Android 系统文件夹结构解析

[list]
[*]\system\app
[*]
[*]这个里面主要存放的是常规下载的应用程序,可以看到都是以APK格式结尾的文件。在这个文件夹下的程序为系统默认的组件,自己安装的软件将不会出现在这里,而是\data\文件夹中。
[*]
[*]\system\bin
[*]
[*]这个目录下的文件都是系统的本地程序,从bin文件夹名称可以看出是binary二进制的程序,里面主要是Linux系统自带的组件,Android手机网就主要文件做下简单的分析介绍:
[*]\system\bin\akmd
[*]\system\bin\am
[*]\system\bin\app_process 系统进程
[*]\system\bin\dalvikvm Dalvik虚拟机宿主
[*]\system\bin\dbus-daemon 系统BUS总线监控
[*]\system\bin\debuggerd 调试器
[*]\system\bin\debug_tool 调试工具
[*]\system\bin\dexopt DEX选项
[*]\system\bin\dhcpcd DHCP服务器
[*]\system\bin\dumpstate 状态抓取器
[*]\system\bin\dumpsys 系统抓取器
[*]\system\bin\dvz
[*]\system\bin\fillup
[*]\system\bin\flash_image 闪存映像
[*]\system\bin\hciattach
[*]\system\bin\hcid HCID内核
[*]\system\bin\hostapd
[*]\system\bin\hostapd_cli
[*]\system\bin\htclogkernel
[*]\system\bin\input
[*]\system\bin\installd
[*]\system\bin\itr
[*]\system\bin\linker
[*]\system\bin\logcat Logcat日志打印
[*]\system\bin\logwrapper
[*]\system\bin\mediaserver
[*]\system\bin\monkey
[*]\system\bin\mountd 存储挂载器
[*]\system\bin\netcfg 网络设置
[*]\system\bin\ping Ping程序
[*]\system\bin\playmp3 MP3播放器
[*]\system\bin\pm 包管理器
[*]\system\bin\qemud QEMU虚拟机
[*]\system\bin\radiooptions 无线选项
[*]\system\bin\rild RIL组件
[*]\system\bin\sdptool
[*]\system\bin\sdutil
[*]\system\bin\service
[*]\system\bin\servicemanager 服务管理器
[*]\system\bin\sh
[*]\system\bin\ssltest SSL测试
[*]\system\bin\surfaceflinger 触摸感应驱动
[*]\system\bin\svc 服务
[*]\system\bin\system_server
[*]\system\bin\telnetd Telnet组件
[*]\system\bin\toolbox
[*]\system\bin\wlan_loader
[*]\system\bin\wpa_cli
[*]\system\bin\wpa_supplicant
[*]
[*]\system\etc
[*]从文件夹名称来看保存的都是系统的配置文件,比如APN接入点设置等核心配置。
[*]\system\etc\apns-conf.xml APN接入点配置文件
[*]\system\etc\AudioFilter.csv 音频过滤器配置文件
[*]\system\etc\AudioPara4.csv
[*]\system\etc\bookmarks.xml 书签数据库
[*]\system\etc\dbus.conf 总线监视配置文件
[*]\system\etc\dhcpcd
[*]\system\etc\event-log-tags
[*]\system\etc\favorites.xml 收藏夹
[*]\system\etc\firmware 固件信息
[*]\system\etc\gps.conf GPS设置文件
[*]\system\etc\hcid.conf 内核HCID配置文件
[*]\system\etc\hosts 网络DNS缓存
[*]\system\etc\init.goldfish.sh
[*]\system\etc\location 定位相关
[*]\system\etc\mountd.conf 存储挂载配置文件
[*]\system\etc\NOTICE.html 提示网页
[*]\system\etc\permissions.xml 权限许可
[*]\system\etc\pvplayer.conf
[*]\system\etc\security
[*]\system\etc\wifi WLAN相关组件
[*]\system\etc\dhcpcd\dhcpcd-hooks
[*]\system\etc\dhcpcd\dhcpcd-run-hooks
[*]\system\etc\dhcpcd\dhcpcd.conf
[*]\system\etc\dhcpcd\dhcpcd-hooks\01-test
[*]\system\etc\dhcpcd\dhcpcd-hooks\20-dns.conf
[*]\system\etc\dhcpcd\dhcpcd-hooks\95-configured
[*]\system\etc\firmware\brf6300.bin
[*]\system\etc\location\gps
[*]\system\etc\location\gps\location 定位相关
[*]\system\etc\location\gps\nmea GPS数据解析
[*]\system\etc\location\gps\properties
[*]\system\etc\security\cacerts.bks
[*]\system\etc\security\otacerts.zip OTA下载验证
[*]\system\etc\wifi\Fw1251r1c.bin
[*]\system\etc\wifi\tiwlan.ini
[*]\system\etc\wifi\wpa_supplicant.conf WPA验证组件
[*]
[*]\system\fonts
[*]字体文件夹,除了标准字体和粗体、斜体外可以看到文件体积最大的可能是中文字库,或一些unicode字库,从T-Mobile G1上可以清楚的看到显示简体中文正常,其中DroidSansFallback.ttf文件大小
[*]\system\fonts\DroidSans-Bold.ttf
[*]\system\fonts\DroidSans.ttf
[*]\system\fonts\DroidSansFallback.ttf
[*]\system\fonts\DroidSansMono.ttf
[*]\system\fonts\DroidSerif-Bold.ttf
[*]\system\fonts\DroidSerif-BoldItalic.ttf
[*]\system\fonts\DroidSerif-Italic.ttf
[*]\system\fonts\DroidSerif-Regular.ttf
[*]
[*]\system\framework
[*]framework主要是一些核心的文件,从后缀名为jar可以看出是是系统平台框架。
[*]\system\framework\am.jar
[*]\system\framework\am.odex
[*]\system\framework\android.awt.jar AWT库
[*]\system\framework\android.awt.odex
[*]\system\framework\android.policy.jar
[*]\system\framework\android.policy.odex
[*]\system\framework\android.test.runner.jar
[*]\system\framework\android.test.runner.odex
[*]\system\framework\com.google.android.gtalkservice.jar GTalk服务
[*]\system\framework\com.google.android.gtalkservice.odex
[*]\system\framework\com.google.android.maps.jar 电子地图库
[*]\system\framework\com.google.android.maps.odex
[*]\system\framework\core.jar 核心库,启动桌面时首先加载这个
[*]\system\framework\core.odex
[*]\system\framework\ext.jar
[*]\system\framework\ext.odex
[*]\system\framework\framework-res.apk
[*]\system\framework\framework-tests.jar
[*]\system\framework\framework-tests.odex
[*]\system\framework\framework.jar
[*]\system\framework\framework.odex
[*]\system\framework\input.jar 输入库
[*]\system\framework\input.odex
[*]\system\framework\itr.jar
[*]\system\framework\itr.odex
[*]\system\framework\monkey.jar
[*]\system\framework\monkey.odex
[*]\system\framework\pm.jar 包管理库
[*]\system\framework\pm.odex
[*]\system\framework\services.jar
[*]\system\framework\services.odex
[*]\system\framework\ssltest.jar
[*]\system\framework\ssltest.odex
[*]\system\framework\svc.jar 系统服务
[*]\system\framework\svc.odex
[*]
[*]\system\lib
[*]lib目录中存放的主要是系统底层库,如平台运行时库。
[*]
[*]\system\media
[*]铃声音乐文件夹,除了常规的铃声外还有一些系统提示事件音
[*]
[*]\system\sounds
[*]默认的音乐测试文件,仅有一个test.mid文件,用于播放测试的文件。
[*]\system\sounds\test.mid
[*]
[*]\system\usr
[*]用户文件夹,包含共享、键盘布局、时间区域文件等。
[/list]
Android系统文件夹结构解析 Android系统文件夹结构解析-完整版本-华为手机亲身验证 立即下载

