北京最痛苦,武漢最輕鬆?2018全國10城居民通勤大資料研究報告
導讀:“中國人的勤奮,令世界驚歎和汗顏,甚至有一點恐懼。”哪座城市通勤時間最長?各大城市的居民需要在上班路上花掉多少時間?2018年中國城市通勤研究報告給你答案:
北京居民通勤最痛苦,平均通勤路程13.2km,平均用時達56分鐘
武漢人民通勤最輕鬆,平均通勤路程為8.2km,97.7%的武漢人民通勤時間在1小時以內
6%的廣州通勤人口需要跨城通勤
中年男性最苦,平均通勤時間最長
深圳過半上班族通勤距離不超過5km
5%的上海通勤人口選擇了反向通勤
作者 / 來源:極光JIGUANG(ID:lovejpush)
01 各城市通勤資料比較
1. 各城市平均通勤路程比較
北京居民上班漫漫長路,通勤最為辛苦:
在10個城市中,4個直轄市佔據平均通勤路程排名前四位,北京的通勤路程最長,達到13.2公里;上海通勤路程排名第二,達12.4公里;重慶通勤路程為12.2公里,排名第三;而廣州通勤路程為8.8公里,深圳通勤路程為8.7公里,相對北京和上海兩個城市通勤路程較短;武漢通勤路程為8.2公里,比北京居民短5公里
2. 各城市通勤時間1小時以內人群佔比
武漢人民不太喜歡遠距離上班:
在10個城市中,有7個城市的9成通勤人群通勤時間小於1小時,其中,武漢市一小時以內通勤時間佔比達97.7%,杭州市佔比達97.2%,廣州市佔比達94.3%,分列前三甲
3. 各城市跨城通勤人群佔比
100個廣州通勤人口中,就有6個屬於跨城通勤人群:
廣州市跨城通勤人群佔比達6%,蘇州市達4.4%,武漢市達4%
4. 各城市平均通勤時間比較
直轄代表上班更痛苦,四大直轄市通勤時間排名前四:
北京市平均通勤時間達56分鐘,上海市和重慶市均為54分鐘,三個城市位列通勤時長前三甲
5. 各城市反向通勤人群佔比
上海通勤人群最任性,反向通勤人群佔比達5%:
反向通勤人群指從工作區出發去生活區工作的通勤人群;上海市反向通勤人群佔比達5%,北京市反向通勤人群佔比達4.7%;杭州市反向通勤人群佔比為4.3%
02 城市通勤資料
1. 廣州市
1.1 廣州通勤路程分佈
接近半數廣州通勤人群路程小於5公里:
廣州市平均通勤路程為8.8公里,其中,47.2%的通勤人群通勤路程小於5公里,32.6%的通勤人群通勤路程在5到15公里之間,13.7%的通勤人群通勤路程在15到25公里之間,6.5%的通勤人群通勤路程超過25公里
1.2 廣州職住比分佈圖
珠江新城/天河北、科韻路、科學城為職住比較高的三個區域:
廣州市以珠江新城和天河北為核心的CBD是全城職住比最高的區域;天河區的科韻路產業園和黃埔區的科學城均有較高職住比。
1.3 廣州各個行政區職住比
廣州主城區中,越秀區和天河區職住比較高:
在廣州主城區中,越秀區的職住比為1.19,天河區的職住比為1.10,而同為主城區的海珠區職住比為0.96,番禺區職住比為0.95
1.4 廣州各行政區通勤路程比較
黃埔區和番禺區的通勤路程均超過10公里:
黃埔區和番禺區的通勤路程均為10.1公里,白雲區的通勤路程達9.2公里
1.5 廣州跨城通勤來源地分佈
佛山-廣州跨城通勤人群佔比達1.1%:
佛山,深圳,東莞是廣州主要的跨城通勤來源地,在通勤人群中的佔比分別達到1.1%,0.9%,0.4%
2. 上海市
2.1 上海通勤路程分佈
有13.8%的上海市通勤人群通勤路程超過25公里:
上海市平均通勤路程為12.4公里,其中,小於5公里通勤路程的通勤人群佔比30.6%,35.4%的通勤人群通勤路程在5到15公里之間,20.2%的通勤人群通勤路程為15到25公里之間
2.2 上海市職住比分佈圖
陸家嘴、張江高科和漕河涇開發區為上海職住比較高的區域:
