3. 打包

简介: 本项目通过Maven构建,使用Spring Boot插件将应用打包为可执行JAR,配置`mainClass`并执行`mvn clean package`生成单个JAR文件,支持前台/后台运行(`java -jar`或`nohup`),通过端口查PID并`kill -9`停止服务;也可分离JAR、依赖与配置文件以提升灵活性。
  1. 全在一个jar内
    1.1 配置文件
    XML
    复制代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29

     <finalName>hzzx</finalName>
     <plugins>
         <plugin>
             <groupId>org.apache.maven.plugins</groupId>
             <artifactId>maven-compiler-plugin</artifactId>
             <configuration>
                 <source>1.8</source>
                 <target>1.8</target>
             </configuration>
         </plugin>
    
         <plugin>
             <groupId>org.springframework.boot</groupId>
             <artifactId>spring-boot-maven-plugin</artifactId>
             <configuration>
                 <!-- 工程主入口-->
                 <mainClass>cn.test.web.FrameworkSpringApplication</mainClass>
             </configuration>
             <executions>
                 <execution>
                     <goals>
                         <goal>repackage</goal>
                     </goals>
                 </execution>
             </executions>
         </plugin>
     </plugins>
    


    1.2 打包步骤
    或借助指令:
    XML
    复制代码
    1
    mvn clean package
    1.3 运行指令
    XML
    复制代码
    1
    2
    java -jar .jar 前台运行
    nohup java -jar
    .jar 后台运行
    1.4 停止指令
    netstat -anp 或者 ps -ef |grep 端口 或者 netstat -nap | grep 端口
    找到pid之后
    kill -9 pid
    2.jar,依赖jar,配置文件分开
    参考这个:https://www.cnblogs.com/wym789/p/11505591.html

相关文章
|
机器学习/深度学习 测试技术
大模型开发:描述交叉验证以及为什么在模型评估中使用它。
【4月更文挑战第24天】交叉验证是评估机器学习模型性能的方法,通过将数据集分成训练集和多个子集(折叠)进行多次训练验证。它能减少过拟合风险,提供更可靠的性能估计,用于参数调优,并减少小数据集或噪声带来的随机性影响。通过汇总多轮验证结果,得到模型的整体性能估计。
840 7
|
编解码 iOS开发 开发者
App上架Apple App Store和Google Play流程
App上架Apple App Store和Google Play流程
830 2
|
设计模式 安全 Java
单例模式:饿汉模式、懒汉模式
单例模式:饿汉模式、懒汉模式
556 0
|
6月前
|
机器学习/深度学习 数据可视化 算法
基于YOLOv8的无人机道路损伤检测[四类核心裂缝/坑洼识别]的识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
基于YOLOv8的无人机道路损伤检测系统,精准识别鳄鱼纹、纵向/横向裂缝及坑洼四类病害。集成PyQt5可视化界面,支持图片、视频、实时摄像头多模式检测,提供完整源码、数据集、预训练权重与部署教程,开箱即用,助力智慧交通巡检与养护决策。
基于YOLOv8的无人机道路损伤检测[四类核心裂缝/坑洼识别]的识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
|
7月前
|
存储 传感器 监控
RFID实现仓储物流透明化与智能化管理
RFID 技术在仓储物流领域,是当前提升效率和准确性的核心方案之一。其核心价值在于通过非接触式自动识别,RFID实现仓储物流透明化与智能化管理。
|
10月前
|
小程序
公众号如何添加附传Word、Excel、Pdf、PPT文档
公众号里添加一些文档给公众号粉丝下载,比如课件PPT、申请表Word文档、岗位需求Excel表、大赛入围/获奖名单等。公众号本身是不支持直接上传文件的,但我们可以通过附件小程序“间接”上传文件。
1518 0
|
机器学习/深度学习 算法 PyTorch
基于Pytorch Gemotric在昇腾上实现GraphSage图神经网络
本实验基于PyTorch Geometric,在昇腾平台上实现GraphSAGE图神经网络,使用CiteSeer数据集进行分类训练。内容涵盖GraphSAGE的创新点、算法原理、网络架构及实战分析。GraphSAGE通过采样和聚合节点邻居特征,支持归纳式学习,适用于未见节点的表征生成。实验包括模型搭建、训练与验证,并在NPU上运行,最终测试准确率达0.665。
|
JavaScript C# 开发工具
20款VS Code实用插件推荐
20款VS Code实用插件推荐
790 0
STM32Cubemx PWM驱动加湿器模拟火山喷发效果
STM32Cubemx PWM驱动加湿器模拟火山喷发效果
502 14
|
缓存 Linux Android开发
[√]获取Android内存情况
[√]获取Android内存情况
591 0