الگوی روش قالب پیشنهاد می‌کند که یک الگوریتم را به مجموعه‌ای از مراحل تقسیم کنید، این مراحل را به متدها تبدیل کنید و مجموعه‌ای از فراخوانی‌ها به این متدها را در یک روش قالب واحد قرار دهید. این مراحل می‌توانند انتزاعی یا دارای برخی پیاده‌سازی‌های پیش‌فرض باشند. برای استفاده از الگوریتم، مشتری باید زیرکلاس خود را ارائه دهد، تمام مراحل انتزاعی را پیاده‌سازی کند و در صورت نیاز برخی از موارد اختیاری را بازنویسی کند (اما نه خود روش قالب).

بیایید ببینیم این چگونه در برنامه داده‌کاوی ما اجرا خواهد شد. می‌توانیم یک کلاس پایه برای هر سه الگوریتم تجزیه ایجاد کنیم. این کلاس یک روش قالب متشکل از مجموعه‌ای از فراخوانی‌ها به مراحل مختلف پردازش سند را تعریف می‌کند.

روش قالب الگوریتم را به مراحل تقسیم می‌کند و به زیرکلاس‌ها اجازه می‌دهد این مراحل را بازنویسی کنند اما نه خود روش.

در ابتدا، می‌توانیم تمام مراحل را انتزاعی اعلام کنیم و زیرکلاس‌ها را مجبور کنیم پیاده‌سازی‌های خود را برای این متدها ارائه دهند. در مورد ما، زیرکلاس‌ها از قبل تمام پیاده‌سازی‌های لازم را دارند، بنابراین تنها کاری که ممکن است نیاز داشته باشیم تنظیم امضاهای متدها برای مطابقت با متدهای کلاس فوق کلاس است.

اکنون، بیایید ببینیم چه کاری می‌توانیم انجام دهیم تا از شر کد تکراری خلاص شویم. به نظر می‌رسد کد مربوط به باز کردن/بستن فایل‌ها و استخراج/تجزیه داده‌ها برای فرمت‌های مختلف داده متفاوت است، بنابراین هیچ دلیلی برای دست زدن به این متدها وجود ندارد. با این حال، پیاده‌سازی مراحل دیگر، مانند تجزیه و تحلیل داده‌های خام و ترکیب گزارش‌ها، بسیار مشابه است، بنابراین می‌توان آن را در کلاس پایه قرار داد، جایی که زیرکلاس‌ها می‌توانند آن کد را به اشتراک بگذارند.

همانطور که می‌بینید، دو نوع مرحله داریم:

مراحل انتزاعی باید توسط هر زیرکلاس پیاده‌سازی شوند. مراحل اختیاری از قبل دارای برخی پیاده‌سازی‌های پیش‌فرض هستند، اما همچنان می‌توانند در صورت نیاز بازنویسی شوند.

نوع دیگری از مرحله وجود دارد که قلاب نامیده می‌شود. یک قلاب یک مرحله اختیاری با بدنه خالی است. یک روش قالب حتی اگر یک قلاب بازنویسی نشود نیز کار خواهد کرد. معمولاً قلاب‌ها قبل و بعد از مراحل حیاتی الگوریتم‌ها قرار می‌گیرند و نقاط گسترش اضافی برای یک الگوریتم را برای زیرکلاس‌ها فراهم می‌کنند.