rpm常用命令

AstrayLinux AstrayLinux 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 782平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄15年
关注
转载 最新推荐文章于 2026-03-28 02:41:42 发布 782 阅读 AI 写同款· GEO 优化 ›
【移动APP测试】Firebase Test Lab (FTL) 实战指南：从零搭建自动化测试流水线 本文详细介绍了Firebase Test Lab (FTL) 在移动APP测试中的实战应用，从零搭建自动化测试流水线。通过真实设备、虚拟设备和iOS设备的全面覆盖，FTL帮助开发者高效进行兼容性测试、性能监控和崩溃分析，显著提升应用质量。文章还提供了设备选择策略、成本控制技巧和CI/CD集成的最佳实践，助力团队优化测试流程。 阅读详情
1.安装一个包
# rpm -ivh
2.升级一个包
# rpm -Uvh
3.移走一个包
# rpm -e
4.安装参数
--force 即使覆盖属于其它包的文件也强迫安装
--nodeps 如果该RPM包的安装依赖其它包，即使其它包没装，也强迫安装。
5.查询一个包是否被安装
# rpm -q < rpm package name>
6.得到被安装的包的信息
# rpm -qi < rpm package name>
7.列出该包中有哪些文件
# rpm -ql < rpm package name>
8.列出服务器上的一个文件属于哪一个RPM包
#rpm -qf
9.可综合好几个参数一起用
# rpm -qil < rpm package name>
10.列出所有被安装的rpm package
# rpm -qa
11.列出一个未被安装进系统的RPM包文件中包含有哪些文件？
# rpm -qilp < rpm package name>

<<RPM中文手册>>
一、安装
命令格式：
rpm -i ( or --install) options file1.rpm ... fileN.rpm
参数：

file1.rpm ... fileN.rpm 将要安装的RPM包的文件名


详细选项：
-h (or --hash) 安装时输出hash记号 (``#'')
--test 只对安装进行测试，并不实际安装。
--percent 以百分比的形式输出安装的进度。
--excludedocs 不安装软件包中的文档文件
--includedocs 安装文档
--replacepkgs 强制重新安装已经安装的软件包
--replacefiles 替换属于其它软件包的文件
--force 忽略软件包及文件的冲突
--noscripts 不运行预安装和后安装脚本
--prefix 将软件包安装到由 指定的路径下
--ignorearch 不校验软件包的结构
--ignoreos 不检查软件包运行的操作系统
--nodeps 不检查依赖性关系
--ftpproxy 用 作为 FTP**
--ftpport 指定FTP的端口号为

通用选项
-v 显示附加信息
-vv 显示调试信息
--root 让RPM将指定的路径做为"根目录"，这样预安装程序和后安
装程序都会安装到这个目录下
--rcfile 设置rpmrc文件为
--dbpath 设置RPM 资料库存所在的路径为

二、删除
命令格式：
rpm -e ( or --erase) options pkg1 ... pkgN
参数

pkg1 ... pkgN ：要删除的软件包


详细选项
--test 只执行删除的测试
--noscripts 不运行预安装和后安装脚本程序
--nodeps 不检查依赖性

通用选项
-vv 显示调试信息
--root 让RPM将指定的路径做为"根目录"，这样预安装程序和后安装
程序都会安装到这个目录下
--rcfile 设置rpmrc文件为
--dbpath 设置RPM 资料库存所在的路径为

三、升级
命令格式
rpm -U ( or --upgrade) options file1.rpm ... fileN.rpm
参数

file1.rpm ... fileN.rpm 软件包的名字


详细选项
-h (or --hash) 安装时输出hash记号 (``#'')
--oldpackage 允许"升级"到一个老版本
--test 只进行升级测试
--excludedocs 不安装软件包中的文档文件
--includedocs 安装文档
--replacepkgs 强制重新安装已经安装的软件包
--replacefiles 替换属于其它软件包的文件
--force 忽略软件包及文件的冲突
--percent 以百分比的形式输出安装的进度。
--noscripts 不运行预安装和后安装脚本
--prefix 将软件包安装到由 指定的路径下
--ignorearch 不校验软件包的结构
--ignoreos 不检查软件包运行的操作系统
--nodeps 不检查依赖性关系
--ftpproxy 用 作为 FTP**
--ftpport 指定FTP的端口号为

