Java程序通才jar命令打包并执行.

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 600+累计阅读 651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19年

关注

原创最新推荐文章于 2026-05-27 09:19:47 发布 651 阅读 AI 写同款· GEO 优化 ›

java命令编译执行，maven打包执行 java命令编译执行，maven打包执行文章目录java命令编译执行，maven打包执行1.1java命令编译执行，不带包名1.2java命令编译执行，带包名，1.3java命令编译执行，依赖外部jar包1.4maven打包执行，idea打包成可执行的jar1.5java命令（jvm）启动参数1.6java，javac，javap，jar命令 1.1java命令编译执行，不带包名 public ... 阅读详情

1.是安装jdk

2设置环境变量,path,classpath

3,新建mainfest.mf文件,内容为

Class-Main: com.test.Test

注意,在上面一行最后一定要加"回车",

文件目录如下.

=============

test

--com

--mainfest.mf

=============

打包命令如下:

jar -cvfm test.jar .

test.jar为打包生成的文件名,最后的 . 将当前目录的所有文件进行打包.

4.测试

java -cp test.jar com.test.Test

如果还需要掉用的其他的jar文件,

java -cp test.jar;test2.jar com.test.Test

收录于

Java

当前文章被收录于：

Java

5 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#java #jar #jdk #path #测试

Idea将java程序打包成可执行jar包 1.点击idea File 菜单，选择ProjectStructure: 2.进入ProjectStructure界面，选择Artifacts, 点击+号，选择JAR->From modules with dependencies. 3.选择Main Class, 即Main函数所在的class 4.选择MANIFEST.MF文件的存储路径，如下图所示，选择项目的根... 阅读详情

相关推荐

使用Jar命令进行Java打包与部署

Jar命令是Java开发工具包（JDK）中提供的一个命令行工具，用于创建、查看和管理Jar文件。它可以将多个Java类文件、资源文件和配置文件打包成一个单独的可执行Jar文件，方便我们进行部署和发布。本文介绍了Jar命令的基本用法，包括创建Jar文件、查看Jar文件内容、运行Jar文件和更新Jar文件。Jar命令是Java开发中非常重要的一个工具，它可以帮助我们将Java代码打包成可执行的Jar文件，并方便地进行部署和发布。希望本文对您在Java开发中使用Jar命令有所帮助。

CyberSparkZ的博客 281

Java导出jar包（并用bat命令执行）

1、使用eclipse导出jar包的步骤很简单，右键——Export——Jar File，然后到以下界面注：除了src之外都不用勾选！，然后选择jar包导出的路径，然后Next，到选择MANIFEST.MF这一步，有两种选择：①用系统生成的②用自己定义的。打开MANIFEST.MF文件，就知道两种方式的不同。该文件里面主要有Main-Class，执行jar包时的入口地址（mai

u013076997的专栏 1万+

使用JAR命令打包JAR文件使用Maven打包使用Gradle打包打包Spring Boot应用

学习教程（传送门）本人详解作者：王文峰，参加过优快云 2020年度博客之星，《Java王大师王天师》公众号：JAVA开发王大师，专注于天道酬勤的 Java 开发问题中国国学、传统文化和代码爱好者的程序人生，期待你的关注和支持！本人外号：神秘小峯山峯转载说明：务必注明来源（注明：作者：王文峰哦）使用JAR命令打包JAR文件使用Maven打包使用Gradle打包打包Spring Boot应用学习教程（传送门）学习教程（传送门）往期文章学习教程（传送门）1、掌握入门到进阶知识(

王大师企业官方博客 3425

如何在doc下运行java程序及打包成.jar格式的Java程序

如何在doc下运行java程序及打包成.jar格式的Java程序 1、问题？我们已经有了Eclipse软件，为啥还要学习在doc下运行Java程序？ 1、我个人觉得在我们玩网络通信socket时，需要同时在自己电脑上面跑服务端和客户端程序，如果都在Eclipse里面（电脑只能跑一个Eclipse），难得切换，何况打印出来的调试信息也是交叉滴，不好分辨。如果我们把写好的服务端打包或者直接在d

