如果我要...(开发版)

mudboy mudboy 博客等级 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 1.6k累计阅读 1.6k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25年
关注
原创 最新推荐文章于 2026-05-03 09:10:06 发布 1.6k 阅读 AI 写同款· GEO 优化 ›
Android地图开发之获取开发版SHA1和发布版SHA1 简单做个笔记用于自己捋清楚。 一、开发版SHA1的获取 在AS中进行操作： 1.打开右上角的“Gradle” app->Tasks->android->signingReport 2.出现下面的内容，其中红框部分就是开发版SHA1 二、发布版SHA1的获取 之前弄错了是因为把开发版SHA1当作发布版SHA1 1.把项目打包，生成jks签名文件 ... 阅读详情

如果我要做一个项目,我会首选考虑跨平台的解决方案，我不想让自己绑定在某一种硬件或OS上

如果要开发B/S,WEB框架我会首先选用STRUTS,其次是JSF,SPRING MVC也可以一试

IOC/AOP,我会用SPRING

O/R:HIBERNATE和IBATIS

开发服务器,我会选择TOMCAT或JBOSS

轻量级数据库我会用HSQLDB或DERBY，当然，ACCESS也不错

开发工具我会用ECLIPSE和JBUILDER

大型数据库我会用ORACLE或DB2,mySQL也是常考虑的（虽然不大型）

如果需要工作流,那我会先考虑开源的osworkflow

如果需要规则引擎,我也会先考虑开源的drools

如果需要CACHE,我会先考虑oscache

如果需要日志,没有如果,我会有log4j,也许再使用上面的common-logging,也许自己在封装一下

如果需要同异构系统关联,我会先考虑webservices,其次是corba,或是自定义的文本协议(用随便一种传输协

议交互,如HTTP,FTP)

如果要有消息传输,我会有JMS,其次是JGROUP

如果要数据同步,我会首先考虑数据库的内置方案,我也会考考虑syn4j

如果需要版本控制,我会首先CVS,其次是sourcesafe,还有cc

如果需要需求管理,我只用过DOORS

普通的项目计划,我一般用project

如果要用JAVA做应用界面，我会先考虑SWING，其次是SWT，界面框架ECLIPSE RCP不错

商用的应用服务器，我会先考虑WAS，其次是weblogic,还用过BES

如果要用UML，我会先考虑ROSE，其次是together

如果要用交易中间件，我只用过TUXEDO

如果要作用户管理，我会先考虑ACEGI其次同JAAS和自行开发

如果需要有用的工具包，我会选用apache common

如果要处理XML，当然先用xerces，jdom, jaxb, digest...

构建项目，当然用ant

在一个企业应用中，总能找到spring的用武之地。

要发布成webservice，我会用axis，也不排斥应用服务器相关的方式

定时任务，我选用timer,quartz

开源报表，我会用jasper

压力测试，我选用loadrunner，ACT（from vs.net）

单元测试，我用junit

如果我要将JAVA应用安装为windows服务，我会用http://javaservice.objectweb.org/

开源连接池，我会用dbcp,c3p0

内存等测试，我选用TestDirector、Purify、TeamTest、TestManager

要开发j2me应用，我会先装一个SUN的WTL(j2me,wireless tookit)，再装一个来
 自sourceforge的插件eclipseme

DbVisualizer，可以管理大多数数据库，基于JDBC，当然功能简单些。

应用的管理方式，我会先考虑RCP的updata，其次是webstart

应用的安装要求，我喜欢绿色环保，即拷即用。


http SERVER,我用apache,ibm http server

mysql的管理工具，有mySQL control Center（mysqlcc）和EMS的SQL manger2005 lite for mySQL,MySQLAdministrator也不错
ORACLE的管理，可以加上plsql developer
sql server和DB2的管理，有它自己就行了

如果需要XML/XSL等的编辑器，我会用.net，xmlspy,当然，ultraEdit也可以用。

如果要用C++的通信框架，我会选择ACE

如果要一个C++的轻量级可移值库，我会选BOOST

如果需要可移值的C/C++，我会先装一个cgywin，用GCC/G++

C/C++的解析器，我会用Xerces,xml4c,libxml2,oracle xml

C中的编码转换，我会用iconv

c中的压缩，我会用zlib

用C/C++写WEBSERVICE，我会用gSOAP

要建立证书中心，我会先选择openssl

遗憾的是，我没用过php,perl,ruby,Python....据说也是很酷的东东。


如果确定运行于WINDOWS平台，也许我会采用微软的所有方案。
 包括项目管理(project)，运行平台(WIN,.NET)，开发工具(vs.net)，版本管理(vs)，
 数据库系统(sql)，消息传输(msmq)，开发框架(asp.net,ado.net...)，
 应用集成/SOA（biztalk），还有VISO等等的一切

