Gradle之基本理论(4)

Android Studio3.0 Gradle 4.1配置 Android Studio 3.0 gradle4.1找不到错误 gradle4.1配置 阅读详情

Gradle之基本理论与冲突解决

上一节,我们通过快速尝鲜领略了gradle的基本功能,现在,学习一下理论吧!

1 构建脚本概要

一、构建脚本概要

  gradle构建中的两个基本概念是项目(project)和任务(task),每个构建至少包含一个项目,项目中包含一个或者多个任务。在多项目构建中,一个项目可以依赖于其他项目;类似的,任务可以形成一个依赖关系图来确保他们的执行顺序。

二、项目-任务的关系
项目与任务关系
如图,项目一个项目可以依赖另一个项目,一个任务可以依赖另一个任务。

三、项目介绍

​ 一个项目代表一个正在构建的组件(比如一个jar文件),当构建启动后,Gradle会基于build实例化一个ora.gradle.api.Project类,并且能够通过project变量使其隐式可用,即builde.gradle里面的version等价于project.version。

   1)通过属性group(groupId)、name(artifactId)、version确定一个唯一组件
   2)project的重要的方法:
      -apply 应用插件
      -dependencies 添加依赖
      -repositories 仓库找jar
      -task 声明项目有什么任务

​ 3)属性的其他配置方式:ext、gradle.properties

plugins {
    id 'java'
    id 'war'
}

// 点入可以看到调用Project类的setGroup方法
project.group 'com.sef'
version '1.0-SNAPSHOT'

sourceCompatibility = 1.8

四、任务介绍

​ 任务对应org.gradle.api.Task。主要包括任务动作和任务依赖。任务动作定义了一个最小的工作单元。可以定义依赖于其他任务、动作序列和执行条件。

​ 1)task的重要方法:
​ -dependsOn 依赖task
​ -doFirst、doLast 在(前面、后面)添加动作

我们使用插件以后,默认会带很多任务。
一个任务依赖其他任务
如图,当我们执行类jar任务后,在它前面执行了多个任务,complie、process、classes等。

2 自定义任务

在build.gradle里面添加一个任务:

def createDir = {
    path ->
        File dir = new File(path);
        if(!dir.exists()){
            dir.mkdirs();
        }
}

// 创建java工程目录
task makejavaDir(){
    def  paths = ['src/main/java', 'src/main/resources','src/test/java','src/test/resources']
    doFirst{
        paths.forEach(createDir)
    }
}

// 创建web工程目录
task makeWebDir(){
    dependsOn 'makejavaDir'
    def paths = ['src/main/webapp','src/test/webapp']
    doFirst{
        paths.forEach(createDir)
    }
}

定义一个任务makejavaDir,用于创建java工程目录,定义任务makeWebDir,用于创建Web工程目录;
任务makeWebDir依赖于makejavaDir任务;
可以看到任务列表other里面多了两个任务;
执行任务可以创建对应的目录;
自定义任务

3 构建生命周期

一、生命周期

生命周期

  • 初始化阶段
    Gradle提供了单项目和多项目的构建,在初始化阶段,他要决定哪些项目要参与到构建中来,并创建这些项目的实例。

    初始化阶段的任务是创立项目的层次结构,并且为每一个项目创立一个Project实例。 与初始化阶段相关的脚本文件是settings.gradle(包括<USER_HOME>/.gradle/init.d目录下的所有.gradle脚本文件,这些文件作使用于本机的所有构建过程)

  • 配置阶段
    在这个阶段需要参与到本次构建的项目的构建脚本将会被执行,这些项目的对象将被配置,这个特性叫做configuration on demand

    配置阶段的任务是执行各项目下的build.gradle脚本,完成Project的配置,并且构造Task任务依赖关系图以便在执行阶段按照依赖关系执行Task。 该阶段也是我们最常接触到的构建阶段,比方应使用外部构建插件apply plugin: com.android.application,配置插件的属性android{ compileSdkVersion 25 ...}等。每个build.gralde脚本文件对应一个Project对象,在初始化阶段创立,Project的接口文档。 配置阶段执行的代码包括build.gralde中的各种语句、闭包以及Task中的配置段语句

  • 执行阶段
    Gradle为在配置阶段创建和配置的任务再次筛选需要执行的任务的子集,这个子集的筛选是由在命令行下传递给Gradle的任务名和目录决定的,子集中的每个任务都会被执行。

    在配置阶段结束后,Gradle会根据任务Task的依赖关系创立一个有向无环图,能通过Gradle对象的getTaskGraph方法访问,对应的类为TaskExecutionGraph,而后通过调使用gradle <任务名>执行对应任务。

