Android系统把对硬件的支持划分为两层来实现属于取巧,它借用了成熟的Linux系统的内核,但又不希望因为GPL协议而将设备开发商逼走,所以采用了这种间接的方式绕过了GPL协议,表面上它完全遵循GPL,但它开了个后门,让用户空间的程序具有了内核空间的权限。
Linux会不会为此投机取巧的行为火冒三丈呢?我觉得应该相反,这种方式兼顾了开放和利益,团结了大多数可以团结的力量,所以在如此短的时间内以星火燎原之势为大多数厂商、开发商所接受,让用户可以尽快享受智能手机带来的乐趣,这是纯粹的GPL方式不能做到的,而这是个人PC领域微软采用的方式,Google会成为移动领域的微软吗?
虽然前有苹果iOS,后有微软Windows Phone,但我更看好Android的前景。它不仅仅是一个生机勃勃的系统,而是一个生态圈,有着全球各大手机和平板电脑厂商以及它们背后的产业链的倾向和支持。没办法,苹果太封闭也太让人眼红了,大家都围在苹果周围,挥动着Android这把锄头,指望能挖掉苹果的利润呢,苹果好汉难敌群狼啊。在苹果与三星、HTC等打来打去的时候,Android在迅速成熟。得道多助,失道寡助,Android的开源方式和对硬件厂商的保护将使得它必定能成为全球各大手机、平板电脑厂商和独立软件开发商的首选目标,这使得它的发展速度超越其它对手,相信无论硬件性能指标和优秀应用的数量都将很快超过其它封闭对手,在这种情况下,用户还会只选贵的,不选对的吗?
这本书从书名和目录上看采用的是情景应用介绍的方式,试读章节也体现了这一点。作者颇费心思的选择了一个虚拟硬件设备的范例进行讲解,手把手的教你实现了一个从虚拟硬件设备驱动、硬件抽象层模块、硬件访问服务到Android应用程序调用服务的全过程,特别是虚拟硬件设备驱动给出了编译和验证的细节,这对于初学者来说很重要;在硬件抽象层模块的编写过程中介绍了相关的Android源码的内容,分析了它的加载过程,给出了权限问题的处理方法;在硬件访问服务编程中介绍了项目文件结构和重要说明(比如句柄值)。整个过程说明的非常详细,可以作为读者重现整个开发过程的操作指南。
市面上其它介绍Android开发的书,通常只介绍应用程序部分的开发,只涉及到如何获取硬件事件进行处理,而试读部分的内容则深入到系统核心,把握住了Android架构的关键部分,内容复杂了很多,但同时读者的收获也会大很多。
在试读提供的全过程开发讲解之后,按目录编排,分别介绍了Android提供的专用驱动和应用程序框架,这些是实际开发过程中必不可少的,有了前面的铺垫,就很清楚整体开发的架构以及这些现成的功能用于哪个层次的开发,甚至可以自己去分析它们是如何实现的。整本书的内容讲述从整体到部分,层次清晰,非常适合用来学习理解Android的精髓。
这种方式和其它的源码分析的书--比如《莱昂氏UNIX源代码分析》、《Windows内核情景分析》等的写作方式是完全不同的。如果说《莱昂氏UNIX源代码分析》 是源码文件的静态分析,《Windows内核情景分析》是源码的功能分析的话,这本书更偏向于核心应用开发的相关源码介绍。好处是容易阅读和动手操作,不足是不能从操作系统设计的角度展现Android的设计之美和内在细节,很多源码都躲在场景分析能接触到的源码的背后,如果能提供一份Android源码的主要文件的概要介绍就最好了。个人觉得如果书名叫《Android核心编程》可能更名副其实。
分享到:
相关推荐
1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 替换数据可以直接使用,注释清楚,适合新手
1.版本:matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 替换数据可以直接使用,注释清楚,适合新手
广东省关于人工智能赋能千行百业的若干措施.docx
湖北省数据条例(草案)(征求意见稿).docx
中软国际IT培训中心的培训教程,属于学习CSS网页设计的基础入门教程,讲一些原理和概念,高深的理论不太多。
Python Data Structures and Algorithms Minimal and clean example implementations of data structures and algorithms in Python 3. Contribute Thank you for your interest in contributing! There are many ways to contribute to the project. Start testing from here Take note when running all tests using unittest $ python3 -m unittest discover tests To run some specific tests you can do the following (e.g. sort) $ python3 -m unittest tests.test_sort Run all tests using pytest Make a note when $ python3 -m