上海市陸家嘴CBD ,國家級高新技術園區張江高科和經濟開發區漕河涇開發區是上海是職住比相對較高的區域
2.3 上海各個行政區職住比
黃浦區、徐彙區和靜安區為上海職住比最高的三個區域:
黃浦區職住比為1.32,徐彙區職住比為1.21,靜安區職住比為1.20,這三個區域是上海職住比最高的區域;嘉定區職住比是0.93,松江區職住比為0.92,寶山區為0.84,這三個區域是上海職住比最低的區域;而崇明區和奉賢區相對獨立,職住比均為1
2.4 上海各行政區通勤路程比較
寶山區通勤人群是上海市通勤路程最長的群體:
寶山區的通勤路程達14.5公里,是上海市通勤路程最長的一個區域;閔行區的通勤路程達14.1公里,浦東新區的通勤路程達13.1公里
2.5 上海跨城通勤來源地分佈
上海市跨城通勤的來源地主要是蘇州、杭州和南通等城市:
蘇州-上海的跨城通勤人群佔比達0.49%,杭州-上海的跨城通勤人群佔比為0.16%,南通-上海的跨城通勤人群佔比為0.12%
3. 北京市
3.1 北京平均通勤路程分佈
北京有17.1%的通勤人群通勤路程超過25公里:
北京市平均的通勤路程為13.2公里,其中小於5公里的人群佔比31.8%,5到15公里之間的人群佔比30.8%,15到25公里之間的人群佔比20.3%;另外有17.1%的人群通勤路程超過25公里
3.2 北京職住比分佈圖
國貿、金融街、豐臺科技園為北京典型的高職住比區域:
在五環以內,國貿、金融街、豐臺科技園為北京職住比較高的區域
3.3 北京各個行政區職住比
西城區、東城區和海淀區為北京職住比最高的三個區域:
在北京市的中心城區中,西城區的職住比達1.19,東城區的職住比達1.15,海淀區的職住比達1.11,朝陽區職住比達1.08,這是四個職住比大於1的區域;而通州區、門頭溝區和昌平區職住比分別為0.87,0.86和0.79,是職住比最低的三個區域
3.4 北京各行政區通勤路程比較
北京市有四個區域通勤路程超過15公里,分別是通州、昌平、門頭溝和石景山區:
在北京的中心城市中,石景山區的通勤路程最長,達15公里,西城區的通勤路程較短,達11.5公里
3.5 北京跨城通勤來源地分佈
廊坊是北京主要的跨城通勤來源地:
廊坊-北京跨城通勤人群在北京整體通勤群體中佔比達0.54%
4. 深圳市
4.1 深圳通勤路程分佈
超半數的深圳通勤人群通勤路程小於5公里:
深圳市平均通勤路程為8.7公里,其中小於5公里通勤路程的群體佔比50.7%,5到15公里之間通勤路程的人群佔比27.9%,15到25公里之間通勤路程的人群佔比13.9%,超過25公里通勤路程的人群佔比為7.5%
4.2 深圳職住比分佈圖
福田CBD、南山科技園、富士康和華為產業園區是深圳職住比較高的區域:
福田區CBD、南山區科技園、富士康龍華園區、華為阪田園區是深圳職住比較高的區域
4.3 深圳各個行政區職住比
福田區職住比最高,達到1.1:
深圳市各區的職住比範圍在0.9到1.1之間,各區職住比較為平衡;其中,福田區職住比為1.1,南山區職住比為1.08,羅湖區職住比為1.01
4.4 深圳各行政區通勤路程比較
深圳市各區中,鹽田、南山和羅湖的通勤路程最高,均超過9公里:
在深圳市各區中,除了通勤路程最短的坪山區以外,其他各區的通勤路程均在8.1至9.6公里之間
4.5 深圳跨城通勤來源地分佈
東莞是深圳跨區通勤人群的主要來源地:
東莞-深圳的跨區通勤人群在深圳整體通勤人群中的佔比達0.53%
5. 重慶市
5.1 重慶平均通勤路程分佈
接近半數重慶通勤人群通勤路程小於5公里:
重慶市平均通勤路程是12.2公里,其中,小於5公里的人群佔比48%,5到15公里之間通勤路程的人群佔比27%,15到25公里之間通勤路程的人群佔比為10.3%,超過25公里通勤路程的人群達14.7%
5.2 重慶職住比分佈圖