    如:
    生命周期代码体现

二、钩子

当然,构建生命周期中还有钩子方法,它们的执行时机如下图:
钩子

构建生命周期有一些钩子方法,我们可以查阅官方文档,了解钩子方法是怎么使用的。

4 依赖管理

一、概要

​ 几乎所有的基于JVM的软件项目都需要依赖外部类库来重用现有的功能。自动化的依赖管理可以明确依赖的版本,可以解决因传递性依赖带来的版本冲突。

二、基本概念

  • ​ 工件坐标

    group、name、version

    通过这三个参数可以唯一确定一个jar

  • 仓库

    用来存放jar的地方。

    本地仓库:mavenLocal

    公用仓库:MavenCentral、jcenter(公网上的)

    文件仓库:本地机器上的jar(不推荐使用)

    在build.gradle中配置按照如下顺序配置:

    repositories {
      // 私服
      //maven{
      //    url ''
      //}
      // 本地仓库(若是我们按照了maven)
      mavenLocal()
      // 公共仓库
      mavenCentral()
    }
  • 依赖的传递性

    正是因为依赖的传递性,导致版本冲突。如,B依赖A,如果C依赖B,那么C依赖A。

三、自动化依赖管理

下图显示了依赖管理的关键元素:

配置包含两部分:依赖的标识加版本号和中央仓库的位置(可以是一个HTTP链接),依赖管理器根据这个信息自动定位到需要下载的仓库然后下载到你的机器中。库可以定义传递依赖,依赖管理器足够聪明分析这个信息然后解析下载传递依赖。如果出现了依赖冲突,依赖管理器会试着解决。库一旦被下载就会存储在本地的缓存中,构建系统先检查本地缓存中是否存在需要的库然后再从远程仓库中下载。

依赖管理

四、依赖管理阶段

源代码有compile、runtime;测试代码有testCompile、testRuntime,阶段之间的关系如下图:
阶段依赖

1)运行阶段依赖编译阶段;

2)测试的阶段依赖于源代码的阶段;

dependencies {
    // 有两种写法
    // 添加源代码编译时依赖
    compile 'ch.qos.logback:logback-examples:1.3.0-alpha4'
    // 添加测试代码编译时依赖
    testCompile group: 'junit', name: 'junit', version: '4.12'
}

如下:
阶段依赖

现在,我们了解了基本原理,上面说依赖的传递性会造成版本冲突问题,那么版本冲突如何解决?干货就在下篇。一鼓作气,接下去。

​

CentOS7上安装Gradle 5.4 文章目录参考文档前置条件安装Gradle 5.4 参考文档 https://docs.gradle.org/current/userguide/installation.html CentOS7上安装Maven 前置条件 安装Maven前需要先安装好JDK8。 如果还没有安装好JDK8,请参见: CentOS7上安装OpenJDK8 安装Gradle 5.4 下载并安装Gradle: # ... 阅读详情

相关推荐

【Gradle之旅-01】如何在Ubuntu安装Gradle

前言 对于Android开发而言,Gradle算得上是一门必备技能,而想要学习Gradle,第一步就是在开发环境配置好Gradle。 因此Gradle系列的第一步就是:如何安装Gradle。 使用的开发环境: Ubuntu 20.04 Java: JDK 11 Gradle 6.4.1 注意:如果是Mac或者Windows请另外查找相关文章,这篇文章只介绍Ubuntu下的环境搭建 第一步很简单,只有3个小步骤,分别是: 下载Gradle 配置Gradle环境 验证Gradle是否安装成功 安装JDK

BlueLzy的个人博客 5111

Gradle实战-07-Gradle核心之Project详解和实战

好好学习,天天向上 1064

AMBA VIP基础使用方式(AXI)

AXI环境配置 1)基础配置 作为master或者slave使用时,对应的is_active = 1 只作为i监测(monitor)使用时,对应slave_cfg的is_active = 0(对应端口连接也有所区别) class smu_axi_cfg extends svt_axi_system_configuration; `uvm_object_utils(smu_aix_cfg) function new(string name="smu_axi_cfg); super.new(n..

qq_37573794的博客 7984

七、Gradle中的Project

说在前面:Gradle中project是非常重要的,所以也会有非常多的API及其可配置的属性,笔者也有许多不了解的,在这只是讲一些开发中比较常用的一些API和属性。但是了解了这些,其它的自己去看,去查资料相信也是可以搞懂的。当遇到了一些需求是以下API或者属性配置不能解决的,可以到Project文档中查查有没有可以帮助到自己的API。其它想了解的在这也可以查阅。另外,Android Plugin ...

