ActiveMQ使用记录

手把手教你用Kokoro-82M-v1.1-zh搭建本地TTS服务(含WebSocket接口) 本文详细介绍了如何使用Kokoro-82M-v1.1-zh模型搭建本地TTS服务,包括环境配置、模型部署、WebSocket接口实现及性能优化。通过实战指南,开发者可以快速掌握本地部署TTS系统的关键技术,提升语音交互应用的开发效率。 阅读详情

注意他们的老大:public interface Message

  • @see javax.jms.MessageConsumer#receive()
  • @see javax.jms.MessageConsumer#receive(long)
  • @see javax.jms.MessageConsumer#receiveNoWait()
  • @see javax.jms.MessageListener#onMessage(Message)
  • @see javax.jms.BytesMessage
  • @see javax.jms.MapMessage
  • @see javax.jms.ObjectMessage
  • @see javax.jms.StreamMessage
  • @see javax.jms.TextMessage

ActiveMQBytesMessage :内容为data = {“id”:“101”,“type”:10,“name”:“Lucy”}

ActiveMQTextMessage: {commandId = 5, responseRequired = true, messageId = ID:localhost.localdomain-33927-1627368748710-1:4:1:1:1, originalDestination = null, originalTransactionId = null, producerId = ID:localhost.localdomain-33927-1627368748710-1:4:1:1, destination = topic://textTopic, transactionId = null, expiration = 0, timestamp = 1627368840034, arrival = 0, brokerInTime = 1627368840035, brokerOutTime = 1627368840038, correlationId = null, replyTo = null, persistent = true, type = null, priority = 4, groupID = null, groupSequence = 0, targetConsumerId = null, compressed = false, userID = null, content = org.apache.activemq.util.ByteSequence@5ded348a, marshalledProperties = org.apache.activemq.util.ByteSequence@6b352ef2, dataStructure = null, redeliveryCounter = 0, size = 0, properties = {timestamp=1627368840016}, readOnlyProperties = true, readOnlyBody = true, droppable = false, jmsXGroupFirstForConsumer = false, text = {“id”:“101”,“type”:10,“name”:“Lucy”}}


 @JmsListener(destination = "dataTopic", containerFactory = "topicListener")
    public void receiveDataTopic(Object message) {
        ActiveMQBytesMessage msg = (ActiveMQBytesMessage) message;
        String data = new String(msg.getMessage().getContent().getData());
    }


    @JmsListener(destination = "textTopic", containerFactory = "topicListener")
    public void receiveTextTopic(Object message) {
        String text = null;
        try {
            text = ((TextMessage) message).getText();
        } catch (JMSException e) {
            log.error("MQTT消息转换异常");
            return;
        }
     }
CLion与STM32CubeMX联调:JLink GDB Server高效调试指南 本文详细介绍了如何搭建并配置CLion、STM32CubeMX与JLink GDB Server联调的现代化STM32开发环境。通过一站式环境搭建、工程创建、核心调试配置及高级技巧(如RTT日志),该组合实现了高效的代码编辑、可视化配置与稳定调试,大幅提升嵌入式开发效率与体验。 阅读详情

相关推荐

IVP 2021 UNETR: Transformers for 3D Medical Image Segmentation

动机 具有跟踪和扩展路径的全卷积神经网络(FCNNs)(如编码器和解码器),近年来在各种医学图像分割应用中显示出了突出的地位。在这些体系结构中,编码器通过学习全局上下文表示来扮演一个不可或缺的角色,该全局上下文表示将进一步用于解码器的语义输出预测。 卷积层作为FCNN的主要构造块,其局部性限制了此类网络学习长时空间依赖的能力。 在NLP领域,基于transformer的模型已经在各种任务中实现了最先进的基准。transformer中的自我注意机制使他们能够动态地突出词序列的重要特征并学习其长时依赖关系。这