Sunnyfans的专栏 5837

在 Ansys Mechanical 中使用“螺栓工具”插件自动生成螺栓

在有限元分析（FEA）中，高效创建螺栓连接对于确保机械装配的结构完整性和性能至关重要。螺栓是连接组件不可或缺的一部分，它们在负载下的精确建模会影响整个系统。快速高效的螺栓建模使工程师能够快速优化设计，满足紧迫的期限，并通过为其他关键设计任务释放资源来提高整体生产力。此外，螺栓建模的精度可以最大限度地降低模型创建过程中出错的风险，这对于获得可靠和准确的分析结果至关重要。因此，在 FEA 中快速且无错误地创建螺栓连接对于高效、可靠和成功的工程结果至关重要。

jkh920184196的博客 3102

JDK8升级JDK17过程中遇到的那些坑

JDK8虽然非常好，但是JDK版本已经发布到JDK20了，且JDK8后的版本升级了很多新的特性，如模块化、ZGC以及虚拟线程、结构性并发等，也是非常有吸引力的，所以决定将基于JDK8的项目升级到最近的LTS版本JDK17。

BASK2312的博客 6685

SpringBoot打包 jar文件太小无jar

<build> <pluginManagement> <plugins> ...... </plugins> </pluginManagement> </build> &...

weixin_34128534的博客 934

QCM6490平台DDR测试：从QDUTT配置到眼图分析的实战指南

本文详细介绍了QCM6490平台DDR测试的全流程，从QDUTT工具安装配置到眼图分析，提供了实战操作指南和常见问题解决方案。通过具体案例分享，帮助工程师掌握DDR测试技巧，确保内存稳定性，特别适用于物联网和边缘计算设备的开发调试。

weixin_33910191的博客 459

Jar命令打包及运行实战

目录C:/src/boom下存放源文件。 1。编写MANIFEST.MF文件，放在c:/src/boom目录下。 Manifest-Version: 1.0Main-Class: boom.FrameBomber 2。编写build.bat 放在c:/src path=%java_home%/bin;%path%if not exist classes mkdir classesjavac -d

笔记，轨迹 1919

独立游戏开发者必看：STEAM税务信息更新全流程（附中国区避坑指南）

本文为独立游戏开发者详细解析了Steam税务信息更新的全流程，重点针对中国区开发者提供了避坑指南。文章深入解释了W-8BEN表格的填写要点，并指导如何准备个人所得税纳税记录和身份证等核心证明文件，以确保顺利通过审核，避免收入被预扣税款。

tcp8optimizer的博客 1300

Vue2 - 实现H5人脸识别认证与活体检测功能（纯前端免费方案+微信人脸识别接口）完整源码，vue微信公众号网页h5端人脸识别功能人脸核身（微信方案提供后端spring boot+thinkphp）

vue人脸识别插件，vue, h5人脸识别, 微信公众号, 活体检测, 人脸核身，人脸登录、人脸识别，VUE项目-H5端人脸识别功能实现，免费h5人脸识别插件方案，微信公众号H5网页实现人脸识别，vue人脸核身，Vue H5活体检测认证，人脸认证张嘴摇摇头指引动作，人脸核身微信原生 H5（微信公众号）vue2调用手机摄像头并实现人脸识别的实现，微信h5人脸识别vue项目，PHP人脸识别，java人脸识别，h5页面，有免费的人脸识别接口吗，用于微信公众号及嵌套在微信浏览器，vue3如何实现人脸识别，微信人脸

🏆 前端领域优质创作者 3763

Java 之使用 jar 命令打包

为何打包（jar包）？为了项目的部署和发布，你的程序可能使用很多个类，把这些类和他们的目录一起压缩到一个文件中给别人，可以方便使用，通常在打包时候，会在里面加上部署的相关信息。打包实际上就是把代码和依赖的东西压缩在一起，变成后缀名为. jar包，别人拿到这个jar包之后，双击它从而运行。

cnds123的专栏 3万+

Autosar诊断实战系列07-Dcm之0x19 06扩展数据配置及工程问题讨论

19 06扩展数据如何配置？如果某DTC没有出现过故障扩展数据该如何响应？

initiallizer的博客 1704

命令行打包jar

对于使用Eclipse自动打包jar比较方便，但是如果不加限制结果可能jar中包含很多其他多余文件。因此可以自定义打包样式，在命令行使用jar命令完成java程序打包. 一、简单打包新建一个目录tmp,进入该目录. 新建Hello.java文件,内容如下: public class Hello{ public static void main(Strin...