如果我不知道如何实现一种功能或一种界面，我会上一下codeproject,windowforms.com当然还有GOOGLE
如果要在网页上做复杂界面，我会先择flash,applet,ajax,activex

 

......

收录于
随想

当前文章被收录于：

随想
20 篇文章 0 人学习
订阅专栏 查看详情
标签
#webservice #数据库 #spring #应用服务器 #loadrunner
#jbuilder
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

相关推荐

U型槽微带贴片天线：从理论公式到带宽扩展实战

本文深入探讨了U型槽微带贴片天线的设计与带宽扩展实战。针对传统微带天线带宽窄的痛点，详细解析了通过引入U型槽形成双谐振点以拓宽带宽的原理，并提供了从MATLAB理论计算、ANSYS HFSS仿真建模到参数优化的一站式工程指南。文章还分享了多种带宽扩展组合技巧及仿真与实测避坑经验，助力射频工程师设计出高性能的宽带微带天线。

weixin_29168153的博客 446

火狐开发版_Firefox普通版和开发版之间有什么区别？

火狐开发版Mozilla recently released a new Developer Edition for web developers to use, but how much difference is there between it and the regular version of Firefox? Today’s SuperUser Q&A post has the...

cumai3211的博客 6967

避坑指南：Abaqus网格划分中90%用户会遇到的5个质量陷阱（附解决方案）

本文深入剖析Abaqus网格划分中90%用户会遇到的5个典型质量陷阱，包括单元扭曲、扫掠网格失败、尺寸梯度控制等，并提供工程级解决方案。通过Python脚本和虚拟拓扑等技巧，帮助用户提升网格质量，确保有限元分析结果的可靠性，适用于CAE工程师和仿真分析师。

weixin_29243279的博客 98

关于SQL SERVER 2005 开发版

由于工作和学习的需要，要在本本上安装SQL SERVER 2005 开发版(本本的操作系统是XP，所以不能安装Enterprise版本，而Express版本的功能又十分有限)，去微软的官方网站搜索了一下sql server 2005 developer，找到了一些关于Sql server各种版本的介绍，首先sql server 2005有以下几种版本： EE = SQL Server 2005

阿捷 的专栏 1775

[FreeRTOS+STM32CubeMX] 03 USART串口调试-基于中断实现接收和发送数据

我们接着上一小节，上一节讲到，接收上位机传来的数据时，需要事先知道传来的数据的字节数，这一操作实在有些反人类，那么如何解决这个问题，上位机输入多少，我们就接收多少数据呢？ 接下来我将把USART引入中断，在接收数据的回调函数中引入二值信号量、消息队列，来让我的接收数据能够存储在队列中，并一个一个的在任务中输出出来，并最终在上位机回显。

RichieHuang的博客 2649

threejs开发可视化数字城市效果

theme: condensed-night-purple 灵感图 现在随着城市的发展，越来越多的智慧摄像头，都被互联网公司布到城市的各个角落，举一个例子，一个大楼上上下下都被布置了智能摄像头，用于监控火势，人员进出，工装工牌佩戴等监控，这时候为了美化项目，大公司都会将城市的区域作为对象，进行3d可视化交互，接下来的内容，就是基于以上元素，开发的一款城市数据可视化的demo，包含楼宇特...

weixin_41770018的博客 1579

如何获取开发版和发布版的SHA1

我在使用百度地图SDK开发的时候需要获取SHA1，但是获取的时候遇到了一些问题，在这里简单说一下，免得下次出现问题又去找资料瞎忙活。 正常情况下获取 获取开发版SHA1 直接用Android Studio提供的命令控制台 1.输入C: 进入C盘，然后输入 cd C:\Users\22982.android （此步骤为定位到C盘用户文件下面的.android文件夹，路径可能不和我的完全一样，需要输入...

