Sonatype Nexus Staging Maven插件在多模块项目中跳过子模块部署的解决方案
问题背景
在使用Sonatype Nexus Staging Maven插件(nexus-staging-maven-plugin)进行多模块Maven项目部署时,开发者可能会遇到一个常见问题:无法通过传统的maven.deploy.skip属性来跳过特定子模块的部署。这个问题在DFLib DataFrame项目中就曾出现,其中dflib-benchmark模块虽然设置了跳过部署的属性,但仍然被发布到了Sonatype仓库中。
传统方法的局限性
在标准的Maven部署流程中,开发者通常使用以下两种方式来跳过模块部署:
- 在模块的pom.xml中设置属性:
<properties>
<maven.deploy.skip>true</maven.deploy.skip>
</properties>
- 显式配置maven-deploy-plugin:
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-deploy-plugin</artifactId>
<configuration>
<skip>true</skip>
</configuration>
</plugin>
然而,当使用Nexus Staging Maven插件时,这些方法可能不再有效,因为该插件接管了部署流程,绕过了标准部署插件的配置。
解决方案:使用excludeArtifacts配置
针对Nexus Staging Maven插件,正确的解决方案是使用其提供的excludeArtifacts配置项。这个配置允许开发者明确指定要排除的artifact ID列表。
配置示例:
<plugin>
<groupId>org.sonatype.plugins</groupId>
<artifactId>nexus-staging-maven-plugin</artifactId>
<extensions>true</extensions>
<configuration>
<serverId>oss-sonatype-releases</serverId>
<nexusUrl>https://s01.oss.sonatype.org/</nexusUrl>
<autoReleaseAfterClose>false</autoReleaseAfterClose>
<excludeArtifacts>
<artifact>dflib-benchmark</artifact>
</excludeArtifacts>
</configuration>
</plugin>
最佳实践建议
-
明确排除:对于多模块项目,建议在父POM中明确列出所有需要排除的子模块artifact ID,而不是依赖全局属性。
-
版本兼容性:确保使用的插件版本支持
excludeArtifacts配置项。较新版本的插件通常有更好的兼容性和功能支持。 -
测试验证:在正式发布前,使用
mvn deploy -DdryRun=true命令进行测试,验证排除配置是否生效。 -
考虑迁移:随着Sonatype发布流程的更新,建议评估迁移到新的central-publishing-maven-plugin的可能性,该插件提供了更现代的配置方式。
技术原理
Nexus Staging Maven插件通过扩展Maven的部署机制,提供了更精细的发布控制。当配置了excludeArtifacts时,插件会在构建部署描述符时过滤掉指定的artifact,从而确保它们不会被上传到远程仓库。这种机制比传统的跳过属性更加可靠,因为它直接作用于部署流程的核心环节。
通过理解这一机制,开发者可以更有效地控制多模块项目的发布内容,确保只有预期的模块被部署到中央仓库。
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 StartedRust0197
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 Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07