heng615975867的专栏 1791

Python3.8下MvCameraControl.dll加载失败?3种方法彻底解决FileNotFoundError

本文针对Python3.8及以上版本在Windows平台调用MvCameraControl.dll时出现的FileNotFoundError问题,深入剖析了其根源在于Python 3.8引入的DLL加载安全机制变更。文章提供了三种核心解决方案:显式指定DLL完整路径、使用os.add_dll_directory()添加可信目录,以及利用ctypes的winmode参数进行精细控制,并给出了工程化封装建议,帮助开发者彻底解决此兼容性问题。

weixin_29093017的博客 193

用STM32F407做个USB声卡:从CubeMX配置到播放录音全功能实战(附源码)

本文详细介绍了如何使用STM32F407开发板实现USB音频设备的全功能实战,包括CubeMX配置、硬件连接、音频流处理和性能优化。通过双缓冲DMA机制和音频数据处理流程,开发者可以构建高质量的USB声卡系统,适用于录音和播放场景。附源码,助力快速上手STM32音频开发。

weixin_30301449的博客 517

学习用Gradle创建目录

学习Groovy语法,学习Gradle创建目录,希望通过简单的代码学会使用它们 (定义数组、定义闭包、创建一个task、调用闭包、执行任务) 1.打开gradle.build,输入下面的代码 //闭包,相当与一个代码快,path是一个传参,这个闭包用于根据传入的path,创建相应的目录 def createDir = { path-&gt; File dir=new Fil...

css33的专栏 2676

5分钟搞定微服务架构图:手把手教你用Draw.io画出专业级设计

本文详细介绍了如何使用Draw.io快速绘制专业级微服务架构图。通过5分钟入门教程,掌握核心组件拖拽、连接线优化等技巧,提升系统设计可视化效率。特别适合需要快速呈现分布式系统架构的开发团队,利用内置微服务元素和分层展示功能,轻松创建清晰易懂的技术文档。

pz890123的博客 1245

Gradle理论与实践一:Gradle入门

文章目录Gradle入门1、配置Gradle环境2、Gradle之Hello World3、gradle 与gradlew的区别4、Gradle命令介绍5、Gradle 工作流程 Gradle入门 Gradle一门DSL(Domain Specific Language,领域特定语言),Gradle基于Groovy语言,专门用来解决自动化构建。Gradle可以认为是一个框架,负责定义流程和规则。而...

小马快跑的博客 4332

hi3519dv500 os04a10输入调试

因该sensor接在soc端的iic6,在驱动中(Hi3519DV500_SDK_V2.0.1.1\smp\a55_linux\source\mpp\cbb\isp\user\sensor\hi3519dv500\omnivision_os04a10\os04a10_sensor_ctl.c)注意总线的选择。mem_process_isolation=1 改为 mem_process_isolation=0。2、OT_MIPI_SET_HS_MODE配置为LANE_DIVIDE_MODE_1。

linus 3178

宏基因组分析|从Binning到MAG优化的全流程实战指南

本文提供了一份宏基因组分析从Binning到MAG优化的全流程实战指南。详细解析了宏基因组分箱(Binning)的核心原理与必要性,并手把手指导如何利用Bowtie2、MetaBAT2和CheckM等工具构建分箱流水线,进行质量评估与筛选,最终获得高质量宏基因组组装基因组(MAG)。文章还分享了常见问题排查与进阶优化策略,为后续物种分类、功能注释等深度分析奠定坚实基础。

weixin_29260291的博客 458

Gradle7.4安装与基本使用

gradle有突出的版本不兼容问题.因此要注意SpringBoot对Gradle的要求,以及IDEA对Gradle的要求在IDEA的plugins/lib/gradle中规定了gradle的最大版本号. 在2022.2.1中是6.7 在2022.3.2中是7.4.其余自行查看该位置的版本控制.不过idea规定的版本号可以更改.查看SpringBoot与Gradle的兼容性。

欢迎来到烟火气知识小天地!这里记录生活、工作中的 “小麻烦”,从软件故障到生活难题,我会毫无保留分享解决思路与方法,愿成为你排忧解难时的温暖参考,伴你在解决问题路上稳步前行。 6950

rknn-toolkit推理yolov5-face.rknn模型--python代码

import os import urllib import traceback import time import sys import numpy as np import cv2 from rknn.api import RKNN ONNX_MODEL = 'yolov5s.onnx' RKNN_MODEL = 'yolov5s.rknn' IMG_PATH = './bus.jpg' DATASET = './dataset.txt' QUANTIZE_ON = True BOX_THR.