通用选项
-v 显示附加信息
-vv 显示调试信息
--root 让RPM将指定的路径做为"根目录"，这样预安装程序和后安装程序都会安装到这个目录下
--rcfile 设置rpmrc文件为
--dbpath 设置RPM 资料库存所在的路径为

四、查询
命令格式：
rpm -q ( or --query) options
参数：
pkg1 ... pkgN ：查询已安装的软件包

详细选项
-p (or ``-'') 查询软件包的文件
-f 查询属于哪个软件包
-a 查询所有安装的软件包
--whatprovides 查询提供了 功能的软件包
-g 查询属于 组的软件包
--whatrequires 查询所有需要 功能的软件包

信息选项
显示软件包的全部标识
-i 显示软件包的概要信息
-l 显示软件包中的文件列表
-c 显示配置文件列表
-d 显示文档文件列表
-s 显示软件包中文件列表并显示每个文件的状态
--scripts 显示安装、卸载、校验脚本
--queryformat (or --qf) 以用户指定的方式显示查询信息
--dump 显示每个文件的所有已校验信息
--provides 显示软件包提供的功能
--requires (or -R) 显示软件包所需的功能

通用选项
-v 显示附加信息
-vv 显示调试信息
--root 让RPM将指定的路径做为"根目录"，这样预安装程序和后安装程序都会安装到这个目录下
--rcfile 设置rpmrc文件为
--dbpath 设置RPM 资料库存所在的路径为

五、校验已安装的软件包
命令格式：
rpm -V ( or --verify, or -y) options
参数
pkg1 ... pkgN 将要校验的软件包名

软件包选项
-p Verify against package file
-f 校验所属的软件包
-a Verify 校验所有的软件包
-g 校验所有属于组 的软件包

详细选项
--noscripts 不运行校验脚本
--nodeps 不校验依赖性
--nofiles 不校验文件属性

通用选项
-v 显示附加信息
-vv 显示调试信息
--root 让RPM将指定的路径做为"根目录"，这样预安装程序和后安装程序都会安装到这个目录下
--rcfile 设置rpmrc文件为
--dbpath 设置RPM 资料库存所在的路径为

六、校验软件包中的文件
语法：
rpm -K ( or --checksig) options file1.rpm ... fileN.rpm
参数：
file1.rpm ... fileN.rpm 软件包的文件名

Checksig--详细选项
--nopgp 不校验PGP签名

通用选项
-v 显示附加信息
-vv 显示调试信息
--rcfile 设置rpmrc文件为

七、其它RPM选项
--rebuilddb 重建RPM资料库
--initdb 创建一个新的RPM资料库
--quiet 尽可能的减少输出
--help 显示帮助文件
--version 显示RPM的当前版本
收录于
linux命令

当前文章被收录于：

linux命令
14 篇文章 0 人学习
订阅专栏 查看详情
标签
#file #脚本 #文档 #测试 #服务器
【超详细】计算机组成原理总结及思维导图 计算机组成 第一章 计算机系统概论 冯诺依曼型计算机特点 1.计算机由运算器，控制器，存储器，输入和输出设备5部分组成 2.采用存储程序的方式，程序和数据放在同一个存储器中，并以二进制表示。 3.指令由操作码和地址码组成 4.指令在存储器中按执行顺序存放，由指令计数器(即程序计数器PC)指明要执行的指令所在的储存单元地址，一般按顺序递增，但可按运算结果或外界条件而改变 5.机器以运... 阅读详情

