Shawl - 简易Windows服务包装器
Shawl是一款用Rust语言编写的工具,用于将任意程序包装成Windows服务。它替您处理繁琐的Windows服务API,使您的程序只需响应ctrl-C/SIGINT信号即可。如果您正在开发一个需要作为服务运行的项目,只需要将Shawl与您的项目一起打包,并将其设置为入口点,通过命令行接口传递要执行的命令。
安装
- 预编译二进制文件: 您可以在发布页面上下载预编译好的版本,它是便携式的,可以直接放入任何位置。
- Rust安装: 如果您的机器已安装Rust,可以运行
cargo install shawl进行安装。 - 使用Scoop: 先添加额外的bucket并安装
scoop bucket add extras && scoop install shawl。更新时运行scoop update && scoop update shawl。
使用方法
创建一个由Shawl包裹的服务,例如:
- 使用Shawl的
add命令:shawl add --name my-app -- C:/path/my-app.exe - 使用Windows
sc命令以获得更多控制权:sc create my-app binPath= "C:/path/shawl.exe run --name my-app -- C:/path/my-app.exe" sc config my-app start= auto sc start my-app
Shawl会检查您的程序状态,以便向Windows报告正确的服务状态:
- 默认情况下,当您的程序退出且退出代码非零时,Shawl会重新启动它。您可以使用
--(no-)restart来控制所有退出代码的行为,或者使用--restart-if(-not)来针对特定退出代码定制行为。请注意,这四个选项互斥。 - 当服务被请求停止时,Shawl会发送一个ctrl-C事件给您的程序,然后在
--stop-timeout(默认3秒)后等待,如果程序未终止,会选择强制结束。 - 在这两种情况中,如果Shawl不重启程序,它会将退出代码报告给Windows作为服务特定错误,除非退出代码是0或您已配置的
--pass代码。
命令行界面(CLI)
完整帮助文本可查看docs/cli.md。
日志记录
Shawl为每个服务创建日志文件(如shawl_for_<service>_*.log),基于--name参数,在Shawl执行文件的同一目录下,记录其自身消息和所运行命令的输出。若出现问题,您可以查看日志获取更多信息。可通过--no-log禁用所有日志,或通过--no-log-cmd禁用命令日志。默认情况下,每个日志文件限制为2MB,最多保留2个历史副本。
账户管理
默认新服务使用Local System账户,该账户的PATH环境变量与您的用户账户不同。如果配置Shawl运行像npm start这样的命令,这意味着npm需要在Local System账户的PATH中,或者您可以更改服务使用的账户。需要注意的是,使用Local System账户运行服务就像Unix系统中的root权限一样危险,增加了系统被黑客攻击的风险。建议使用受限账户,如Network Service,来运行服务。
与其他工具的比较
与WinSW和NSSM等现有解决方案相比,它们需要运行特殊的安装命令来准备服务,这在某些场景(如通过MSI安装服务)中可能不太方便。Shawl没有特殊配置,您可以自由地以常规的MSI ServiceInstall 或者运行 sc create 来配置服务,因为Shawl并不需要特别的设置。shawl add命令只是作为可选的便利功能。
开发与贡献
有关开发和贡献的详细信息,请查阅CONTRIBUTING.md。
利用Shawl,您可以轻松地将应用程序转换为Windows服务,享受其简洁的API和灵活的配置选项。无论是简单的小型应用还是复杂的服务器端软件,Shawl都能为您提供有力的支持。立即尝试Shawl,让您的服务管理和运行更加便捷高效!
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0126
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00