smile909的博客 1979

ActiveMQ自定义messageid

最近做ActiveMQ相关工作,有需求发送JMS里使用自定义的Timestamp和MessageID. 修改Timestamp 很顺利.Producer对象设置 setDisableMessageTimestame(true) .在发送Message前给Message设置 setJMSTimestamp(当前时间的毫秒数) 再发送,从总线看到的Timestamp就是自定义的时间了 修改Mes

fxz1982的专栏 6546

企业微信群机器人配置全攻略:从零到消息推送的完整流程

本文详细介绍了企业微信群机器人的配置与使用全流程,从零开始指导如何创建机器人、获取Webhook地址,到通过HTTP请求发送文本、Markdown、图片及模板卡片等多种消息类型。内容涵盖核心的接口配置、安全实践及实战应用场景,帮助开发与运维团队快速构建自动化消息推送中枢,提升协作效率。

weixin_29231725的博客 849

ActiveMQ学习笔记(二十)Message高级特性一

1. Messaage Properties   ActiveMQ支持很多消息属性,具体可以参考   http://activemq.apache.org/activemq-message-properties.html   常见得一些属性说明:   1. queue得消息默认是持久化得   2. 消息得优先级默认是4.   3. 消息发送时设置了时间戳。   4. 消息的过期时间默认是永不过期,过期的消息进入DLQ,可以配置DLQ及其处理策略。   5. 如果消息是重发的,将会被标记出来。

daiyuenlong110的博客 632

GD-Link离线烧录全攻略:从配置到一键下载的保姆级教程

本文详细介绍了GD-Link离线烧录的全流程,从硬件准备到软件配置,再到一键下载的实战技巧。通过保姆级教程,帮助工程师快速掌握国产MCU的离线烧录技术,适用于产线批量烧录和现场设备维护等场景,显著提升工作效率。

ww90123的博客 656

Matlab双目相机标定

1 概述 现在有许多双目相机在出厂时就已经标定好了,用户拿到手后可以直接使用,例如Intel Realsense系列。但是有些相机出厂的时候并没有完成标定工作,因而这个时候就需要我们自己来标定。由于笔者曾改装过一个双目相机,最远可以测至50m,因此有一定的心得体会想给大家分享一下。本文主要介绍双目相机标定的整个过程,以及导出标定数据的方法。 相机标定主要分为手动标定和自动标定,手动标定比较繁琐,这里主要介绍基于matlab工具箱的自动标定方式来对双目相机进行标定。具体的相关标定细节也可以参照这篇博客:m

weixin_46133643的博客 2万+

activemq--Message消息头

Message消息之消息头 JMSDestination 消息发送的目的地,分为queue和topic。可以针对某个特殊的消息进行设置。 // 设置目的地 textMessage.setJMSDestination(topic); JMSDeliveryMode 持久化模式 对于一条持久化消息:应该被传送“一次仅仅一次”,这就意味着如果JMS提供者出现故障,该消息不会丢失,它会在服务器恢复之后再次传递 对于一条非持久化的消息:最多会传送一次,意味着服务器出现故障,该消息会丢失。 // 设置持久化 /.

return 486

python刷B站播放量

首先,我们要知道B站播放量计算方法:不同的IP只能算一次,如果点一下就关掉,会出现播放完成度很低的情况,反而不利。 所以我们要做的是:不停换IP地址打开视频播放页,最好能看完视频。 下面是实现方法: 获取某一个网页上的所有代理IP,返回一个IP列表: def get_ip_list(url, headers): web_data = requests.get(url, headers=headers) soup = BeautifulSoup(web_data.text, 'lxml

HGGshiwo的博客 1万+

activemq学习——JMS message介绍

导航页:https://blog.youkuaiyun.com/baokx/article/details/100745165 JMSDestination: 消息发送的目的地,主要是指Queue和Topic JMSDeliveryMode: JMSExpiration JMSPriority: JMSMessageID: 唯一识别每个消息的ID,由mq产生。 ...

