百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 热门文章 > 正文

C#中的深拷贝与浅拷贝

bigegpt 2024-08-07 17:48 3 浏览

浅拷贝和深拷贝之间的区别:

浅拷贝是指将对象中的数值类型的字段拷贝到新的对象中,而对象中的引用型字段则指复制它的一个引用到目标对象。如果改变目标对象中引用型字段的值他将反映在原始对象中,也就是说原始对象中对应的字段也会发生变化。

深拷贝与浅拷贝不同的是对于引用的处理,深拷贝将会在新对象中创建一个新的和原始对象中对应字段相同(内容相同)的字段,也就是说这个引用和原始对象的引用是不同的,我们在改变新对象中的这个字段的时候是不会影响到原始对象中对应字段的内容。

所以对于原型模式(prototype pattern)也有不同的两种处理方法:对象的浅拷贝和深拷贝

MemberwiseClone 方法创建一个浅表副本,方法是创建一个新对象,然后将当前对象的非静态字段复制到该新对象。如果字段是值类型的,则对该字段执行逐位复制。如果字段是引用类型,则复制引用但不复制引用的对象;因此,原始对象及其复本引用同一对象。

下面为一个常用的类。

[Serializable]
public class Persopn
 {
 public string Name { get; set; }

 public int Age { get; set; }

 public List<string> Likes{get;set;}
 }

其中Likes是引用类型,需要序列化或发序列化时,需要加上[Serializable]特性。

下面说一下浅拷贝,直接上代码:

 public object ShallowCopy()
 {
 return this.MemberwiseClone();
 }
 

接下来说深拷贝,深拷贝有多种方式实现,下面分别一一说明:

通过反射实现

 public static T DeepCopyByReflect<T>(T obj)
 {
 //如果是字符串或值类型则直接返回
 if (obj is string || obj.GetType().IsValueType) return obj;
 object retval = Activator.CreateInstance(obj.GetType());
 FieldInfo[] fields = obj.GetType().GetFields(BindingFlags.Public | BindingFlags.NonPublic | BindingFlags.Instance | BindingFlags.Static);
 foreach (FieldInfo field in fields)
 {
 try { field.SetValue(retval, DeepCopyByReflect(field.GetValue(obj))); }
 catch { }
 }
 return (T)retval;
 }

通过xml序列化实现

 public static T DeepCopyByXml<T>(T obj)
 {
 object retval;
 using (MemoryStream ms = new MemoryStream())
 {
 XmlSerializer xml = new XmlSerializer(typeof(T));
 xml.Serialize(ms, obj);
 ms.Seek(0, SeekOrigin.Begin);
 retval = xml.Deserialize(ms);
 ms.Close();
 }
 return (T)retval;
 }

通过二进制序列化

 public static T DeepCopyByBin<T>(T obj)
 {
 object retval;
 using (MemoryStream ms = new MemoryStream())
 {
 BinaryFormatter bf = new BinaryFormatter();
 //序列化成流
 bf.Serialize(ms, obj);
 ms.Seek(0, SeekOrigin.Begin);
 //反序列化成对象
 retval = bf.Deserialize(ms);
 ms.Close();
 }
 return (T)retval;
 }

通过Newtonsoft序列化

public static T CloneJson<T>(T source)
{ 
 if (Object.ReferenceEquals(source, null))
 {
 return default(T);
 }
 var deserializeSettings = new JsonSerializerSettings {ObjectCreationHandling = ObjectCreationHandling.Replace};
 return JsonConvert.DeserializeObject<T>(JsonConvert.SerializeObject(source), deserializeSettings);
}

好了,目前c#常用的深拷贝基本就上面几个,个人推荐最后一种,反射速度最慢,不建议采用。

相关推荐

php-fpm的配置和优化

目录概述php-fpm配置php-fpm进程优化配置慢日志查询配置php7进阶到架构师相关阅读概述这是关于php进阶到架构之php7核心技术与实战学习的系列课程:php-fpm的配置和优化学习目标:理...

成功安装 Magento2.4.3最新版教程「技术干货」

外贸独立站设计公司xingbell.com经过多次的反复实验,最新版的magento2.4.3在oneinstack的环境下的详细安装教程如下:一.vps系统:LinuxCentOS7.7.19...

十分钟让你学会LNMP架构负载均衡

业务架构、应用架构、数据架构和技术架构一、几个基本概念1、pv值pv值(pageviews):页面的浏览量概念:一个网站的所有页面,在一天内,被浏览的总次数。(大型网站通常是上千万的级别)2、u...

php从远程URL获取(mp4 mp3)音视频的流媒体数据

/***从远程URL中获取媒体(如mp4mp3)的内容*@parammixed$file_url*@parammixed$media_type...

Zabbix5.0安装部署

全盘展示运行状态,减轻运维人员的重复性工作量,提高系统排错速度,加速运维知识学习积累。1.png1、环境安装关闭SELinux并重启系统2.png安装httpd、mariadb、php运行yum-...

php 常见配置详解

以下是PHP常见的配置项及其含义:error_reporting:设置错误报告级别,可以控制PHP显示哪些错误。例如,设置为E_ALL将显示所有错误,而设置为0将禁止显示任何错误。displa...

实践分享|基于基石智算 DeepSeek API + WordPress 插件自动生成访客回复

基石智算举办的DeepSeek案例大赛汇集了不少基于CoresHubDeepSeekAPI服务或模型部署服务的精彩实践。本次我们将分享个人实践:通过DeepSeekAPI+Word...

如何在Eclipse中搭建Zabbix源码的调试和开发环境

Zabbix是一款非常优秀的企业级软件,被设计用于对数万台服务器、虚拟机和网络设备的数百万个监控项进行实时监控。Zabbix是开放源码和免费的,这就意味着当出现bug时,我们可以很方便地通过调试源码来...

MySQL自我保护参数

#头条创作挑战赛#之前(MySQL自我保护工具--pt-kill)提到用pt-kill工具来kill相关的会话,来达到保护数据库的目的,本文再通过修改数据库参数的方式达到阻断长时间运行的SQL的目...

Python闭包深度解析:掌握数据封装的高级技巧

闭包作为Python高级编程特性之一,为开发者提供了一种优雅的方式来实现数据封装和状态保持。这一概念源于函数式编程理论,在现代Python开发中发挥着重要作用。理解和掌握闭包的使用不仅能够提升代码的表...

Java服务网格故障注入与熔断实战

在分布式系统的高可用性挑战中,服务网格的故障注入与熔断机制是检验系统韧性的终极试金石。以下是10道逐步升级的"地狱关卡",每个关卡都对应真实生产环境中可能遇到的致命场景,并附具体场景示...

MySQL数据库性能优化全攻略:程序员必知的七大核心策略

作为程序员,我们每天都要与数据库打交道。当系统用户量突破百万级时,数据库往往成为性能瓶颈的首要怀疑对象。本文将深入探讨MySQL优化的七大核心策略,并提供可直接落地的优化方案,助您构建高效稳定的数据库...

如何在 Windows 11 上使用单个命令安装 XAMPP

XAMPP是一种广泛使用的软件,用于在Windows操作系统上快速运行LAMP服务器包,包括Windows11。尽管LAMP通常用于Linux系统,但XAMPP并不使用Li...

uTorrent怎样将bt种子转换为磁力

如何用uTorrent把BT种子转为磁力链接?以下方法希望能帮到你。1、在uTorrent窗口里,点击工具栏的按钮,所示。2、在打开窗口里,选取要转为磁力的种子文件,然后点击打开按钮,参照图示操作...

支持向量机SVM 分类和回归的实例

支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他...