相关推荐

Gemini 2.5 Pro国内免魔法直连教程：5分钟搞定专业级PPT图表（附折线图/柱状图案例）

本文详细介绍了如何利用Gemini 2.5 Pro快速生成专业级PPT图表，包括折线图和柱状图等常见商业图表。通过自然语言交互和智能图表生成功能，用户可以在5分钟内完成数据可视化，大幅提升工作效率。文章还提供了实战案例和高级技巧，帮助用户轻松应对各种商业场景需求。

weixin_30733003的博客 460

rpm软件包的管理和获取

** 先挂载Centos74.iso 提示：并将已连接打钩上 2.再看看镜像有没有挂进来 [root@localhost mk]# ll /mnt/iso #先看看这个目录否？ 会提示 ls: 无法访问/mnt/iso: 没有那个文件或目录 [root@localhost mk]# mkdir /mnt/iso #新建一个目录用于挂载光盘 [root@localhost mk]# mount /dev/sr0 /mnt/iso mount: /dev/sr0 写保护，将以只读方式挂载

小信的博客 1666

STM32控制舵机SG-5010转动，HAL库

首先设置时钟为72Mhz，预分频系数为72-1，自动重装载计数器的值为5000-1，这样的话就可以得到一个5ms的脉冲宽度，5000的计数值可以让舵机的旋转角度变得更加易控且相对精准，计算旋转角度的时候也可以更加精确。所以我们5ms脉宽，period是5000脉宽-------------角度----------pulse0.5ms-------------0度----------500；1.0ms------------45度---------1000；

qq_73783264的博客 1294

Linux导出已经安装好的RPM安装包

【代码】Linux导出已经安装好的RPM安装包。

风水道人 2795

实战STM32G0驱动DRV8870/AT8870：PWM+DMA精准调速与H桥衰减模式详解

本文详细介绍了如何使用STM32G0单片机结合DRV8870/AT8870电机驱动芯片实现直流有刷电机的精准控制。重点讲解了PWM与DMA结合实现高效调速的硬件配置与软件驱动方法，并深入剖析了H桥快衰减与慢衰减模式的工作原理及应用场景，为嵌入式电机控制项目提供了完整的实战解决方案。

c7d8e9的博客 598

从零构建：openEuler WSL下的ARM交叉编译工具链自动化部署方案

本文详细介绍了在openEuler WSL环境下使用Ansible自动化部署ARM交叉编译工具链的方案。通过编写Ansible角色和Playbook，实现从基础环境配置到工具链安装、环境变量设置的一键部署，大幅提升嵌入式开发效率。方案支持多种ARM架构，并扩展了QEMU仿真、VS Code远程开发等实用功能，是嵌入式开发者的高效解决方案。

h3i4j的博客 383

【Linux】 rpm安装包保存到本地并批量安装

Linux系统的时候大家都有一个烦恼，用yum安装的软件包不知道去哪里了，不像windows那样直观可以将安装包放到一个地方保存起来，接下来为大家介绍yum安装后如果保存rpm包到本地。

smallbirdnq的专栏 8297

Altium Designer（AD24/25）如何在PCB设计阶段做阻抗匹配

目前阻抗匹配多直接有制版厂进行，PCB设计师在设计阶段可不关注阻抗设计，在加工阶段只需标注需要控制的阻抗线，制板厂即可按照要求对阻抗线进行调整和控制。但是对于设计师来讲掌握阻抗线的设计方法也是非常必要的。本文介绍Altium Designer（AD24/25）如何在PCB设计阶段做阻抗匹配。

fydar的博客 894

提取yum安装的rpm包到本地

本文背景是需要麒麟V10环境的tshark离线安装包，文章内容以tshark安装为例。

weixin_44554142的博客 2484

Kaggle赛题总结：Enefit - Predict Energy Behavior of Prosumers

竞赛旨在解决能源不平衡的问题，即预计使用的能源与实际使用或产生的能源不符。自发自用者是既消耗又产生能源的个体，他们在造成能源不平衡方面起到了重要作用。尽管他们只占所有能源消费者的一小部分，但他们不可预测的能源使用行为给能源公司带来了物流和财务问题。如果不加以解决，可能会导致运营成本增加、电网不稳定以及能源资源的低效利用。如果这个问题得到有效解决，将显著降低不平衡成本，提高电网的可靠性，并使自发自用者更高效和可持续地融入能源系统中。