相关推荐

Android的文件系统结构及其引导过程的理解

对Android的文件系统结构进程初步梳理,并初步分析其引导过程

Android系统文件重要目录解析及操作方法

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33938733的博客 731

不用公网IP,如何在内网高效搭建RustDesk远程控制服务器?基于Windows Server 2019的完整实践

本文详细介绍了在Windows Server 2019上部署RustDesk远程控制服务器的完整实践方案,无需公网IP即可实现内网高效远程控制。从环境准备、基础服务安装到网络与安全配置,提供了零成本的私有化部署指南,适用于企业、校园等内网环境。

weixin_28737073的博客 455

android系统文件夹全解

android系统的开放,使其用户可以自己查看系统和SD卡中的文件夹。就系统和SD卡中常见的目录代表什么意思,下面是一个较实用的总结:   一、SD卡中    1. /mnt/sdcard或者/sdcard这是Android手机中SD卡的文件夹路径,其中/mnt/sdcard/是android 2.2或更高版本所使用的,而/sdcard是android 2.1或早期版本的存储卡位置。

strliu的专栏 1279

单细胞转录组分析(scRNA-seq)

单细胞转录组测序(Single-cell RNA sequencing,scRNA-seq)是一种高通量测序技术,可以在单细胞水平解析基因表达情况,揭示细胞异质性,探索稀有细胞类型,并研究细胞状态转换及动态调控机制。与传统的。

大甘的博客 6148

告别交越失真:手把手教你设计高性能互补输出级电路(LTspice实测)

