sonarqube系列一：SonarQube搭建 - docker方式

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 2k累计阅读 2.1k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9年

关注

VIP免费原创最新推荐文章于 2026-05-04 10:36:01 发布 2k 阅读 AI 写同款· GEO 优化 ›

银河麒麟V10部署基于docker的PostGresql数据库在ARM64架构的银河麒麟V10操作系统上，以Docker的方式部署postgresql数据库。阅读详情

SonarQube

代码审计简述

代码审计指标

代码坏味道
bug和漏洞
代码重复度
单测与集成

代码审计工具

1.综合性的平台

SonarQube

2.IDE辅助工具

3.独立的静态分析

SonarQube

一、搭建

借助docker快速搭建，需要掌握对docker的基本使用

方式一：临时搭建

docker run -d --name sonarqube  -p 9000:9000 -p 9092:9092 sonarqube

方式二：产品化搭建（8.x以上版本）

1.部署postgres数据库

启动postgres容器

docker run -d --name postgres \
-e POSTGRES_USER=sonarqube \
-e POSTGRES_PASSWORD=sonarqube \
-e PGDATA=/var/lib/postgresql/data/pgdata \
-v $PWD/postgresql/:/var/lib/postgresql/data \
postgres

2.部署sonarqube

最低0.47元/天解锁文章

收录于

当前文章被以下社区和专栏收录：

标签

#docker #postgresql #经验分享

银河麒麟V10-ARM架构-postgresql安装与部署指南本文详细介绍应用源码进行pgsql的安装步骤，本文以postgresql-12.0为例。提示：以下是本篇文章正文内容，下面案例可供参考银河麒麟系统安装程序比较繁琐，潜在问题比较多，个人建议均通过源码自定义编译安装。国产系统还需努力啊！阅读详情

相关推荐

银河麒麟V10使用编译安装PostSQL+PostGIS

PostGIS是对象关系型数据库系统PostgreSQL的一个扩展，PostGIS提供如下空间信息服务功能：空间对象、空间索引、空间操作函数和空间操作符。同时，PostGIS遵循OpenGIS的规范。

IT爱好者 2854

Docker搭建SonarQube

一 . SonarQube代码质量检查工具简介 Sonar (SonarQube)是一个开源平台，用于管理源代码的质量. Sonar 不只是一个质量数据报告工具，更是代码质量管理平台。支持Java, C#, C/C++, PL/SQL, Cobol, JavaScrip, Groovy 等等二十几种编程语言的代码质量管理与检测。 Sonar可以从以下七个维度检测代码质量，而作为开发人...

皮鱼的世界 2万+

使用Docker搭建SonarQube检测代码质量

SonarQube 简介 Sonar是一个用于代码质量管理的开源平台，用于管理源代码的质量，可以从七个维度检测代码质量可以通过插件形式，支持包括java,C#,C/C++,PL/SQL,Cobol,JavaScrip,Groovy等等二十几种编程语言的代码质量管理与检测。本文记录怎么使用docker安装SonarQube和使用SonarQube检测自己的代码。1、获取 postgres

不想当码农的程序员 1万+

Docker搭建Sonarqube平台

本博客主要介绍使用Docker搭建sonarqube平台

qq_33271275的博客 1209

Docker下安装sonarqube 实操

由于不同sonarqube对jdk版本要求不一致，我们生产环境实际用的jdk1.8，所以我本次安装的是sonarqube7.8版本再往上就不支持jdk1.8了，数据库我采用的是mysql，也是由于sonarqube版本原因选用mysql5.7,好啦，让我们开始吧。 1.首先需要你预装好了mysql此处不再操作mysql的安装步骤，直接使用如对mysql安装有疑问可参考我的另一篇文章安装即可（Docker下安装MySQL 实操步骤_JamieStarrysky的博客-优快云博客） 2.docker拉取

JamieStarrysky的博客 5478

Docker 部署Sonarqube

Docker 部署Sonarqube 官方image 仓库：docker hub docker search sonarqbe docker search mysql docker search postgres Sonarqube与MySQL部署 Sonarqube与MySQL兼容问题：参考： sonarqube与mysql sonarqube7.9后不再支持mysql，建议换成Postg...

Shine的博客 1600

踩坑记：Docker中sonarqube无法启动

踩坑记：Docker中sonarqube无法启动 1环境说明2更换国内镜像3拉镜像4配置postgres and sonarqube5访问 Win10下Docker使用各种不爽，固态太小，虚拟机也不方便。所以买了个500G 的三星SSD装CentOS（这个也很折磨，该踩的坑基本都踩了），进入CentOS后，安装Docker开始了Sonar的踩坑之旅。 1环境说明 CentOS 8 Docker version 19.03.12 本地操作 2更换国内镜像 cat > /etc/docker/daemon

成电彭于晏 3426

docker搭建sonarqube（windows环境下）

docker搭建sonarqube（windows环境下）一、下载并安装docker 1.下载-网址链接：https://www.docker.com/products/docker-desktop 这里需要注意的是你的Windows版本，最好是专业版的；其次，需要勾选设置–应用和功能–程序和功能–启用或关闭Windows功能–Hyper-V功能并且使其生效 ...