baokx的专栏 347

基于ARKitScenes和YOLOv11的元宇宙3D物体检测系统设计与实现

引言随着元宇宙概念的兴起和增强现实(AR)技术的快速发展,3D物体检测成为了计算机视觉领域的重要研究方向。与传统的2D物体检测不同,3D物体检测不仅需要识别物体类别,还需要估计物体在三维空间中的位置、大小和朝向。本文将详细介绍如何利用ARKitScenes数据集和YOLOv11算法构建一个完整的3D物体检测系统,并提供可视化UI界面。相关工作与技术背景2.1 ARKitScenes数据集介绍ARKitScenes是苹果公司发布的一个大规模的3D场景理解数据集,包含丰富的室内场景数据。

YOLO 412

【PCL 特征】积分图法线估计

本文介绍了基于积分图的有序点云法线估计方法。通过利用点云数据的行列式结构特性,该方法避免了传统KD树搜索,采用积分图将邻域统计运算复杂度从O(k²)降至O(1)。详细阐述了四种法线估计算法:协方差矩阵法(精度最高)、平均3D梯度法(实时性好)、平均深度变化法(适合SLAM)和简单3D梯度法(速度最快)。重点分析了积分图构建、动态窗口平滑处理、法线方向调整等关键技术,并提供了PCL实现代码示例。实验表明,不同方法在精度和速度上存在显著差异,可根据具体应用场景选择合适算法。

yijiujiusan的博客 277

ActiveMQ笔记22-Message之消息头

JMS message消息头有5块,分别是: JMSDestination:消息发送的目的地,主要指Queue和Topic,可以针对某条消息使用message.setJMSDestination(Destination destination)方法来设置。 JMSDeliveryMode:持久模式,分为持久(DeliveryMode.PRESISTENT)和非持久(DeliveryMode.N...

王劭阳的博客 544

RK3588开发笔记-PCIE接口2.5G网卡RTL8125调试记录

在RK3588平台上调试2.5G网卡(Realtek RTL8125)时,我们会用到PCIE接口,这篇文章记录了从硬件连接、内核驱动到最终实现网络通信的整个调试过程,包括可能遇到的问题和解决方案。Realtek RTL8125是为高带宽需求设计的一款高性价比2.5G以太网控制器。它不仅提供了高达2.5Gbps的网络传输速率,还具备良好的节能特性、硬件卸载引擎和广泛的操作系统支持。无论是在家庭网络、企业NAS,还是游戏和云计算等场景中,RTL8125都能为用户提供更快速、更稳定的网络连接。

flypig has a dream! 3681

linux activemq 日志,log4j通过ActiveMQ远程记录日志设计配置

log4j通过activeMQ远程记录日志设计配置一、安装ActiveMQ首先去http://activemq.apache.org/download.html 下载较新版本5.4.2release, 解压apache-activemq-5.4.2-bin.zip (或者apache-activemq-5.4.2-bin.tar.gz)目录如下:+bin (windows下面的bat和unix/l...

weixin_29643235的博客 1187

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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。

ActiveMQ的学习记录

先启动订阅,再发布消息各个消息中间件的比较点对点点对点模型是基于队列的,生产者发消息到队列,消费者从队列接收消息,队列的存在使得消息的异步传输成为可能。和我们平时给朋友发送短信类似。如果在Session关闭时有部分消息己被收到但还没有被签收(acknowledged),那当消费者下次连接到相同的队列时,这些消息还会被再次接收队列可以长久地保存消息直到消费者收到消息。消费者不需要因为担心消息会丢失而时刻和队列保持激活的连接状态,充分体现了异步传输模式的优势发布订阅(1) JMS的发布订阅总结。

weixin_68657865的博客 1476

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

log4j通过ActiveMQ远程记录日志设计配置

log4j通过activeMQ远程记录日志设计配置 一、安装ActiveMQ 首先去http://activemq.apache.org/download.html 下载较新版本5.4.2release, 解压 apache-activemq-5.4.2-bin.zip (或者apache-activemq-5.4.2-bin.tar.gz)目录如下: +b

有 prepare , No out 2964

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")

记录下ActiveMQ启动报错因果

今天安装ActiveMQ之后,无法运行ActiveMQ。打开日志后发现报错从网上查出,是由于hostname中含有下划线所致,但服务器hostname中并没有设置下划线,到是有'.'。于是就改'.'为'-'后运行成功 错误如下: 2017-01-05 17:18:18,628 | INF...