本文深入剖析音频放大器中常见的交越失真问题,并提供基于LTspice仿真的实战解决方案。通过对比二极管偏置、Vbe倍增器和集成运放驱动三种经典方案,手把手指导设计高性能互补输出级电路,涵盖原理分析、仿真验证及实物调试要点,助力消除音频失真,提升音质。

weixin_29190573的博客 552

一篇文章搞懂android存储目录结构(维护更新)

android 存储

liuqinhou的博客 6137

反爬虫:POST 请求参数中 Sign 的加密机制详解,并设计带 Sign 校验的网站

本文介绍了API请求中sign签名的生成原理及实现方法。sign是通过对请求参数加密生成的一串字符串,用于验证请求合法性,防止参数篡改、重放攻击和伪造请求。其生成步骤包括参数排序、拼接字符串、加盐和哈希加密。文章还演示了如何在FastAPI后端实现带sign验证的新闻网站,包括参数校验、时间戳验证和签名比对等安全措施,有效提升API安全性,增加爬虫逆向难度。

数据知道的博客 4075

安卓应用目录结构

控件属性可以在布局文件里设置,那是初始属性,也可以在程序运行时,通过代码来设置控件属性。

m0_63887380的博客 2279

Python在Genesis2000 CAM软件中的编程应用

Genesis2000是一款功能强大的计算机辅助制造(CAM)软件,它提供了广泛的功能和工具,用于帮助制造商进行CAD(计算机辅助设计)到CAM的转换。在Genesis2000中,我们可以利用Python的灵活性和功能来扩展软件的自定义能力,并通过编写脚本来自动化各种制造任务。例如,假设我们需要在Genesis2000中添加一个新的操作,用于自动计算零部件的重量。我们可以编写一个Python脚本,通过遍历模型的几何数据并应用相关的计算公式,来实现这个功能。

PixelEnigma的博客 2423

PLC批量读写优化:C# Modbus TCP多寄存器批量操作(效率提升50%)

效率提升:请求次数减少90%以上,通信耗时降低50%-95%;资源节约:减少网络带宽占用和PLC/上位机CPU负载;稳定性提升:更少的请求意味着更少的通信异常;适配高频采集:满足工业现场100ms/次的高频率数据采集需求。工业落地时需注意:批量操作的核心是地址连续化规划,提前与PLC工程师协同规划寄存器地址,是优化的前提;同时需配合重试、校验机制,确保批量操作的可靠性。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1258

玩转安卓 Android系统文件夹结构解析(绝对有用)

//system//app这个里面主要存放的是常规下载的应用程序,可以看到都是以APK格式结尾的文件。在这个文件夹下的程序为系统默认的组件,自己安装的软件将不会出现在这里,而是//data//文件夹中。下面是详细的介绍: //system//app//AlarmClock.apk 闹钟 //system//app//AlarmClock.odex //system//app//Brows

极客神殿 6253

Android Binder的两三事--基于Android14源码

Android14-Framework-Binder

保持专注,保持热爱 1140

[转]android系统文件夹结构解析

[转]android系统文件夹结构解析    http://www.anylore.net/Android/2/05720.html   看看Android系统文件夹都隐藏了什么秘密,下面是简单的结构解析。 \system\app   这个里面主要存放的是常规下载的应用程序,可以看到都是以APK格式结尾的文件,不了解的可以看下  在这个文件夹下的程序为系统默认的组件,自己安装的软件将不会

zxg519的专栏 631

STM32入门教程:车牌识别

在本文中,我们介绍了如何使用STM32实现车牌识别功能,并提供了详细的代码案例。通过以上步骤,你可以开始开发自己的车牌识别系统了。希望本文对你有所帮助!

2401_85258012的博客 874

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

安卓系统文件夹结构解析

system\\\\app 这个里面主要存放的是常规下载的应用程序,可以看到都是以APK格式结尾的文件。在这个文件夹下的程序为系统默认的组件,自己安装的软件将不会出现在这里,而是\\\\data\\\\文件夹中。下面是详细的介绍: \\\\system\\\\app\\\\AlarmClock.apk 闹钟 \\\\system\\\\app\\\\AlarmClock.odex

joeyaung_1983的专栏 505

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Android SYSTEM 系统文件夹结构解析

原文地址:http://blog.oobeta.com/archives/2012/01/18/2257.html \system\app 这个里面主要存放的是常规下载的应用程序,可以看到都是以APK格式结尾的文件。在这个文件夹下的程序为系统默认的组件,自己安装的软件将不会出现在这里,而是\data\文件夹中。下面是详细的介绍: \system\app\AlarmClock.apk 闹钟

AMinfo的专栏 5186

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

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")

上一篇: Android 权限中文说明
下一篇: Android 学习网站 不断更新
sunney2012
博客等级 码龄16年 1粉丝 75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