猫敷雪 741

【002】C++ 语言核心：关键字深度解析与分类指南

auto：自动类型推导bool：布尔类型break：跳出循环或switch语句case：switch语句分支char：字符类型class：定义类const：常量continue：结束当前循环，开始下一次循环default：switch语句默认分支delete：删除对象do：do-while循环double：双精度浮点数类型else：if语句的否定分支enum：枚举类型explicit：显式构造函数export：导出符号extern：声明外部变量或函数。

Lion_Long的博客 1251

rpm命令查询和取包中内容

其中，为您要提取文件的 RPM 包的名称。这个命令将 RPM 包转换为 cpio 格式，然后使用cpio工具来提取其中的文件。提取的文件将会被放置在当前目录下，因此请确保您在执行命令时位于正确的目录中。另外，您也可以使用rpm2cpio命令将 RPM 包转换为 cpio 格式，然后使用cpio其中，第一行将 RPM 包转换为 cpio 格式，并将其保存为文件。第二行使用cpio命令来提取其中的文件。请注意，执行这些命令需要使用 shell 终端，并且必须具有适当的权限。

逆风水手的博客 2656

Matlab 曲面平滑与点云处理

曲面平滑是一种常见的数学和计算机图形学技术，可以用来消除噪声、填补数据间隙，以及改善曲面的外观。在点云处理中，曲面平滑也被广泛应用于重建、拟合和可视化等领域。本文将介绍如何使用 Matlab 进行曲面平滑和点云处理，并提供相应的源代码。通过以上步骤，我们可以使用 Matlab 进行曲面平滑和点云处理。你可以根据具体需求调整参数和算法，以获得理想的曲面平滑效果。接下来，我们可以使用平滑算法对三角化的网格进行曲面平滑。以上代码将绘制原始点云和重建后的点云，并在图形中显示坐标轴和图例。表示平滑的迭代次数。

QfcaLinux的博客 753

Linux | YUM / RPM 常用命令

……

u013669912的博客 1281

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

RPM常用命令及RPM中文手册[转载]

转载自 http://www.linuxsir.org/bbs/showthread.php?threadid=47734 rpm 常用命令 1.安装一个包 # rpm -ivh 2.升级一个包 # rpm -Uvh 3.移走一个包 # rpm -e 4.安装参数 --force 即使覆盖属于其它包的文件也强迫安装 --nodeps 如果该RPM包的安装依赖其它包，即使其它包没装，也强迫安装。 5

ruluo 1301

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

rpm常用命令及rpm中文手册

rpm 常用命令1.安装一个包 # rpm -ivh 2.升级一个包 # rpm -Uvh 3.移走一个包 # rpm -e 4.安装参数 --force 即使覆盖属于其它包的文件也强迫安装 --nodeps 如果该RPM包的安装依赖其它包，即使其它包没装，也强迫安装。 5.查询一个包是否被安装 # rpm -q 6.得到被安装的包的信息 # rpm -qi 7.列出该包中有哪些文件 # rp

wufengpin@com 1534

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

RPM常用命令

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.youkuaiyun.com/shuaigexiaobo/article/details/79769175 CentOS7主要有rpm和yum这两种包软件的管理。两种包的管理各有用处，其中主要区别是：YUM使用简单但需要联网，YUM会去网上的YUM包源去获取所需要的软件包。而RPM的需要的操作经度比较细，需要我们做的...

