tomcat的安装与配置

Tomcat安装与配置 文章目录web服务器软件:常见的java相关的web服务器软件:JavaEE:Tomcat:web服务器软件1. 下载:2. 安装:解压压缩包即可。3. 卸载:删除目录就行了4. 启动:可能遇到的问题:5. 关闭:6. 配置:部署项目的方式:静态项目和动态项目: web服务器软件: 服务器:安装了服务器软件的计算机 服务器软件:接收用户的请求,处理请求,做出响应 web服务器软件:接收用户的请求,处理请求,做出响应。 在web服务器软件中,可以部署web项目,让用户通过浏览器来访问这些项目 web容器 阅读详情

Tomcat 服务器是一个免费的开放源代码的Web 应用服务器,属于轻量级应用服务器,在中小型系统和并发访问用户不是很多的场合下被普遍使用,是开发和调试JSP 程序的首选。Tomcat是Apache 服务器的扩展,但运行时它是独立运行的,所以当你运行tomcat 时,它实际上作为一个与Apache 独立的进程单独运行的。

tomcat的安装
首先我们需要在服务器端配置好JDK的环境
将下载的jdk压缩包解压,并且进入压缩目录

tar zxf jdk-7u79-linux-x64.tar.gz -C /usr/local/ #解压压缩包 
cd /usr/local/
ln -s jdk1.7.0_79/ java   #建立软链接

然后修改环境变量

vim /etc/profile      

修改成如下

 80 export JAVA_HOME=/usr/local/java
 81 export CLASSPATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib
 82 export PATH=$PATH:$JAVA_HOME/bin

然后使其立即生效

source /etc/profile

可以简单的编写一个java程序进行测试,如果编译成功则说明配置完成

vim test.java
javac test.java
java test       #测试

配置好环境后即可开始安装tomcat
基本步骤如下

tar zxf apache-tomcat-7.0.37.tar.gz -C /usr/local/ #解压压缩
cd /usr/local/tomcat/
ln -s apache-tomcat-7.0.37/ tomcat            #建立软链接
cd tomcat/bin/
./startup.sh                    #开启tomcat服务

然后我们可以编写一个测试的jsp文件

cd /usr/local/tomcat/webapps/ROOT #进入tomcat的发布目录
vim test.jsp                    #编写测试的jsp文件

测试 IP:8080 /test.jsp
nginx与tomcat的结合
可以使用nginx的负载均衡来访问jsp编写的tomcat页面
首先我们按照以上步骤配置好两台tomcat的主机
在发布目录下编写jsp文件如下

<%@ page contentType="text/html; charset=GBK" %>
<%@ page import="java.util.*" %>
<html><head><title>Cluster App Test</title></head>
<body>
Server Info:
<%
out.println(request.getLocalAddr() + " : " + request.getLocalPort()+"<br>");%>
<%
out.println("<br> ID " + session.getId()+"<br>");
String dataName = request.getParameter("dataName");
if (dataName != null && dataName.length() > 0) {
String dataValue = request.getParameter("dataValue");
session.setAttribute(dataName, dataValue);
}
out.print("<b>Session list</b>");
Enumeration e = session.getAttributeNames();
while (e.hasMoreElements()) {
String name = (String)e.nextElement();
String value = session.getAttribute(name).toString();
out.println( name + " = " + value+"<br>");
System.out.println( name + " = " + value);
}
%>
<form action="test.jsp" method="POST">
name:<input type=text size=20 name="dataName">
<br>
key:<input type=text size=20 name="dataValue">
<br>
<input type=submit>
</form>
</body>
</html>

然后修改nginx的配置文件nginx.conf
如下

upstream westos{
 20     ip_hash;
 21     server 172.25.40.2:8080;
 22     server 172.25.40.3:8080;
 23      }
78         location ~ \.jsp$ {
79                 proxy_pass http://westos;
80         }

修改的意思为当读取jsp文件的时候,将自动跳转到这两个主机上,然后使用upstream模块对其进行负载均衡
然后重新读取配置文件

nginx -s reload

在两个tomcat主机上开启tomcat服务

cd /usr/local/tomcat/bin
./startup.sh

测试 IP号:8080 /test.jsp

memcached与tomcat的节点构建
两个服务器节点时,为了使服务器切换时session信息的得以保留,我们可以使用memcached和tomcat构建一下结构
这里写图片描述

