kali上好用的编辑器

简介:

   最近从Ubuntu换成了kali,的确有太多的不方便!

     比如sublime text 3安装不上,还有各种小问题。估计在使用kali前,都得好好弄一弄Kali.

     今天找一找在kali上不错的编辑器,发现了bluefish.

     这里就简单介绍一下,怎样配置bluefish工作的浏览器。


一、原生的浏览器不好用,估计大部分都会卸载它,然后换上firefox.

1、不过现在的firefox下载下来,直接是二进制文件,可以直接使用。不过下载下来的firefox还没有添加到环境变量里面。所以第一步是链接firefox到/usr/bin/目录去

比如我的firefox是放在“~/Firefox/”目录下的

1
ln  -s  ~ /Firefox/firefox  /usr/bin/firefox

对于你的来说,只需要将上面的“~/Firefox/”目录修改为你存放firefox目录即可

这样firefox便可以直接可以通过终端访问。因而bluefish中,直接点击浏览器即可!

这里给出一张截图,可以看到我这里的默认浏览器是firefox

wKioL1UqOf3ALR9pAAD9M91z3qc922.jpg


2、对于chromium来说,你需要修改成这样。

需要制定存储数据的目录

1
chromium --user-data- dir = "~/.config/chromium"  '%p' &


保存之后,即可!










本文转自 qq414207614 51CTO博客,原文链接:http://blog.51cto.com/skytina/1631550,如需转载请自行联系原作者
目录
相关文章
|
监控 数据安全/隐私保护 网络虚拟化
ensp命令练习及交换机 和个路由器的基本命令
ensp命令练习及交换机 和个路由器的基本命令
1163 27
|
运维 Ubuntu Linux
全平台adb工具安装方法
全平台adb工具安装方法
全平台adb工具安装方法
|
Java Maven
最快的 maven repository--阿里镜像仓库
国内速度超快的maven repository
162351 0
|
7月前
|
安全 网络协议 网络安全
2025年第十六届蓝桥杯网络安全CTF国赛总决赛真题详解Writeup(Web漏洞挖掘、Crypto密码学、Misc杂项、Reverse逆向、Pwn二进制漏洞)
2025年第十六届蓝桥杯网络安全CTF国赛总决赛真题详解Writeup(Web漏洞挖掘、Crypto密码学、Misc杂项、Reverse逆向、Pwn二进制漏洞)
2025年第十六届蓝桥杯网络安全CTF国赛总决赛真题详解Writeup(Web漏洞挖掘、Crypto密码学、Misc杂项、Reverse逆向、Pwn二进制漏洞)
|
10月前
|
SQL 关系型数据库 PostgreSQL
CTE vs 子查询:深入拆解PostgreSQL复杂SQL的隐藏性能差异
本文深入探讨了PostgreSQL中CTE(公共表表达式)与子查询的选择对SQL性能的影响。通过分析两者底层机制,揭示CTE的物化特性及子查询的优化融合优势,并结合多场景案例对比执行效率。最终给出决策指南,帮助开发者根据数据量、引用次数和复杂度选择最优方案,同时提供高级优化技巧和版本演进建议,助力SQL性能调优。
1102 1
|
12月前
|
传感器 数据采集 人工智能
可穿戴设备中的生物识别技术:连接人体与数据的桥梁
可穿戴设备中的生物识别技术:连接人体与数据的桥梁
256 7
|
机器学习/深度学习 人工智能
【LangChain系列】第九篇:LLM 应用评估简介及实践
【5月更文挑战第23天】本文探讨了如何评估复杂且精密的语言模型(LLMs)应用。通过创建QA应用程序,如使用GPT-3.5-Turbo模型,然后构建测试数据,包括手动创建和使用LLM生成示例。接着,通过手动评估、调试及LLM辅助评估来衡量性能。手动评估借助langchain.debug工具提供执行细节,而QAEvalChain则利用LLM的语义理解能力进行评分。这些方法有助于优化和提升LLM应用程序的准确性和效率。
1103 8
|
存储 Prometheus 监控
公司要上监控,Zabbix 和 Prometheus 怎么选?这么选准没错!
公司要上监控,Zabbix 和 Prometheus 怎么选?这么选准没错!
3406 0
公司要上监控,Zabbix 和 Prometheus 怎么选?这么选准没错!
|
Linux KVM 虚拟化
kali 简单入门
kali 简单入门
|
机器学习/深度学习 人工智能 自然语言处理
【强化学习】强化学习的概述及应用,附带代码示例
强化学习(Reinforcement Learning, RL)是机器学习中的一种重要范式,它通过让智能体(agent)在环境中采取行动并根据所获得的奖励(reward)来学习最优的策略(policy)。简而言之,强化学习的目标是让智能体学会在特定环境下做出决策,以最大化累积奖励。这种学习方式模拟了生物体如何在环境给予的正反馈(奖励)和负反馈(惩罚)中学习行为的过程。
3586 4