QiuLingfeng 1366

从MATLAB代码入手：手把手教你复现OTFS调制解调核心模块（附完整函数解析）

本文详细解析了OTFS调制解调技术在MATLAB中的实现方法，包括核心模块如ISFFT变换、海森堡变换及MP检测算法的代码实现。通过完整的函数解析和性能验证框架，帮助通信工程师快速掌握这一前沿技术，提升在高速移动场景下的通信系统设计能力。

weixin_42568801的博客 318

Android Studio获取开发版SHA1值和发布版SHA1值

        前些天老师让我们做项目，手机上显示高德地图!  安卓刚学，涉及到地图应用的APP开发也是第一次碰到，做的过程中确实困难重重！就第一步，去高德开发者申请一个key，需要提供开发版SHA1值和发布版SHA1值，SHA1值的查找就遇到各种问题！！！通过查找多方网上资料，最终还是在摸索中查询出来，下面就记录下我获取开发版SHA1值和发布版SHA1值的过程。仅供参考。        一、获...

wynnie的博客 5239

ABAP CDS HAVING 全解析：聚合之后的精准过滤、最佳实践与可运行示例

摘要： 本文针对具备ABAP与CDS基础的开发者，详解HAVING在ABAP CDS中的核心用法。HAVING专用于过滤GROUP BY后的聚合结果（如SUM、COUNT），与WHERE的分工明确：前者处理聚合值，后者过滤原始记录。通过销售额阈值、质量分析、财务对账三类典型场景，结合性能优化建议（如优先使用WHERE索引过滤），说明实际应用。文中提供经典CDS View与View Entity两种实现代码，并附Open SQL消费示例，帮助开发者快速落地。常见误区（如聚合条件误写至WHERE）与规避方法亦被

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 220

cadence中利用sva进行FPV实战（可直接使用）

在cadence中使用fpv进行formal验证

youzjuer的博客 749

Android studio 获得开发版SHA1和发布版SHA1

目录 开发版SHA1获取： 发布版SHA1获取： 开发版SHA1获取： 首先win+r 后点击确认 输入cd.android 再输入命令行：keytool -list -v -keystore ~/.android/debug.keystore -alias androiddebugkey （注意目录选择、开发版本、发布版本等问题） 密码：原始密码一般为android，(输入密码时时没有变化的直接输入回车就行) 发布版SHA1获取： 需要知道签名文件key.

qq_55492940的博客 1258

手把手教你学simulink（69.3）--毫米波5G/6G 系统场景实例设计并实现基于Simulink的毫米波多用户MIMO通信系统模型

毫米波频段（30 GHz到300 GHz）因其高带宽和高速率特性，成为5G和未来6G通信系统的理想选择。然而，毫米波信号的传播特性较差，容易受到大气吸收、雨衰、建筑物遮挡等因素的影响。为了克服这些挑战并提高通信容量，多用户MIMO（MU-MIMO, Multi-User Multiple-Input Multiple-Output）技术被广泛应用。多用户MIMO技术通过在基站和多个用户之间同时传输多个数据流，充分利用空间资源，从而显著提升系统容量和频谱效率。

MHD0815的博客 493

jquery的开发版、mini版是的意思和使用场合

jquery的开发版没有进行压缩，可读性比较强；而min版是经过压缩的，所以体积更少，但功能和开发版一样。因此，一般做法是开发过程中使用开发版，正式发布时使用min版。 追问 那上面三个文件分别是什么呢 是开发?压缩?开发?吗? 回答 jquery-1.7.2.min.js是min版，版本号为1.7.2,jquery-1.7.2.js应该是开发版,版本号为1.7.2，至于jquery.

GoodShot的专栏 2465

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

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")

获取SHA1开发版和发布版

1.开发版： 1.进入到指定目录 下面不用输入口令，直接回车 2. 3. 2.发布版： 1. 2. 3.

sunweihao2019的博客 146

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

mysql 2005开发版_Microsoft SQL Server 2005简体中文开发版下载

MicrosoftSQLServer2005开发版使开发人员能够在32位和X64平台的基础上建立和测试任意一种基于SQLServer的应用系统。它包括企业版所有功能，但只被授权用于开发和测试系统，不能作为生产服务器。开发版可被升级至SQLServer企业版以用于生产。Microsoft已重新设计了SQLServer2005产品系列，有Express、Workgroup、...

