【亲测免费】 ProGuard 开源项目使用教程
2026-01-15 17:53:55作者:羿妍玫Ivan
1. 项目介绍
ProGuard 是一个用于 Java 字节码的免费压缩、优化、混淆和预验证工具。它能够检测并移除未使用的类、字段、方法和属性,优化字节码并移除未使用的指令,使用无意义的短名称重命名剩余的类、字段和方法。通过这些操作,生成的应用程序和库变得更小、更快。
ProGuard 的主要功能包括:
- 压缩:移除未使用的类、字段、方法和属性。
- 优化:优化字节码,移除未使用的指令。
- 混淆:使用短的无意义名称重命名类、字段和方法。
- 预验证:对 Java 字节码进行预验证。
2. 项目快速启动
2.1 命令行方式
首先,从 GitHub 发布页面下载最新版本的 ProGuard。
在 Linux/MacOS 上,运行以下命令:
bin/proguard.sh <options>
在 Windows 上,运行以下命令:
bin\proguard.bat <options>
通常,大多数选项会放在配置文件中(例如 myconfig.pro),然后调用:
bin/proguard.sh @myconfig.pro
或
bin\proguard.bat @myconfig.pro
2.2 Gradle 任务方式
ProGuard 可以作为 Gradle 任务运行。首先,确保 Gradle 在构建时可以在类路径中找到 ProGuard。可以通过在 build.gradle 文件中添加以下内容来实现:
buildscript {
repositories {
mavenCentral()
}
dependencies {
classpath 'com.guardsquare:proguard-gradle:7.6.0'
}
}
然后,定义一个任务并配置:
tasks.register('proguard', ProGuardTask) {
configuration file('proguard.pro')
injars(tasks.named('jar', Jar).flatMap { it.archiveFile })
// 自动处理此构建的 Java 版本
if (System.getProperty('java.version').startsWith('1.')) {
// Java 9 之前,运行时类打包在一个 jar 文件中
libraryjars "${System.getProperty('java.home')}/lib/rt.jar"
} else {
// Java 9 及之后,运行时类打包在模块化的 jmod 文件中
libraryjars "${System.getProperty('java.home')}/jmods/java.base.jmod", jarfilter: '**.jar', filter: 'module-info.class'
}
verbose
outjars(layout.buildDirectory.file("libs/${baseCoordinates}-minified.jar"))
}
3. 应用案例和最佳实践
3.1 应用案例
ProGuard 广泛应用于 Android 开发中,用于减小 APK 文件的大小并提高应用程序的性能。通过移除未使用的代码和资源,ProGuard 可以显著减少 APK 的大小,从而减少用户的下载时间和存储空间。
3.2 最佳实践
- 配置文件优化:合理编写配置文件,确保只保留必要的类和方法,避免过度混淆导致运行时错误。
- 日志代码移除:ProGuard 可以自动移除应用程序和库中的日志代码,无需修改源代码。
- 多版本兼容:在配置文件中处理不同 Java 版本的运行时类路径,确保兼容性。
4. 典型生态项目
ProGuard 作为 Java 字节码优化工具,与以下项目有紧密的生态关系:
- Android Studio:Android 开发的主要 IDE,集成了 ProGuard 用于 APK 优化。
- Gradle:构建工具,支持通过 Gradle 任务运行 ProGuard。
- Maven:依赖管理工具,可以通过 Maven 插件集成 ProGuard。
通过这些生态项目的支持,ProGuard 能够更好地服务于 Java 和 Android 开发,提升应用程序的性能和安全性。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
574
3.85 K
Ascend Extension for PyTorch
Python
388
466
openEuler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。
C
356
216
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++
897
688
昇腾LLM分布式训练框架
Python
121
147
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
120
156
🎉 (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
1.38 K
782
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
599
167
React Native鸿蒙化仓库
JavaScript
311
361