weixin_33779515的博客 80

RPM包管理常用命令

RPM包管理 rpm命令、yum在线管理

u013539566的博客 9871

rpm常用命令总结

1、 rpm常用命令 安装一个包 rpm -ivh 升级一个包 rpm -Uvh 移走一个包 rpm -e 安装参数 –force 即使覆盖属于其它包的文件也强迫安装 –nodeps 如果该RPM包的安装依赖其它包，即使其它包没装，也强迫安装。 查询一个包是否被安装 rpm -q 得到被安装包的信息 rpm -ql 列出服务器上的一个文件属于哪一个RPM包 rpm -qf 可

hezhonglei的专栏 988

rpm、yum、npm的区别，以及常用命令

rpm： 是由红帽公司开发的软件包管理方式，使用rpm我们可以方便的进行软件的安装、查询、卸载、升级等工作。但是rpm软件包之间的依赖性问题往往会很繁琐,尤其是软件由多个rpm包组成时，需要多次进行下载。并且rpm 只能安装已经下载到本地机器上的rpm 包.。（linux中使用命令） yum（全称为 Yellow dog Updater, Modified）： 是一个在Fedora和RedHat以及SUSE中的Shell前端软件包管理器。基于RPM包管理，能够从指定的服务器自动下载RPM包并且安装，可

一名后端程序猿 3145

RPM与YUM：Linux包管理工具的区别与常用命令

RPM和YUM是Linux系统中非常重要的包管理工具，它们在软件包管理中扮演着不同的角色。RPM是一个底层工具，适合管理本地RPM文件，提供基础的安装、查询和卸载功能。而YUM则是一个高级工具，它建立在RPM之上，通过管理远程仓库，自动处理软件包的依赖关系，适合大规模的系统更新和维护。对于日常的系统管理，YUM通常是首选，因为它提供了更高效和智能的包管理功能。而RPM则在某些特定场景下，例如安装本地的RPM包或验证包完整性时，仍然非常有用。

Sgirll的博客 1393

linux rpm yum systemctl常用命令

RPM (RedHat Package Manager), RedHat 软件包管理工具 ，类似windows中的setup.exe 是Linux这系列操作系统里面的打包安装工具，它虽然是RedHat的标志，但是理念都是通用的，RPM包的名称格式- apache 软件名称- 1.3.23-11 软件的版本号- i386 是软件所运行的硬件平台，Intel 32位处理器的统称- rpm 文件扩展名 代表RPM包。

shujufenxishi的博客 392

RPM常用命令总结

rpm -ivh *****.rpm    #i是install的意思  v显示更细节的安装咨询画面   h 以安装资讯列显示安装进度rpm -ivh -replacepkgs 文件名  不考虑依赖关系的安装由于许多软件需要一些前置软件的的支持来保证它功能的正常运行，所以在安装时他会提示你先安装前置软件再来安装此软件，但有时我们因为一些特殊原因不想安装那些前置软件，所以会用到该命令rpm -qa ...

18年3月萌新白帽子 1086

rpm包管理工具（常用命令）

RPM Package Manager (RPM) 是一个强大的命令行驱动的软件包管理工具，用来安装、卸载、校验、查询和更新 Linux 系统上的软件包。

chenyao的博客~ 1689

rpm和yum常用命令

(1) -i 在系统中安装软件(2) -U 在系统中升级软件(3) -e 在系统中卸载软件(4) -h 用 #(hash) 符显示 rpm 安装过程(5) -v 详述安装过程(6) -V 包安装成功的验证机制(7) -p 对本地RPM包进行查询，如：-qlp 查询某个未安装的RPM包中的所有文件列表-qip 查询某个未安装的RPM包的内容信息-qRp 查询RPM包的依赖关系(8) -q 在

星星的技术专栏 1480
上一篇： yum命令基本用法
下一篇： Linux常见缩写的解释
点赞 0
评论 0
书签 书签 0
AstrayLinux
AstrayLinux
博客等级 码龄15年 55粉丝 38原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值