638

ActiveMQ生产环境使用踩坑记录

参考网址: ActiveMQ官网:http://activemq.apache.org/ https://blog.youkuaiyun.com/yinwenjie/article/details/51205822(大神,绝对大神) 摘要: 本章写了将CMS(ActiveMQ的C++客户端)及ActiveMQ应用于生产环境的踩坑记,一把辛酸泪啊 一、ActiveMQ集群部署 这里我采用的是参考网址...

wangdamingll的博客 1046

项目搭建记录1一ActiveMQ安装及配置

项目搭建记录1——ActiveMQ安装及配置

Dong_Da_JR的博客 1137

【ActiveMQ】记录一次activemq与jdk版本冲突问题

1.问题描述 系统环境 linux :centos6.8 jdk1.7.0_79 ActiveMQ 版本:apache-activemq-5.15.0 以及apache-activemq-5.15.3 在上传到linux中 中启动了 activemq 再次查看activemq status状态 都是未启动状态, 2.问题分析 经过apache-activemq-5.15...

芝兰生于深谷,不以无人而不芳 1241

ActiveMQ记录

进入http://activemq.apache.org/下载ActiveMQ 第一步: 把ActiveMQ 的压缩包上传到Linux系统。 第二步:解压缩。 第三步:启动。 使用bin目录下的activemq命令启动: [root@localhost bin]# ./activemq start 关闭: [root@localhost bin]# ./activemq stop ...

一行一步的博客 469

activemq 记录

1. 集群 集群:主要是用来错误转发和负载均衡。不过如果服务器里面有没有消费掉的消息,这时候如果服务器down了机,那没有消费掉的消息只能是等服务器好了之后才能继续被消费。 这个问题的解决方案是用master/slave的模式。(但这个性能上很大影响。Master要恢复也是要把slave停了才可以恢复的。) 集群分两种: Failover:这种是用来解决如果一个服务器down了,马上可以切换到另一...

summer85的博客 171

Spring+Log4j+ActiveMQ实现远程记录日志——实战+分析

Spring+Log4j+ActiveMQ实现远程记录日志——实战+分析 http://my.oschina.net/itblog/blog/533730---------原文网址 摘要 这几天由于工作需要,研究了一下远程打印日志的方式,于是将研究结果记录在此,分享给大家,希望对大家有所帮助。 应用场景 随着项目的逐渐扩大,日志的增加也变得更快。Log4j...

weixin_30840573的博客 147

记录springBoot简单整合activeMQ出现的问题

记录springBoot简单整合activeMQ出现的问题第一步添加需要依赖第二步检查你的项目结构第三步检查配置文件application.yml最后在配置bean的时候出现了错误最后附上本次源码 第一步添加需要依赖 <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-activemq

qq_40977011的博客 2238

ActiveMQ 单节点部署记录

ActiveMQ 单节点部署记录 软件地址:https://archive.apache.org/dist/activemq/5.15.13/apache-activemq-5.15.13-bin.tar.gz 下载软件 wget https://archive.apache.org/dist/activemq/5.15.13/apache-activemq-5.15.13-bin.tar.gz 解压软件 ## 解压软件 tar -xzvf apache-activemq-5.15.13-bin.t

繁星 262
上一篇: xwindow
下一篇: linux中批量修改图片名字为数字
小小白兔兔
博客等级 码龄7年 46粉丝 207原创
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
 
 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