C/C++、嵌入式开发、深度学习算法、模型部署与推理优化 3081

Gradle 基本使用

前言 Gradle 它是一个基于 JVM 的新一代构建工具,这个系列会针对 Android 开发来对 Gradle 的知识进行精简讲解。Gradle 目前已经应用于多个 Android 开发的技术体系中,比如构建系统、插件化、热修复和组件化等等。 一、Gradle 是什么 Gradle 是一个构建工具,构建工具用于实现项目自动化,是一种可编程的工具,你可以用代码来控制构建流程最终生成可交付的软件。构建工具可以帮助你创建一个重复的、可靠的、无需手动介入的、不依赖于特定操作系统和IDE 的构建。这么说可能

lixiong0713的博客 1万+

从 SEGW 到 SADL 的那根线,彻底理解 OData Data Source Mapping

本文摘要(150字): 在SAP Gateway的SADL型OData服务开发中,"Map to Data Source"是关键配置环节。与传统RFC映射不同,SADL映射不是针对单个CRUDQ操作,而是建立OData模型与SADL业务实体间的完整语义对应关系。通过属性映射和关联映射,系统能自动处理数据获取和导航请求。映射编辑器支持三种模式:属性映射处理字段对应,关联映射处理模型间关系,动作映射处理业务操作。映射的本质是建立语义翻译表,决定了后续OData请求如何转化为后端业务实体访问,而非简单的字段重命名

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 64

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Android Gradle和Gradle插件区别

引言 什么是Gradle?什么是Gradle插件? build.gradle中依赖的classpath 'com.android.tools.build:gradle:2.1.2'和gradle-wrapper.properties中的distributionUrl=https\://services.gradle.org/distributions/gradle-2.10-all.zip有什

jinrall的专栏 1万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【Gradle-2】一文搞懂Gradle配置

Gradle第一点其实很好理解,比如Gradle需要java11的运行环境,再比如我们为了加快编译而给Gradle设置更大的运行空间等,这类配置往往相对固定的,因为它是跟随项目走的,即使是多团队协作,大家基本也都是用的同一个环境。

yechaoa 8293

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")

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Gradle - 【配置】Gradle基本使用

Gradle 下载 仓库 配置环境变量 为什么要配置环境变量 Gradle目录结构 Gradle配置文件格式 Groovy语言 Gradle构建编译编码格式 基本构建命令 gradle clean gradle compileJava gradle compileTestJava gradle build gradle jar testCompile → testImplementation (Gradle 7.0) 构建可运行jar包 IDEA快速构建 更换本地Maven仓库

⚡ 1063

netty-gradle基本环境

安装gradle 访问官网,按照指示进行下载配置即可,具体页面在此。 觉得慢的可以使用下载我分享的百度云,提取码sg6s。 解压到指定目录即可,无需安装。 环境变量配置 先配置GRADLE_HOME为你的解压路径,我的是d:\software\gradle。 然后把可运行文件配置到PATH上,在后面添加%GRADLE_HOME%\bin;即可。 环境变量不熟悉的可以通过计算机 &gt;&gt;...

godme 5199

Gradle理论与实践四:自定义Gradle插件

文章目录Gradle插件1、Java Gradle插件2、Android Gradle插件2.1、应用Android Gradle插件 Gradle插件 Gradle可以认为是一个框架,负责定义流程和规则。而具体的编译工作则是通过插件的方式来完成的。比如编译 Java 有 Java 插件,编译 Groovy 有 Groovy 插件,编译 Android APP 有 Android APP 插件,编...

小马快跑的博客 8956

android studio的gradle配置,Android Studio中Gradle基本配置详解

GradleAndroid Studio 使用 Gradle 构建工具,而 Gradle 继承了强大、灵活的 Ant 和 Maven 丰富的依赖管理,配置管理简单,脚本编写方便灵活,插件模块化。Gradle 构建工具是任务驱动型的构建工具,并且可以通过各种 Plugin 插件扩展功能以适应各种构建任务。对应 Android 项目的 Gradle 插件就是 Android Gradle Plugin...

weixin_32349577的博客 3861

Gradle基本常识

1. 环境搭建(windows) a)安装了JDK,并配置了JAVA_HOME环境变量; b)在gradle官网https://gradle.org/下载Gradle SDK,比如gradle-2.14.1-all.zip,解压到相关目录,添加GRADLE_HOME环境变量,然后把GRADLE_HOME/bin添加到Path环境变量中; 2. build.gradle 该文件是gradle...

json_it的博客 961

Gradle4.4记录笔记

gradle4.4解读

小周今天Code了吗 1107

idea 2023 安装配置 Gradle8.4

添加Path 变量:%GRADLE_HOME%\bin。cmd 命令框执行:gradle -version。官网:https://gradle.org。变量名:GRADLE_USER_HOME。变量值:自定义 Gradle 仓库地址。

qq_20851729的博客 2395

Gradle vs Maven 基本对比(一)

对Gradle 与maven的对比了解

以后的今天的博客 1万+
上一篇: Gradle之快速尝鲜(3)
下一篇: Gradle之解决版本冲突(5)
ashencode
博客等级 码龄10年 26粉丝 53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