Apache Fineract CN Docker Compose项目安装指南
2024-11-29 15:05:45作者:宗隆裙
1. 项目介绍
Apache Fineract CN 是一个开源的、用于构建金融服务的平台,它提供了一个完整的、模块化的银行系统,支持各种金融服务。Docker Compose版本则使得部署Apache Fineract CN更加便捷,它通过Docker容器和Kubernetes脚本来部署服务。
2. 项目下载位置
项目托管在GitHub上,您可以访问以下位置下载Apache Fineract CN Docker Compose项目:
https://github.com/apache/fineract-cn-docker-compose.git
3. 项目安装环境配置
在开始安装之前,确保您的系统中已经安装了以下环境:
- Kubernetes
- Docker
- Docker Compose
- Java
以下是一个示例图片,展示了在终端中检查Docker Compose版本的情况:
$ docker-compose --version
docker-compose version 1.29.2, build 0746c7a
请确保您的环境与上述要求一致。
4. 项目安装方式
克隆项目
首先,从GitHub上克隆项目到本地:
git clone https://github.com/apache/fineract-cn-docker-compose.git
cd fineract-cn-docker-compose
部署到Kubernetes
在项目目录中,使用以下命令部署Apache Fineract CN服务到您的Kubernetes集群:
cd kubernetes_scripts
bash kubectl-start-up.sh
部署完成后,通过以下命令检查所有服务的状态:
kubectl get services
最后,通过以下命令来配置微服务:
cd bash_scripts
bash provision.sh --deploy-on-kubernetes playground # 将playground替换为您的租户名称
使用Docker和Docker Compose部署
您也可以选择使用Docker和Docker Compose来自动或手动部署服务。
自动部署
启动所有Apache Fineract CN服务,运行以下命令:
bash start-up.sh
接着,登录到最后一个部署的微服务(fineract-cn-notification)来确认所有服务都已启动:
docker logs -f fineract-cn-docker-compose_notifications-ms_1
之后,配置微服务:
cd bash_scripts
bash provision.sh playground # 将playground替换为您的租户名称
手动部署
首先,生成环境变量文件:
java -cp external_tools/lang-0.1.0-BUILD-SNAPSHOT.jar org.apache.fineract.cn.lang.security.RsaKeyPairFactory UNIX > env
然后,启动外部工具(如数据库、Cassandra等):
cd external_tools
docker-compose up
接下来,启动微服务:
docker-compose up provisioner-ms
等待provisioner-ms启动并创建所需的数据库表后,再启动其他服务。
5. 项目处理脚本
项目中的脚本主要用于部署和配置Apache Fineract CN。以下是一些关键脚本的简要说明:
kubectl-start-up.sh:用于在Kubernetes集群上启动所有Apache Fineract CN服务。provision.sh:用于配置微服务,需要指定部署的环境(如Kubernetes)和租户名称。start-up.sh:用于使用Docker Compose启动所有Apache Fineract CN服务。
通过遵循上述步骤,您应该能够成功下载并安装Apache Fineract CN Docker Compose项目。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
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++
639
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
469
Ascend Extension for PyTorch
Python
149
175
暂无简介
Dart
604
135
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
227
81
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310