江北嘴CBD、彈子石CBD和光電園是重慶職住比較高的區域:
同屬於重慶中央商務區“金三角”的江北嘴和彈子石是重慶職住比較高的區域;另外,位於兩江新區的光電園也是重慶職住比較高的區域
5.3 重慶各個行政區職住比
在重慶主城區中,渝中區的職住比最高:
在重慶主城區中,渝中區職住比達1.17,渝北區職住比為1.02,江北區職住比為1
5.4 重慶各行政區通勤路程比較
重慶主城區通勤路程均超過10公里:
在重慶主城區中,北碚區的通勤路程最長,達15.3公里,巴南區的通勤路程達14.7公里,渝北區的通勤路程達13.1公里,3個區域位列主城區通勤路程前三名。
6. 天津市
6.1 天津平均通勤路程分佈
天津市超四成通勤人群通勤路程小於5公里:
天津市的平均通勤路程為9.9公里,其中,小於5公里通勤路程的人群佔比為41.4%,5到15公里之間通勤路程的人群佔比為36.2%,15到25公里之間通勤路程的人群佔比13.4%,超過25公里通勤路程的通勤人群佔比9%
6.2 天津職住比分佈圖
小白樓CBD、華苑科技園、空港經濟區和經濟開發區是天津主要的高職住比的區域:
小白樓CBD、高新區核心區華苑科技園、位於東麗區的空港經濟區和濱海新區的經濟開發區是天津職住比較高的區域
6.3 天津各個行政區職住比
和平區職住比達1.33:
位於天津市中心的和平區職住比達1.33,同屬中小城區的河北區、河東區和紅橋區均為0.9
6.4 天津各行政區通勤路程比較
東麗區通勤路程最長,達12.1公里:
東麗區通勤路程達12.1公里,津南區通勤路程達11.4公里,北辰區通勤路程達11.3公里,是天津是通勤路程最長的三個區
7. 蘇州市
7.1 蘇州平均通勤路程分佈
44.8%的蘇州通勤人群通勤路程小於5公里:
蘇州市平均通勤路程為9公里,其中,小於5公里通勤路程的人群佔比44.8%,5到15公里之間通勤路程人群佔比35.7%,15到25公里之間通勤路程的人群佔比達12.6%,超過25公里通勤路程的人群佔比6.9%。
7.2 蘇州職住比分佈圖
湖西CBD、星湖街站、高新區和獨墅湖科教創新區是蘇州職住比較高的區域:
位於蘇州工業園區的湖西CBD、工業園區地鐵星湖街站周邊和被譽為“蘇州矽谷”的獨墅湖科教創新區是蘇州職住比較高的區域
7.3 蘇州各個行政區職住比
蘇州各個行政區職住比較為均衡:
蘇州市各個行政區的職住比均在0.97到1.05之間,虎丘區職住比最高,達1.05,姑蘇區職住比最低為0.97
7.4 蘇州各行政區通勤路程比較
蘇州市各區通勤路程中,僅吳中區超過10公里:
吳中區通勤路程達10.1公里,相城區通勤路程達9.8公里,姑蘇區通勤路程達9.4公里,是蘇州市通勤路程最長的三個區
8. 成都市
8.1 成都通勤路程分佈
43.5%的成都通勤人群通勤路程低於5公里:
成都市平均通勤路程達9.3公里,其中,小於5公里通勤路程的人群佔比達43.5%,5到15公里之間通勤路程的人群佔比34.4%,15-25公里之間通勤路程的人群佔比14.9%,超過25公里通勤路程的人群佔比7.2%
8.2 成都職住比分佈圖
青羊工業總部基地、高新區九興大道、高新孵化園和天府軟體園是成都職住比較高的區域:
8.3 成都中心城區各個行政區職住比
在成都市的中心城區中,武侯區職住比最高:
武侯區的職住比達1.17,青羊區的職住比達1.06,錦江區的職住比達1.03,三個區域職住比最高
8.4 成都中心城區各行政區通勤路程比較
青白江區通勤路程僅為7.5公里:
成都中心城區中,雙流區通勤路程達10.3公里,成華區和新都區的通勤路程均為10公里,而青白江區僅為7.5公里
9. 武漢市
9.1 武漢通勤路程分佈
接近五成通勤人群通勤路程小於5公里:
武漢市平均通勤路程是8.2公里,其中,小於5公里通勤路程的群體佔比47.5%,5到15公里之間通勤路程的群體佔比33.7%,15到25公里之間通勤路程的群體佔比15.7%,超過25公里通勤路程的群體達3.1%
9.2 武漢職住比分佈圖
王家墩CBD、楚河漢街、街道口/廣埠屯和東湖新技術開發區是武漢職住比較高的區域:
位於江漢區的王家墩CBD、武昌區的楚河漢街、洪山區的街道口/廣埠屯和東湖新技術開發區是武漢高職住比區域
9.3 武漢各個行政區職住比
江漢區職住比最高,漢陽區職住比最低:
武漢市行政區職住比前三名分別是江漢區、武昌區和江夏區,職住比分別是1.12、1.07和1.03;漢陽區職住比最低,僅為0.93
9.4 武漢各行政區通勤路程比較
漢陽區和青山區通勤路程最長,達9.3公里:
武漢市各個區通勤路程均低於10公里,漢陽區和青山區最長,達9.3公里;漢南區通勤路程最短,僅為5.2公里
10. 杭州市
10.1 杭州平均通勤路程分佈
44.2%的杭州通勤人群通勤路程小於5公里:
杭州市平均通勤路程為8.4公里,其中,小於5公里通勤路程的群體佔比44.2%,5到15公里之間通勤路程的群體佔比37.8%,15到25公里之間通勤路程的人群佔比14.4%,超過25公里通勤路程的人群佔比3.6%
10.2 杭州職住比分佈圖
錢江新城、黃龍CBD、西湖科技園和海創園、濱江區科技園是杭州高職住比的區域:
位於江乾區的錢江新城、位於西湖區北部城區的黃龍CBD、西湖科技園、海創園和濱江區科技園是杭州職住比較高的區域
10.3 杭州各個行政區職住比
杭州有四個區職住比為1,另有三個區域職住比為0.99,接近職住平衡狀態:
上城區職住比達1.11,濱江區職住比達1.08,西湖區職住比達1.06,這三個區域是杭州職住比最高的區域
10.4 杭州各行政區通勤路程比較
杭州各區通勤路程均低於10公里:
餘杭區、江乾區和西湖區是通勤路程最高的三個區域,通勤路程分別是9.2公里、8.7公里和8.6公里;另外,桐廬縣、臨安市和淳安縣通勤路程均低於7公里
03 不同人群城市通勤資料:不同性別和年齡人群通勤路程差異
1. 男性比女性通勤平均多走半公里:
在2017年GDP排名top 10城市中,男性通勤人群平均通勤路程為9.3公里,女性為8.6公里,男性通勤平均路程較女性長500米
36-45歲的女性通勤路程為8.5公里,在四個年齡層中通勤路程僅高於16-25歲女性群體;而相同年齡層的男性通勤人群通勤路程為10公里,是四個年齡層中通勤路程最長的年齡層
2. 36-45歲的男性通勤人群通勤時間最長:
男性通勤人群平均通勤時間為45.8分鐘,女性通勤時間為44.2分鐘,男性平均通勤時間較女性長1.6分鐘
通勤人群中,16-25歲男性人群的通勤時間最短,時長為42.5分鐘;36-45歲的男性人群通勤時間最長,時長是47.9分鐘
04 行業背景
1. 關於城市通勤
路漫漫其修遠兮,城市通勤成為上班族的一大痛點:
通勤指從居住地往返工作地的交通行為,是連線生活與工作的紐帶
隨著城市化和交通工具的發展,居住地和工作地分離的現象愈加顯著;“職住分離”現象意味著通勤距離和通勤時間增長;城市的早晚高峰使得上班族候車等待時間增加,乘車擁擠和交通的潮汐式擁堵;通勤問題不僅擠佔了生活工作的時間和增加經濟成本,而且影響工作的心情,降低生活的滿意度和幸福感
2. 改善城市通勤現狀的價值和舉措
改善城市通勤將大大提升上班族幸福感:
通勤是每個有工作的人需要面對的問題,改善城市通勤現狀將提升上班族的幸福感,提高工作效率;同時,一定程度上提升通勤效率將緩解早晚高峰的交通壓力,達到節能減排的效果
面對城市通勤帶來的問題,各大城市在城市總體規劃中也提出了各種方案,如北京提出“創新職住對接機制,推進職住平衡發展”,杭州提出“構建都市區1小時通勤網路”
報告說明:
1.資料來源
