化需求。2025年,自我反思提示技术(Self-Reflection Prompting)作为提示工程的前沿方向,正在改变我们与LLM交互的方式。这项技术通过模拟人类的自我反思认知过程,让模型能够对自身输出进行评估、反馈和优化,从而实现输出质量的持续提升。
410 136