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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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