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。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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