菜鸟教程之工具使用(五)——JRebel与Windows服务的Tomcat集成

本文介绍如何为已作为系统服务运行的Tomcat配置JRebel以支持热部署,提供了三种配置方法:修改service.bat文件、使用tomcat7w.exe工具及更改注册表。

之前写过一篇Tomcat借助JRebel支持热部署的文章——《借助JRebel使Tomcat支持热部署 》。

介绍的是在开发、測试环境中的配置。可是正式的部署环境。我们不会通过命令行来启动Tomcat,一般都是将Tomcat做成系统服务。而之前的那种配置,对于做成服务的Tomcat是不起作用的。所以今天再来介绍一下怎样对做成系统服务的Tomcat进行JRebel的配置。


配置的方法有三种,第一种是在Tomcat做成服务之前,后两种是在Tomcat做成服务之后。以下我们分别介绍一下:


第一种方式:

假设你如今还没有把Tomcat做成系统服务,那么你能够用以下这样的方式来配置,方法非常easy:找到Tomcat所在文件夹。进入bin文件夹用记事本或notepad等工具打开service.bat文件。找到"--JvmOptions"。在最后面增加"-javaagent:D:\jrebel-5.6.3-crack\jrebel.jar"(不带引號,详细路径依据自己情况配置)改动后例如以下:

--JvmOptions "-Dcatalina.home=%CATALINA_HOME%;
-Dcatalina.base=%CATALINA_BASE%;
-Djava.endorsed.dirs=%CATALINA_HOME%\endorsed;
-Djava.io.tmpdir=%CATALINA_BASE%\temp;
-Djava.util.logging.manager=org.apache.juli.ClassLoaderLogManager;
-Djava.util.logging.config.file=%CATALINA_BASE%\conf\logging.properties;
-javaagent:D:\jrebel-5.6.3-crack\jrebel.jar" ^

保存、关闭文件。然后将该Tomcat通过命令行安装成Windows服务就可以。

假设如今你的server上已经有了Tomcat的服务,那么上面这样的方式就不行了,想要集成JRebel仅仅能通过以下两种方式实现了。


另外一种方式:

假设server已经有了Tomcat的服务,那么你能够选择接下来这样的方式配置JRebel。

进入Tomcat文件夹找到bin文件夹下的“tomcat7w.exe”。如图:





双击打开,切换到“Java”选项卡,在“Java Options”的最后面增加"-javaagent:D:\jrebel-5.6.3-crack\jrebel.jar"。如图:




然后点击“确定”就可以。



第三种方式:

另一种方式能够在Tomcat服务存在的情况下配置JRebel,那就是改动注冊表。打开注冊表。找到以下节点:

HKEY_LOCAL_MACHINE\SOFTWARE\Apache Software Foundation\Procrun 2.0\htfty\Parameters\Java。


64位系统。tomcat的注冊表路径:

HKEY_LOCAL_MACHINE/SOFTWARE/Wow6432Node/Apache Software Foundation/Procrun 2.0/TomcatX/Parameters/Java

找到“Options”并编辑,相同在最后增加"-javaagent:D:\jrebel-5.6.3-crack\jrebel.jar"。如图:



最后保存就可以。个人认为改动注冊表相对来说麻烦一些,所以把它放到了最后,推荐大家选择前面两种方式。

今天就到这儿。下次再见!



转载于:https://www.cnblogs.com/jzssuanfa/p/6905369.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索局部开发之间实现平衡。文章详细解析了算法的初始化、勘探开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOAMOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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