weixin_32146783的博客 744

java开发华山版

Java开发华山版实现指南 1. 项目概述 在这个项目中，我们将使用Java语言开发一个华山版应用程序，以展示开发技能。整个项目分为以下几个步骤： Java开发华山版项目流程#render_9_474173015-svg{font-family:"trebuchet ms",verdana,arial,sans-serif...

weixin_33800919的博客 99

微信小程序版本差异全解析：开发版、体验版、审核版与线上版

1、开发版• 定位：开发调试的「沙盒环境」，仅开发者可见。• 特点：权限限制：需开发者工具上传代码，仅项目成员可访问。调试能力：自带vConsole性能面板，支持实时日志与调试功能。代码管理：开发者可多次上传覆盖，仅保留最新一份代码包。无包大小限制：适合初期功能验证，但需注意正式版本的主包2MB限制。2、体验版• 定位：正式上线前的「内测环境」，供产品、测试人员验证。• 特点：权限开放：需管理员配置体验者权限，通过固定二维码分发。

sg_knight的专栏 7753

android studio获取发布版sha1和开发版sha1

开发版sha1方法一：打开AndroidStudio的Terminal窗口，进入.android目录(默认是在C:\Users\Administrator.android目录下)，输入如下命令： keytool -v -list -keystore debug.keystore 方法二：在AndroidStudio右边找到Gradle，点开(图片不够大，右键，新窗口打开) 接下来 发布版版sh

lhg_55的博客 4195

Android Studio 开发快速获取开发版和发布版SHA1和MD5

Android Studio 开发快速获取开发版和发布版SHA1和MD5

qq_30725967的博客 1442

钉钉微应用PC开发版调试

官方提供的文档： 附件查看

akuiblog的博客 8712

开发版SHA1值和发布版SHA1值获取方法

发布版SHA1值和开发版SHA1值获取方法 百度开发需要获取SHA1 首先说在androidStudio 中如何获取 发布版SHA1 这行代码是查看你签名包的所有信息 keytool -v -list -keystore 路径\hmrelease.jks 1首先你要有打包签名的文件这是我的 获取开发版本SHA1 这是debug 默认的 百度地图截图 ...

苹果香蕉哩 4398

android studio 中获得发布版 SHA1 和开发版 SHA1

1，在 Android Studio 中获得开发版  SHA1 可以选择在 Android Studio 的 Terminal 中输入以下命令以得到 SHA1： keytool -list -v -keystore c:\users\Administrator\.android\debug.keystore -alias androiddebugkey -storepass andro

qq_30651537的博客 440

android 生成开发版SHA1和发布版SHA1

一、开发版SHA1 1.点击项目右侧（屏幕最右侧）Gradle 2.如果什么都没出现则点击刷新按钮刷新一下 3.选择一个Module—-Tasks—-android—–双击signingReport—-信息框就会显示SHA1散列值 二、发布版SHA1 1.将项目签名打包生成jks库文件1)Build - Generate Signed APK… 2)选择要打包的module - 点击ne

zcn596785154的博客 2327

debian 开发版 移植_Debian 下安装 WineHQ 最新开发版和Staging版的方法

一直来为了使用Wine，都是在Ubuntu下安装，毕竟Ubuntu下安装相对比较简单，而Debian下默认安装都是1.4的老版本。今天通过官方 https://wiki.winehq.org/Debian 的说明尝试安装，发现不能安装，后面发现是官方说明中的源地址有问题，为此整理下基本的安装方法给大家交流。一、Wine的安装首先检查系统是否为64位，如果是可以执行以下命令启用32位软件包的支持：s...

weixin_28829173的博客 775

小米4开发版

1 下载开发版安装包 http://www.miui.com/download-241.html  下载完整包2 安装方法(Recovery下更新zip包)下载 MIUI_ROM 最新安装包 立即下载电脑上操作，重命名zip文件包为 update.zip 拷贝至内置存储 根目录点击系统更新，点击菜单键选择重启到Recovery，点击确定，手机会重启进入Recovery模式。 另一种进入recove

chy2z的专栏 1657

小米稳定版怎么刷开发版

小米稳定版刷开发版 红米6Pro 小米稳定版怎么root

ACoder 7922
上一篇： 如果我要...(研究版)
下一篇： 介绍 Java 平台的 Jazzy：一种新的拼写检查器 API
点赞 0
评论 0
书签 书签 2
mudboy
mudboy
博客等级 码龄25年 15粉丝 84原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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