極光大資料,源於極光雲服務平臺的行業資料採集及極光iAPP平臺針對各類移動應用的長期監測,並結合大樣本演算法開展的資料探勘和統計分析
2.資料週期
報告整體時間段:2018年3月-5月
具體資料指標請參考各頁標註
3.資料指標說明
本報告以2017年國內GDP排名top 10 城市作為城市通勤研究物件,包含上海、北京、深圳、廣州、重慶、天津、蘇州、成都、武漢、杭州10個城市
通勤路程:指通勤人群從居住地上班到達工作地或從工作地點下班到達居住地的過程中所經過的路程,而非居住地與工作地之間的直線距離
職住比:即“就業-居住比”,其數值等於指定區域內,就業人口數量與居住人口數量的比值
工作區:以行政區劃街道為單位,街道職住比大於1時,定義該街道為工作區
居住區:以行政區劃街道為單位,街道職住比小於1時,定義該街道為居住區
反向通勤:指在工作區居住並在居住區工作的通勤人群
4.法律宣告
極光大資料所提供的資料資訊系依據大樣本資料抽樣採集、小樣本調研、資料模型預測及其他研究方法估算、分析得出,由於方法本身存在侷限性,極光大資料依據上述方法所估算、分析得出的資料資訊僅供參考,極光大資料不對上述資料資訊的精確性、完整性、適用性和非侵權性做任何保證。任何機構或個人援引或基於上述資料資訊所採取的任何行動所造成的法律後果均與極光大資料無關,由此引發的相關爭議或法律責任皆由行為人承擔
推薦閱讀
相關推薦
北京最痛苦,武漢最輕鬆?2018全國10城居民通勤大資料研究報告
導讀:“中國人的勤奮,令世界驚歎和汗顏,甚至有一點恐懼。”哪座城市通勤時間最長?各大城市的居民需
2018中國房地產百強企業大資料研究報告!
2017年,房地產市場在中國步入新時代的大背景下,將迎來高質量的發展階段和多層次的全新發展格局,
2018熱點總結:BERT最熱,GANs最活躍,每20分鐘就有一篇論文...
作者 | Ross Taylor 譯者 | linstancy 整理 | Jane 出品 | AI科技大本營 【導讀】本文的作者 Ross Taylor 和 Robert Stojnic 在今年一起啟動了一個名為“Pa
#2018 開發者生態報告:Java 最流行,Go 最有潛力
0、2018 開發者生態報告:Java 最流行,Go 最有潛力 JetBrains 剛剛釋出了 2018 開發者生態報告,該報告包含開發人員對各種程式語言以及資料庫和團隊工具的偏好。最終,和去年一樣,Java 被評為最流行的語言,JavaScript 是最常用的語言,而 Go 被認為是最有前途的
最大連續子數組和最大、最小,絕對值最大、最小
面試連續子數組最大和,可考慮public class Solution { public int maxSubArray(int[] nums) { int len=nums.length; if(nums==null || len==0)return 0;
java實現8 大排序演算法,不求最簡單,只求最容易理解
8 大排序演算法 排序演算法可以分為內部排序和外部排序,內部排序是資料記錄在記憶體中進行排序,而外部排序是因排序的資料很大,一次不能容納全部的排序記錄,在排序過程中需要訪問外存。 常見的內部排序演算法有:插入排序、希爾排序、選擇排序、氣泡排序、歸併排序、快速排序、堆排序、基數排序等。
DT財經:2018北京城市大資料活躍報告
機器學習第二次入門 AI科技大本營線上公開課第15期 主題:機器學習第二次入門 時間:9月6日(今晚) 20:00-21:00 入群福利:講師交流+PPT分享+抽獎送書 掃碼新增小助手,備註:機器學習,邀你入群▼ http://baobao.baidu.com/q
深度分析100個案例後,我總結了2018年區塊鏈技術的5大發展趨勢!