TeamIDE-win-2.6.31Team IDE 集成MySql、Oracle、金仓、达梦、神通等数据库、SSH、FTP、Redis、Zookeeper、Kafka、Elasticsearch、M
内容概要:本文综述了C、C++、Python、Java这四种主流编程语言中,用于实现常见和高级算法的学习资料,覆盖范围广泛,从书籍、在线课程平台到GitHub上的开源代码仓库均有提及。每种语言都详述了推荐的学习资源及其优势,旨在满足不同程度学习者的需要。 适合人群:对算法实现有兴趣的学生、自学爱好者、开发者等。 使用场景及目标:帮助读者挑选合适的语言和资源深入理解算法的理论与实际编码技巧,适用于个人提升、项目实践或教学使用。 其他说明:文章提供了丰富的学习渠道和实战项目,既适合作为基础理论的学习,也适合于实际操作练习,尤其强调通过实做加深理解的重要性。
aiuiphone0000000000000000000
支持多场景回调开箱即用 原生仿百度登录验证.zip
2023 年“泰迪杯”数据分析技能赛B题-企业财务数据分析与造假识别 完整代码
Levenshtein Python C 扩展模块包含用于快速计算 Levenshtein 距离和字符串相似度的函数内容需要维护者介绍文档执照历史源代码作者需要维护者我 (Mikko Ohtamaa) 目前不维护此代码。我只是为了方便起见才将其拉到 Github 上的(之前在公共存储库中不可用)。因此,如果您提交了任何问题,我都不会调查。介绍Levenshtein Python C 扩展模块包含用于快速计算的函数Levenshtein(编辑)距离和编辑操作字符串相似度近似中位数字符串,以及一般字符串平均值字符串序列和集合相似度它同时支持普通字符串和 Unicode 字符串。需要 Python 2.2 或更新版本。StringMatcher.py 是一个基于 Levenshtein 构建的类似 SequenceMatcher 的示例类。它缺少一些 SequenceMatcher 的功能,但又有一些额外的功能。Levenshtein.c 也可以用作纯 C 库。您只需在编译时定义 NO_PYTHON 预处理器符号 (-DNO_PYTH
基于OpenCV像素检测的Onmyoji游戏脚本
Pythonbot高斯网格图射线投射网格图激光雷达至网格地图k-均值对象聚类矩形接头大满贯迭代最近点 (ICP) 匹配FastSLAM 1.0路径规划动态窗口方法基于网格的搜索Dijkstra 算法A* 算法D*算法D* Lite 算法位场算法基于网格的覆盖路径规划国家网格规划偏极采样车道采样概率路线图(PRM)规划快速探索随机树(RRT)回程时间*RRT* 和 reeds-shepp 路径LQR-RRT*五次多项式规划Reeds Shepp 规划基于LQR的路径规划Frenet 框架中的最佳轨迹路径追踪移动到姿势控制斯坦利控制后轮反馈控制线性二次调节器 (LQR) 速度和转向控制模型预测速度和转向控制采用 C-GMRES 的非线性模型预测控制手臂导航N关节臂对点控制带避障功能的手臂导航航空导航无人机三维轨迹跟踪火箭动力着陆双足动物倒立摆双
可信任的企业4.0生态系统.pptx
学生信息包括:学号,姓名,年龄,性别,出生年月,地址,电话,E-mail等。试设计一学生信息管理系统,系统提供菜单方式作为人机界面并具有如下功能: 学生信息录入功能 学生信息浏览功能 按学号、姓名等进行查询、排序功能 2、要求界面简单明了;对输入的数据具有有效性检查能力,比如输入的成绩不在0~100之间,要求重新输入;
原生js谷歌网页电吉他弹奏源码.rar
原生js微信分享到朋友圈浮动层代码.zip
第7章 聚类算法 - 作业 - 副本.ipynb
AICon 2024全球人工智能开发与应用大会(脱敏)PPT合集,共30份。 AI辅助编程测评与企业实践 SmartEV和AI 蔚来的思考与实践 下一代 RAG 引擎的技术挑战与实现 书生万象大模型的技术演进与应用探索 人工智能行业数据集构建及模型训练方法实践周华 全方位评测神经网络模型的基础能力 千亿参数 LLM 的训练效率优化 向量化与文档解析技术加速大模型RAG应用落地 基于大模型的缺陷静态检查 多环境下的 LLM Agent 应用与增强 大模型在华为推荐场景中的探索和应用 大模型在推荐系统中的落地实践 大模型的异构计算和加速 大模型辅助需求代码开发 大语言模型在法律领域的应用探索 大语言模型在计算机视觉领域的应用 大语言模型的幻觉检测 小米大模型端侧部署落地探索 快手可图大模型的技术演进与应用探索 提升大模型知识密度,做高效的终端智能 电商大模型及搜索应用实践 百度大模型 原生安全构建之路 硅基流动高性能低成本的大模型推理云实践 语言模型驱动的软件工具思考:可解释与可溯源 长文本大模型推理实践:以 KVCache 为中心的分离式推理架构 阿里云 AI 搜索 RAG 大模型优