项目发布脚本

本文介绍了一种利用SVN进行研发与发布的双库管理方案。通过编写shell脚本实现从研发库自动编译打包并发布到产品发布库的过程。该方法简化了发布流程,并确保了版本的一致性。
原理:两个svn,一个研发svn,用于研发时使用,一个发布svn用于产品发布。实现时把研发svn的内容编译打包,发布到发布svn。

脚本release.sh代码如下
base_dir=`dirname $0`
read_conf(){
dir=`dirname $0`
echo `cat $dir/release.conf |grep "^[^#]"|grep -w $1|tr -s "[\t ]" " "|awk -F"=" '{print $2}'`
}
echo BASEDIR=$base_dir
#源码目录
source_dir=$base_dir/source
#发布目录
release_dir=$base_dir/release

source_svn_url=`read_conf "source_svn_url"`
release_svn_url=`read_conf "release_svn_url"`
target_dir=`read_conf "target_dir"`

echo "SVN CONFIG"
echo "reource url="$source_svn_url
echo "release url="$release_svn_url

if [ ! -d $source_dir ]
then
echo "checkout source"
echo $source_svn_url $source_dir
svn=`svn co $source_svn_url $source_dir`
echo "checkout source over"
else
echo "update source"
svn up $source_dir|grep "^D"
fi

if [ ! -d $release_dir ]
then
echo "Checkout release"
svn=`svn co $release_svn_url $release_dir`
echo "Checkout release over"
else
echo "update release-source"
svn up ${release_dir}|grep "^D"
fi
echo "Building ..."
mvn -f $source_dir/pom.xml clean package
echo "Build over"

echo "Copy release"
echo "cp -rf "$source_dir"/target/"${target_dir}"/*" $release_dir
cp -rf $source_dir/target/${target_dir}/* $release_dir
echo "Copy Over"
cd $release_dir
pwd
submitList=`svn st |grep "^?"|awk '{print $2}'`
if [ -n "$submitList" ]
then
svn st|grep "^?"
echo -e "Whether to add all files?[Y/N]\c";
read submit
submit=`echo $submit`|tr -s "Y" "y"
if [ "$submit" == "Y" ] || [ "$submit" == "y" ]
then
svn add $submitList
fi
fi
echo "Check release status"
svn st
commitList=`svn st`
svn ci -m "submit release"


对应配置release.conf
source_svn_url=svn://develop_IP/A/server/trunk
release_svn_url=svn://release_IP/release/A/server
target_dir=A


题外话:
1、脚本中判断字符串长度是否为空,一定要用""引起来,否则会出错
if [ -n "$submitList" ]


2、mvn用于产品发布还是很方便,约定优于配置是个好东西!
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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