區塊鏈構建了不可篡改的密碼學賬本,實現真正意義上的去中心化信任。過去,以比特幣為代表的區塊鏈技術1.0解決了支付手段去中心化的問題。現在,區塊鏈技術已經進入了引領整個市場去中心化的區塊鏈技術2.0時代,它將通過轉換不同的數字資產,通過資產轉讓建立不同資產的價值。智慧合約智慧合
2018年8月以太坊DApp資料分析報告
近日,鏈塔資料BlockData釋出了《2018年8月以太坊DApp資料分析報告》,報告顯示,以太坊上的DApp數量多達775個,形成了一個較為完善的開發生態圈,累計交易筆數多達3.0036603億,累計交易金額超過59億ETH。 1 以太坊DApp總數達775個 以太坊是
大資料,是個沒有感情的殺手?一文解析大資料時代的利和弊
01 瘮人的大資料 上個月小柒邀請閨蜜們來家喝茶聊天,大家討論去海邊的旅遊計劃。 聊著聊著,小愛同學突然插話:“我也要去”,嚇得我趕緊拔掉了小愛的插頭。 姐妹們各回各家,小柒躺下刷手機,今日頭條給我推送了剛才討論的海邊民宿,頓時睡意全無…… 週末去上海學習了兩天《資訊科技與管理》
ActiveReports 大資料分析報告:2018中國電影再次迎來黃金時代
回顧2018,中國電影市場收穫頗豐。先是憑藉春節檔《紅海行動》、《唐人街探案》雙雙實現30億票房突破,而後暑期檔火力全開,《我不是藥神》、《西虹市首富》均實現口碑票房雙豐收,現實題材、情景喜劇、軍事題材均取得了成功。 2018年度電影票房突破400億共用時217天,比2017年整整提前了
10步帶你認識大資料和雲端計算,圖文並茂讓你不再蒙圈
第一步:大資料 “大資料”這個概念是近幾年開始火起來的,現在可謂是無處不在了。在瞭解什麼是大資料之前,我們先了解一下什麼是傳統資料? 傳統資料就是IT業務系統裡面的資料,如客戶資料、財務資料等。這些資料是結構化的,量也不是特別大,一般只是TB級。對比傳統資料,還有一種叫“新資料”,是來源於社
2018鏈家校招內推-大資料開發工程師筆試程式設計題
題目1(如下截圖所示): 分析:一個排序問題 C++實現: #include<iostream> using namespace std; void insertSort(int *a
2018年值得關注的5個大資料趨勢
隨著大資料系統日益高效,每年的大資料趨勢變得更具開創性。根據調研機構Forrester Research最近釋出的營銷報告,隨著組織的領導者開始意識到大量使用大資料技術所需的工作量,人工智慧(AI)正在超越其流行術語的階段。研究報告指出,實施人工智慧來實現目標需要精確的部
2018年全國主要省(市)大資料產業發展情況概覽
目前我國大資料進入創新突破與應用落地的發展上升期,在提升政府治理能力,優化公共民生服務,促進經濟
【異周話題 第 16 期】2018年,你最期待的前端開發技術有哪些?
pes 社區 發展 col roc ava 前端技術 試用 帶來 【異周話題 第 16 期】2018年,你最期待的前端開發技術有哪些?話題背景2017年已經過去,2018年如約而至。2017年在前端領域裏,react已經逐漸占據主流,Angular 發布了 v4 以及 v5
《惢客創業日記》2018.09.06(週四) 創業中的“減法”最痛苦。
昨天晚上,花了3個多小時錄製了《惢客》2分鐘版的短視訊小樣兒,從淘寶買的補光裝置和手機領夾麥克風還是很給力的,雖然比不了抖音、快手的效果,但是對於第一次拍攝短視訊的我,有一種拿著AK47的感覺。反覆看著自己的這部處女作,也就勉強給自己打個50分
小白福音!零基礎入門軟體測試,首選必備課程 2018年(最全)
要點: 1、在最新封裝的jQuery中,如果ajax請求的頁面有相同的部分直接省去了,只加載不一樣部分。 2、jQuery封裝有
2018 Gartner全快閃記憶體魔力四象限新鮮出爐,進步最快的廠商居然是……
看什麼看,快點藍字關注我!2018 Gartner全快閃記憶體魔力四象限報告剛剛新鮮出爐,12大
try catch finally 的用法,你知道多少?最詳細、最到位的講解,配合程式碼例項講解,讓你輕鬆掌握和理解
廢話就不多說了,關於 try catch 相信各位已經不陌生了,但是真正意義上會用它呢,還是有欠缺的,為什麼這麼說呢?因為博主也 是在做一個專案的時候遇到了這樣的問題,去看了下 API 才想起來,於是乎就順便寫了這篇部落格分享出來,方便大家觀看和學習以 及理解,等下筆者會按