基本的配置过程如下
两个节点按照之前的方法配置好tomcat
然后分别安装memcached

yum install memcached -y
/etc/init.d/memcahed start #开启服务的11211端口

然后修改tomcat的配置文件如下

vim /usr/local/tomcat/conf/context.xml
<Context>
......
<Manager className="de.javakaffee.web.msm.MemcachedBackupSessionManager"
memcachedNodes="n1:192.168.0.91:11211,n2:192.168.0.92:11211" #修改为两个节点的IP号
failoverNodes="n1"
#在 node2 上此项设置为“n2” #当访问失败时切换到另一主机上
requestUriIgnorePattern=".*\.(ico|png|gif|jpg|css|js)$"
transcoderFactoryClass="de.javakaffee.web.msm.serializer.kryo.KryoTranscoderFactory"
/>
</Context>

启动tomcat

usr/local/tomcat/bin/startup.sh

测试方法

tail -f logs/catalina.out #测试服务的开启情况

可以在之前nginx配置好负载均衡的情况下这样测试
在2主机的页面上输入一些信息
然后使用telnet 测试3主机的11211端口
查看session信息
在2上关闭tomcat服务 跳转到3主机上
然后再输入一些信息
继续使用telnet测试3主机的11211端口
如果可以看到session信息说明搭建成功

Tomcat参数配置详解 Tomcat参数配置详解;tomact在启动过程中遇到常见问题解决方法 立即下载

相关推荐

峰岹FU6832L双核电机控制芯片实战:从FOC算法到BLDC/PMSM驱动开发

在嵌入式系统和电机控制领域,磁场定向控制(FOC)是实现无刷直流电机(BLDC)和永磁同步电机(PMSM)高效、平稳运行的核心算法。其原理是通过坐标变换将三相交流量分解为直流量,实现类似直流电机的转矩与磁场解耦控制,从而提升效率、降低噪音与振动。这项技术的工程价值在于能以更低的处理器开销实现高性能驱动,广泛应用于消费电子、工业自动化与智能家电。本文以峰岹FU6832L芯片为例,深入解析其独特的双核架构——将实时性要求极高的FOC运算交由专用硬件引擎处理,解放主控CPU处理应用逻辑,并结合PID参数整定、电流

weixin_29570795的博客 526

tomcat配置参数

1.内存参数调优 说明:tomcat初始堆内存8G;最大堆内存16G;新生代内存为最大堆内存的3/8,这里是6G;持久化内存默认82M,项目中使用月100M,必须重设,可以考虑256M或者更多,这个设置的2G,最大设置的是4G; 存活比率默认是2:8,这里使用的默认设置8,不宜调太小,避免垃圾回收过于频繁;-XX:+UseConcMarkSweepGC,垃圾并行回收,加快垃圾回收速率; 注意...

yongzai666的博客 4301

11-4 AEB 算法原理及系统组成

本专题旨在探讨如何利用仿真软件开发自动紧急制动系统AEB,主要通过整理开发流程,实现从需求到验证的全流程掌握,为后续开发提供支持;同时,研究了如何在汽车自动驾驶仿真工具中开发自己的算法,并解决了从ISO、E-CNAP、GB/T以及交通法规等提炼出功能需求的问题,以快速实现原型模型的开发。本专题重点讲解了AEB的工作原理、系统/软件架构和需求、算法模型及实现、CCRs/CCRb/CCRm建模与仿真、VRU-AEB-B/P/M建模与仿真,同时还提供了测试用例,期待将AEB算法成功地产品化。

AIgraphX 8558

tomcat连接池的三个重要参数

引用: a.   如果设为true则tomcat自动检查恢复重新利用,没有正常关闭的Connection.(默认是false)   &lt;parameter&gt;   &lt;name&gt;removeAbandoned&lt;/name&gt;   &lt;value&gt;true&lt;/value&gt;   &lt;/parameter&gt; b.   设定连接在多少秒内被认为...

midstr的专栏 789

普冉PY32F003定时器实战:从HSE时钟配置到500ms精准闪烁LED(附完整代码)

本文详细解析了普冉PY32F003单片机定时器的实战应用,从HSE时钟配置到实现500ms精准LED闪烁。通过完整的代码示例和深入的技术分析,帮助开发者掌握定时器参数计算、中断优先级管理及调试技巧,适用于各类嵌入式开发项目。

weixin_30608503的博客 453

51单片机也能玩转GC9A01彩屏?超详细移植指南与性能优化技巧

本文详细介绍了如何在51单片机上高效驱动GC9A01彩屏,包括硬件连接优化、SPI模拟驱动、内存管理策略及高级刷新技术。通过分段缓冲、颜色压缩和差异化刷新等技巧,显著提升显示性能,使51单片机也能流畅运行240x240分辨率的彩色TFT屏幕。

hp777的博客 190

Tomcat的参数配置及一般问题的解决

如何解决端口冲突导致tomcat无法启动的问题 Tomcat在启动时主要使用下面的3个端口 &lt;Server port="8005" shutdown="SHUTDOWN" debug="0"&gt; &lt;Connector className="org.apache.coyote.tomcat4.CoyoteConnector" port="8080" minP

