Hasher项目技术文档
2024-12-27 09:28:32作者:侯霆垣
1. 安装指南
在您的Scala项目中,要使用Hasher库,首先需要在build.sbt文件中添加以下依赖:
libraryDependencies ++= Seq("com.roundeights" %% "hasher" % "1.2.1")
确保同步项目依赖后,您就可以在项目中使用Hasher库了。
2. 项目使用说明
Hasher是一个Scala库,提供了一种简单的方式来生成各种散列值。支持的散列算法包括MD5、SHA1、SHA256、SHA384、SHA512、HMAC-MD5、HMAC-SHA1、HMAC-SHA256、HMAC-SHA512、BCrypt、CRC32和PBKDF2。
基本使用方法如下:
import com.roundeights.hasher.Implicits._
val hashMe = "Some String"
val md5 = hashMe.md5
println("MD5: " + md5.hex)
您还可以比较原始字符串和散列值:
println("MD5 Matches: " + (hashMe.md5 hash= md5))
3. 项目API使用文档
以下是Hasher库的一些关键API的使用说明:
生成散列值
使用隐式转换方法,可以对字符串、StringBuilder、字节数组、输入流、读取器和数据源生成散列值。例如:
val sha1 = hashMe.sha1
val bcrypt = hashMe.bcrypt
比较散列值
使用hash=方法可以安全地比较原始文本值和预计算的散列值:
println("SHA1 Matches: " + (hashMe.sha1 hash= sha1))
使用盐
为散列值添加盐值可以增加安全性:
println("Salted MD5: " + hashMe.salt("sweet").md5.hex)
获取散列值的字节
如果需要获取散列值的字节,可以使用隐式转换:
val hashBytes = hashMe.md5.bytes
非隐式使用
如果不希望使用隐式方法,可以直接使用Hasher对象:
val md5 = Hasher(hashMe).md5
算法替换
使用Algo类可以轻松地更换散列算法:
def hashUsing(algo: Algo) = {
val hash = algo(hashMe)
println("Hashed using " + algo.name + ": " + hash.hex)
}
累积散列值
对于可遍历对象中的数据,可以使用foldLeft来生成散列值:
def hash(list: List[String]): String = {
list.foldLeft(Algo.sha1.foldable) { (accum, str) => accum(str) }.done.hex
}
数据流监控
对于数据流,如InputStream、Reader或Source,可以使用Tap来在读取数据的同时生成散列值:
val stream = Algo.sha1.tap(new ByteArrayInputStream("Some String".getBytes))
4. 项目安装方式
项目安装方式已在“安装指南”部分说明,即通过在build.sbt文件中添加依赖来实现。
以上就是Hasher项目的详细技术文档,希望对您的使用有所帮助。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook09
项目优选
收起
暂无描述
Dockerfile
764
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
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
456
438
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++
1.08 K
1.1 K
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
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
303
117
昇腾LLM分布式训练框架
Python
178
220