TokyoCatZ的博客 1219

使用Docker Compose在线安装SonarQube

文章目录使用Docker Compose在线安装SonarQube安装SonarQubeTroubleshooting参考文档使用Docker Compose在线安装SonarQube 安装SonarQube mkdir -p /opt/sonarqube cd /opt/sonarqube wget https://raw.githubusercontent.com/cookcodeblog/...

锐意工作室 3806

银河麒麟V10 安装postgresql

初始化数据库：/opt/app/pgsql-17.0/bin/initdb -D /opt/app/pgsql-17.0/data。创建文件夹：mkdir -p /opt/app/pgsql-17.0/data （数据存储点）配置安装地址：./configure --prefix=/opt/app/pgsql-17.0。=/opt/app/pgsql-17.0/data --数据库数据所在位置。=/opt/app/pgsql-17.0 --数据库安装位置。

weixin_48560620的博客 8738

技术前沿：半导体前道检测和量测设备修复技术

半导体前道检测设备是目前除光刻机外，国产渗透率较低的环节之一，近年来我国初步实现国产突破。前道检测相对后道检测环节壁垒更高，国内多家涉及后道测试，涉及前道检测和中道检测相对较少。

VOMMA的博客 4543

基于强化学习方法的PID参数整定

前言 PID控制器在工业界应用非常广泛，但是PID的参数调节一般需要人工根据经验法来试。对于有经验的工程师来说，一般试几次就可以获得满足调节的参数。然而对于新手工程师却很难确定一套比较好的参数。这里我们采用强化学习的方法来调节PID参数。这个例子展示了如何使用双延迟深度确定性策略梯度(TD3：twin-delayed deep deterministic policy gradient)强化学习算法来调整PI控制器。整定控制器的性能与使用Control System Tuner app整定的控制器的性能

weixin_42188287的博客 2万+

别再为CAD和GIS数据对不上而头疼了！一份完整的ArcGIS for AutoCAD坐标系定义与数据套合指南

本文详细介绍了如何通过ArcGIS for AutoCAD插件解决CAD与GIS数据坐标系不匹配的问题，实现数据的精准套合。文章从坐标系冲突分析、插件核心功能解析到五步标准化工作流，提供了完整的解决方案，帮助工程师和设计师提升跨平台协作效率。

weixin_42531886的博客 216

【第六届起重机创意大赛国一作品——资料分享】

文章目录前言一、比赛内容分析二、确定方案与作品模型1.方案简图2.作品模型三、电控部分控制思路单片机选择与资源分配拓展板的设计接线与走线代码分享总结

qq_19308801的博客 7781

QMT量化交易实战：如何用通达信预警数据自动买卖股票（附完整Python代码）

本文详细介绍了如何利用QMT平台结合通达信预警数据实现股票自动化交易，提供完整的Python代码实现。通过实时监控通达信预警板块文件，系统自动执行买卖操作，提升交易效率。文章涵盖系统架构设计、数据对接、信号处理、订单执行等核心模块，适合量化交易初学者和通达信用户参考实践。

weixin_29251567的博客 678

从登录到应用可见：在 SAP S/4HANA Cloud Private Edition 中创建用户与打通 SAP Fiori 权限的完整思路

在SAP S/4HANA系统中，用户创建远非简单的账号开通，而是涉及认证、授权、数据访问等多维度的复杂过程。用户主数据记录(User Master Record)是系统访问的起点，包含登录方式、角色分配等关键信息。认证解决"你是谁"的问题，授权则决定"你能做什么"。SAP Fiori访问链路涉及Launchpad内容分配、应用启动映射、OData服务权限等多层校验。角色(Role)通过PFCG维护，包含业务目录(Catalog)和空间(Space)等元素，共同构成完整

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 149

EPLAN中2D安装板的绘制方法示例

Robot_PLC_HMI_Automation 3216

2023 ICRA《Visual Language Maps for Robot Navigation》阅读笔记

视觉语言导航可以使用预先训练的现有的视觉语言模型来将图像与对象目标的自然语言描述相匹配，但它与绘制环境的过程仍然脱节，缺乏经典几何地图的空间精度。为了解决这个问题，我们提出了VLMaps，这是一种空间地图表示，它将预训练的视觉语言特征与物理世界的3D重建直接融合在一起。VLMaps可以使用标准探索方法从机器人上的视频馈送中自主构建，并在没有额外标记数据的情况下实现地图的自然语言索引。具体来说，当与大型语言模型（LLM）相结合时，VLMaps可以用于。

qq_44100524的博客 1990

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏相关源码待公开

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")