The Lift Web Framework 使用与技术文档
1. 安装指南
系统要求
Lift 3.0 及以上版本需要运行在 Java 8 或更高版本的环境中。如果您使用的是 Java 6 或 Java 7,您需要使用 Lift 2.6 版本。
使用 sbt 创建新项目
若您使用的是较新版本的 sbt(如 0.13.16),可以通过 Giter8 模板创建一个新的 Lift 应用程序。
- 创建一个包含示例代码的基本 Lift 应用程序:
sbt new lift/basic-app.g8 - 或者创建一个全新的空白应用程序:
sbt new lift/blank-app.g8
按照提示完成 Lift 应用的创建。
运行服务器
进入应用文件夹后,在 sbt 中运行以下命令启动服务器:
jetty:start
默认情况下,服务器将在 http://localhost:8080 上运行。此命令会在您更改 HTML、资源或 Scala 代码时自动重新编译并重启应用。
如果您主要关注前端开发,可能会发现每次更改 CSS 或 HTML 时都重新编译和重启应用不太高效。在这种情况下,可以使用以下命令:
jetty:quickstart
start 和 quickstart 之间的区别在于,start 命令从目标目录(包含展开的 WAR 文件)中提供资产,而 quickstart 命令则从源目录中直接提供资产。
请注意,quickstart 命令前没有前导波浪线 ~。这是为了防止在资源更改时触发编译。更改的资源将直接提供。请注意,在此模式下,Scala 代码必须手动编译。
在现有项目中使用 sbt
如果您在现有的 sbt 项目中使用 Lift,需要执行以下步骤:
- 添加 xsbt-web-plugin(如果您尚未拥有它或其他启动 Servlet 应用的方法)。
- 添加 Lift 依赖。
将 xsbt-web-plugin 的最新版本下载到 project/ 文件夹中。然后在 build.sbt 文件中启用插件,例如激活 JettyPlugin:
enablePlugins(JettyPlugin)
更多关于插件的使用信息,请参考 xsbt-web-plugin 项目。
之后,您需要将 Lift 和 Logback 添加到 libraryDependencies 中:
libraryDependencies ++= {
val liftVersion = "3.3.0"
Seq(
"net.liftweb" %% "lift-webkit" % liftVersion % "compile",
"ch.qos.logback" % "logback-classic" % "1.2.3"
)
}
使用 Maven
在 pom.xml 文件中添加 Lift 依赖:
<dependency>
<groupId>net.liftweb</groupId>
<artifactId>lift-webkit_${scala.version}</artifactId>
<version>3.3.0</version>
</dependency>
其中 ${scala.version} 为 2.11 或 2.12。Scala 编译器的各个补丁版本(例如 2.12.2)与其发布系列中的所有内容都是二进制兼容的,因此您只需要前两个版本部分。
有关 Maven 集成的更多信息,请参考 项目 Wiki。
2. 项目使用说明
请参考项目的 README 文件,了解 Lift 框架的基本信息、特色以及如何创建新项目。同时,您可以通过运行不同的命令来启动服务器,并根据需要选择不同的运行模式。
3. 项目 API 使用文档
Lift 框架的 API 文档可以在 Lift 官网上找到。您可以通过访问 Lift 官网首页或直接导航到特定版本的 URL 来查看基于源代码的文档。
例如,Lift 3.2 版本的 API 可以在以下地址访问:http://liftweb.net/api/32/api/。
4. 项目安装方式
项目的安装方式已在上述 "安装指南" 部分进行了详细说明。您可以通过 sbt 或 Maven 添加 Lift 依赖,并按照相应的步骤创建新项目或在现有项目中集成 Lift。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00