SouthKing 271

低功耗模式下的看门狗使用

最近用国产芯片AT32在做一个低功耗的项目,为了实现低功耗模式下的定时唤醒,我选择的是使用相对比较简单的看门狗来做,下面就分享一下使用过程~ 为了最大限度的降低功耗,我用的是待机模式,先看看几种低功耗模式以及唤醒的区别: 而看门狗AT32提供了两种,分别是独立看门狗(IWDG)和窗口看门狗(WWDG),其区别大概有以下几点: 1、独立看门狗(IWDG)由专用的低速时钟(LSI)驱动,即使主时钟发生故障它也仍然有效;窗口看门狗由从 APB1 时钟分频后得到的时钟驱动,通过可配置的时间窗口来检测应用程序非正常

dc18883988396的博客 3029

Tomcat8安装与配置

上次配置完JDK8,然后就要搞服务器了。项目要求

wsad_hjk的专栏 4万+

Matlab实战:用DQN算法让机器人学会自主避障(附完整代码)

本文详细介绍了如何使用Matlab实现DQN(深度Q网络)算法,使机器人在复杂环境中学会自主避障。通过环境建模、网络架构设计、奖励函数优化及实战调试,提供了完整的代码实现和训练策略,帮助开发者快速应用于机器人路径规划项目。

t8u9v0w1x的博客 234

3.7 改造模型:为GPT添加一个分类头(Classification Head)

本文介绍如何改造GPT模型用于文本分类任务。主要内容包括: 分类头设计思路:GPT作为语言模型需要添加分类头才能适应分类任务,类似于为语言大师添加裁判功能。 序列表示选择策略: 分析三种常见方法(CLS标记、平均池化、最后词元表示) 推荐使用最后词元表示,因其最能反映GPT的单向信息流特性 代码实现: 构建GPT2ForSequenceClassification类 包含预训练GPT主体和线性分类头 使用attention_mask智能定位句子结尾 通过高级索引提取最后词元特征 该方法通过简单改造使GPT模

yonggeit的博客 2973

Tomcat的安装与配置

1.在下载安装tomcat之前请确保计算机上已有java环境,可以通过键盘Windows+R,输入cmd,输入java -version来确定JDK版本,我使用的是JDK1.8 2.进入Tomcat官网,选择与JDK版本相匹配的tomcat版本,提供一个官网地址:https://tomcat.apache.org/ 另外友情提供我使用的tomcat 9.0.37 https://download.youkuaiyun.com/download/m0_66309026/865136103.注意tomcat有zip和e

m0_66309026的博客 1万+

AgentScope 实战训练营-构建元规划智能体(Meta Planner Agent)—— 从 0 到 1 完整实现

本文介绍了基于AgentScope框架开发的元规划智能体(Meta Planner Agent)系统。该系统通过任务拆解和子代理编排机制,实现复杂任务的自动化处理。核心架构分为用户层、规划器层和子代理层,其中规划器作为"项目经理"负责任务分解、创建子代理并协调执行流程。关键技术包括AgentScope多智能体框架、DashScope大语言模型、PlanNotebook计划管理工具等。

program哲学 364

Tomcat安装及配置教程

用来进行web开发的工具有很多,Tomcat是其中一个开源的且免费的java Web服务器,是Apache软件基金会的项目。电脑上安装配置Tomcat的方法和java有些相同,不过首先需要配置好java的环境才行。 步骤阅读 百度经验:jingyan.baidu.com 工具/原料 Tomcat7.0

zhangxiaoPH的博客 4万+

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")

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

TOMCAT的安装与配置

TOMCAT的安装与配置。

2301_80542755的博客 1540

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

TomCat9的安装与配置

Tomcat,作为Apache软件基金会下的一个开源项目,是广泛使用的Java Servlet容器和Web服务器。Tomcat提供了运行Java Web应用程序的环境,并且由于其对Servlet和JSP的支持,它成为了许多Java Web应用程序的首选服务器。下面,我们将详细介绍Tomcat的安装与配置过程。

niaixiao1987的博客 2329

Apache Tomcat安装配置

Tomcat是由Apache软件基金会下属的Jakarta项目开发的一个Servlet容器。Tomcat 技术先进、性能稳定,而且免费,因而深受Java 爱好者的喜爱并得到了部分软件开发商的认可,成为目前比较流行的Web 应用服务器。

qq_19970313的博客 1万+

Tomcat安装及配置

本文详细介绍了在Windows10系统下安装配置Tomcat9的完整步骤。主要内容包括:1)JDK环境准备,说明不同Tomcat版本对JDK的需求;2)Tomcat下载与解压安装,介绍各目录功能;3)可选的环境变量配置方法;4)启动Tomcat的两种方式及验证方法;5)常见问题的解决方案,如命令行闪退和端口冲突等。通过本文可快速完成Tomcat9的安装部署,并掌握基本故障排查技巧。

