LevelDB JNI技术文档
2024-12-27 03:50:30作者:农烁颖Land
1. 安装指南
Maven依赖
您可以通过添加以下依赖项到您的Maven POM文件中来使用LevelDB JNI:
<dependencies>
<dependency>
<groupId>org.fusesource.leveldbjni</groupId>
<artifactId>leveldbjni-all</artifactId>
<version>1.8</version>
</dependency>
</dependencies>
使用leveldbjni-all依赖项可以让您获得所有支持平台的操作系统特定本地驱动程序。如果您只想使用一个或一些而非所有本地驱动程序,请直接使用操作系统特定的依赖项,而不是leveldbjni-all。
例如,对于Linux 64位系统,请使用以下依赖项:
<dependencies>
<dependency>
<groupId>org.fusesource.leveldbjni</groupId>
<artifactId>leveldbjni-linux64</artifactId>
<version>1.8</version>
</dependency>
</dependencies>
如果您的系统已经通过包管理器(请参阅issue 90)单独安装了leveljni本地驱动程序DLL/SO库,那么您可以依赖Java“启动器”,而不包含操作系统的特定本地驱动程序的JAR,如下所示:
<dependency>
<groupId>org.fusesource.leveldbjni</groupId>
<artifactId>leveldbjni</artifactId>
<version>1.8</version>
</dependency>
手动安装JAR
如果不想使用Maven,可以直接将以下JAR添加到您的Java项目中:
2. 使用说明
LevelDB JNI提供了对LevelDB C++库的Java接口,LevelDB是一个由Google开发的快速键值存储库,提供了字符串键到字符串值的有序映射。
API 使用文档
以下是一些推荐的包导入:
import org.iq80.leveldb.*;
import static org.fusesource.leveldbjni.JniDBFactory.*;
import java.io.*;
打开和关闭数据库
Options options = new Options();
options.createIfMissing(true);
DB db = factory.open(new File("example"), options);
try {
// 在此处使用数据库...
} finally {
// 确保关闭数据库,以关闭数据库并避免资源泄漏。
db.close();
}
添加、获取和删除键/值
db.put(bytes("Tampa"), bytes("rocks"));
String value = asString(db.get(bytes("Tampa")));
db.delete(bytes("Tampa"));
执行批量/大量/原子更新
WriteBatch batch = db.createWriteBatch();
try {
batch.delete(bytes("Denver"));
batch.put(bytes("Tampa"), bytes("green"));
batch.put(bytes("London"), bytes("red"));
db.write(batch);
} finally {
// 确保关闭batch,以避免资源泄漏。
batch.close();
}
遍历键/值
DBIterator iterator = db.iterator();
try {
for(iterator.seekToFirst(); iterator.hasNext(); iterator.next()) {
String key = asString(iterator.peekNext().getKey());
String value = asString(iterator.peekNext().getValue());
System.out.println(key + " = " + value);
}
} finally {
// 确保关闭iterator,以避免资源泄漏。
iterator.close();
}
使用数据库的快照视图
ReadOptions ro = new ReadOptions();
ro.snapshot(db.getSnapshot());
try {
// 所有读取操作现在将使用相同的一致数据视图。
... = db.iterator(ro);
... = db.get(bytes("Tampa"), ro);
} finally {
// 确保关闭快照,以避免资源泄漏。
ro.snapshot().close();
}
使用自定义比较器
DBComparator comparator = new DBComparator(){
public int compare(byte[] key1, byte[] key2) {
return new String(key1).compareTo(new String(key2));
}
public String name() {
return "simple";
}
public byte[] findShortestSeparator(byte[] start, byte[] limit) {
return start;
}
public byte[] findShortSuccessor(byte[] key) {
return key;
}
};
Options options = new Options();
options.comparator(comparator);
DB db = factory.open(new File("example"), options);
禁用压缩
Options options = new Options();
options.compressionType(CompressionType.NONE);
DB db = factory.open(new File("example"), options);
配置缓存
Options options = new Options();
options.cacheSize(100 * 1048576); // 100MB缓存
DB db = factory.open(new File("example"), options);
获取近似大小
long[] sizes = db.getApproximateSizes(new Range(bytes("a"), bytes("k")), new Range(bytes("k"), bytes("z")));
System.out.println("Size: " + sizes[0] + ", " + sizes[1]);
获取数据库状态
String stats = db.getProperty("leveldb.stats");
System.out.println(stats);
获取信息性日志消息
Logger logger = new Logger() {
public void log(String message) {
System.out.println(message);
}
};
Options options = new Options();
options.logger(logger);
DB db = factory.open(new File("example"), options);
销毁数据库
Options options = new Options();
factory.destroy(new File("example"), options);
修复数据库
Options options = new Options();
factory.repair(new File("example"), options);
使用内存池
JniDBFactory.pushMemoryPool(1024 * 512);
try {
// ... 在此处使用数据库
} finally {
JniDBFactory.popMemoryPool();
}
3. 项目安装方式
请参照“安装指南”中的步骤进行安装。
结束
本文档详细介绍了LevelDB JNI的安装方法、使用说明和API使用方式,希望能帮助您更好地使用LevelDB JNI项目。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137