寒山古月的博客 2万+

推荐系统（六）双塔模型

双塔模型是推荐场景中常用的粗排模型之一，本节主要介绍几种典型的双塔模型及其变型，如SENet 双塔模型，并联双塔，蒸馏学习，对偶增强双塔，阿里 COLD。

Jin_Kwok的博客 5144

我的世界进阶模组开发教程——制作机械动力附属模组

摘要： Create是Minecraft的机械动力模组，其代码结构分为多个关键模块：数据生成系统：通过CreateRecipeProvider基类实现配方自动化生成，支持多步骤序列化装配配方（SequencedAssemblyRecipeGen），采用建造者模式链式调用；注册管理：CreateRegistrate扩展了Registrate库，统一管理方块、流体、实体等注册，集成标签页分类和工具提示定制；伤害系统：DamageTypeTagGen为机械伤害（如钻头、风扇火焰）定义原版兼容的标签；客户端

qq_24992377的博客 2083

如何用jar命令对java工程进行打包

有时候为了更方便快捷的部署和执行Java程序，要把java应用程序打包成一个jar包。而这个基础的操作有时候也很麻烦，为了方便java程序员们能够方便的打包java应用程序，下面对jar命令进行介绍，并举出几个简单例子针对不同情况进行打包。一. jar命令用法：在cmd命令窗口下输入jar，回车，就会提示改命令的用法：

Golden_lion的博客 5817

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")

【Java可执行命令】（五）打包部署工具 jar：深入解析应用程序打包、分发和部署工具jar ~

jar命令是Java开发过程中一个非常实用的工具，提供了打包、压缩和管理Java类文件和资源文件的功能。它为我们提供了方便的方式来创建可执行的JAR文件、导出库、打包资源以及模块化开发。然而，在使用jar命令时，我们需要理解选项和参数的含义，并遵循最佳实践，如设置正确的主类、处理依赖关系、版本控制等。

Technology changes the world of life 4044

锂电池充电器电路设计里面有电路

锂电池充电器电路设计里面有电路 3.7V升压到5V电路设计。

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

把Java程序打包成jar文件包并执行

步骤1：准备主清单文件 “MANIFEST.MF”，由于是打包引用了第三方jar包的Java项目，故需要自定义配置文件MANIFEST.MF，在该项目下建立文件MANIFEST.MF，内容如下： Manifest-Version: 1.0 Class-Path: lib/commons-codec.jar lib/commons-httpclient-3.1.jar lib/co

YQlakers的博客 4919

复分析阿尔福斯(Ahlfors) 第三版答案英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

java打包成jar_Java程序打包成jar包

方法一：通过jar命令jar命令的用法：下面是jar命令的帮助说明：用法：jar {ctxui}[vfm0Me] [jar-file] [manifest-file] [entry-point] [-C dir] files ...选项包括：-c 创建新的归档文件-t 列出归档目录-x 解压缩已归档的指定(或所有)文件-u 更新现有的归档文件-v 在标准输出中生成详细输出-f 指定归档...

weixin_39641450的博客 2361

javac、java和jar命令

javac和java命令背景我是一个java程序员，平时运行程序都是由IDE或Maven来完成，应用上线部署都是由其他人来写Shell或bat启动停止脚本，有一天让我把一个后台应用打包jar在Linxu或Window部署运行我竟然蒙B了，好半天才想起来javac和java。 javac命令 javac命令的作用是将java文件编译为class文件。用法：javac <options&g...

fly_zxy的专栏 7685

linux打包java jar_Linux下编译打包Java成Jar并成功执行

1.Linux下编译Java源文件：1.1 编译命令：javac [-d] [-o] [-verbose] [-classpath][-sourcepath]-d: 指定生成的.class文件存放目录，一般省略则默认放在java源文件同一目录下；-o: 这个选项告诉javac优化内联的static,final以及privite成员函数所产生的码；-verbose:此选项告知java显示出有关被编译...

weixin_39751195的博客 2484

Linux下编译打包Java成Jar并成功执行

1.Linux下编译Java源文件： 1.1 编译命令： javac [-d] [-o] [-verbose] [-classpath][-sourcepath] -d: 指定生成的.class文件存放目录，一般省略则默认放在java源文件同一目录下； -o: 这个选项告诉javac优化内联的static,final以及privite成员函数所产生的...