Youth06的博客 973

Tomcat的安装、配置及eclipse上部署Tomcat

1.前提说明:该法是结合百度和经过帮他人安装多次亲测后所总结的方法,若按照该法,基本可解决在tomcat安装、配置及在eclipse上部署tomcat环境过程中所遇到的大部分问题。 2.基本问题:本次的安装、配置及部署会遇到一些环境变量的配置,必须清楚自己Tomcat安装路径与eclipse的jdk,jre安装路径。但我发现很多对于像我这样的新手而言,安装路径往往会被忽视。 3.为有效、快捷的...

qq_39940390的博客 2688

Tomcat9的安装以及配置环境

Tomcat9的安装以及配置环境 前言:tomcat现在有很多版本,tomcat10,tomcat9,tomcat8,但是自我感觉最好的还是9,因为我的10安装了一遍又一遍,环境配置了一遍又一遍就是不成功,弄了有半天时间,后来看见还有tomcat的安装程序(.exe文件),我就去试了试,等安装成功之后,idea,MyEclipse等里面都配置不了,迫不得已又去重新下载的压缩包文件,重新安装,下面说说安装Tomcat的步骤以及我遇见的错误 一、 找到Tomcat官网,下载Tomcat9(下载配置Tomcat之

weixin_48462447的博客 1万+

Tomcat安装配置

Tomcat 是一个免费的开放源代码的 Web应用服务器,属于轻量级应用服务器,在中小型系统和并发访问用户不是很多的场合下被普遍使用,是开发和调试 JSP程序的首选。 1. Tomcat下载 1)进入Tomcat官网,选择下载所需的Tomcat版本;(官网:) 2)选择下载对应版本的Tomcat ; 注意:Tomcat有zip和exe两种格式,分32系统和64位系统。zip(64-bit Windows zip(pgp,md5,sha1)):是免安装版;exe(32-bit/64-bit .

weixin_46128831的博客 6309

jdk+tomcat 安装及配置

scp 本地jdk文件地址 用户名@服务器IP:/usr/tomcat (本地jdk文件地址为1中下载的文件,直接拖过去就可以;:/usr/java 其中的“:”不可省)scp 本地jdk文件地址 用户名@服务器IP:/usr/java (本地jdk文件地址为1中下载的文件,直接拖过去就可以;也可以直接 cd /usr/tomcat/apache-tomcat-9.0.73/conf)tar -zxvf jdk-8u361-linux-x64.tar.gz (文件是自己下载时的文件名)

tianyueWindbg的专栏 3100

IDEA中Tomcat的安装与配置

Tomcate的官方下载地址:http://tomcat.apache.org/ 也可以通过exe文件进行软件安装 选择下载Tomcat版本 在安装之前必须安装JDK,否则Tomcate无法正确的安装或使用(1)鼠标右键点击【这台电脑】–>选择【属性】->【高级系统设置】–>【系统变量】(2)新建CATALINA_HOME变量 新建两个变量CATALINA_HOME和CATELINA_BASE,变量值为Tomcat的安装路径 打开Path 添加进去刚刚创建的两个变量 进入Tomcat文件夹,Tomc

qq_41810415的博客 3394

Tomcat8安装及配置详解

Tomcat8安装及配置详解1. 下载安装包2. 安装Tomcat8(下载的zip包为免安装版,解压后可直接使用)3. 配置环境变量4. 运行命令5. 测试是否成功 1. 下载安装包 访问Tomcat官网https://tomcat.apache.org/. 在左侧Download栏选择下载版本,这里选择的是Tomcat8版本,点击进入 根据自己系统版本选择对应版本下载,这里选择的是Windows64位操作系统版本,如图点击下载 2. 安装Tomcat8(下载的zip包为免安装版,解压后可直接使用)

贰十二的博客 1万+
上一篇: memcached工作机制学习
下一篇: 同步、异步、阻塞、非阻塞的理解
parameter_
博客等级 码龄10年 24粉丝 102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