Apache Sling Logback Groovy Fragment 项目教程
2024-08-07 14:10:01作者:何将鹤
1. 项目的目录结构及介绍
Apache Sling Logback Groovy Fragment 项目的目录结构如下:
sling-org-apache-sling-extensions-logback-groovy-fragment/
├── asf.yaml
├── .gitignore
├── CODE_OF_CONDUCT.md
├── CONTRIBUTING.md
├── Jenkinsfile
├── LICENSE
├── README.md
├── pom.xml
└── src/
└── main/
└── resources/
└── OSGI-INF/
└── config/
└── org.apache.sling.extensions.logback.groovy.internal.GroovyEventEvaluatorFactory.xml
目录介绍
asf.yaml: Apache 软件基金会配置文件。.gitignore: Git 忽略文件配置。CODE_OF_CONDUCT.md: 行为准则文件。CONTRIBUTING.md: 贡献指南文件。Jenkinsfile: Jenkins 持续集成配置文件。LICENSE: 项目许可证文件。README.md: 项目说明文件。pom.xml: Maven 项目对象模型文件。src/: 源代码目录。main/: 主代码目录。resources/: 资源文件目录。OSGI-INF/: OSGi 配置目录。config/: 配置文件目录。org.apache.sling.extensions.logback.groovy.internal.GroovyEventEvaluatorFactory.xml: Groovy 事件评估工厂配置文件。
2. 项目的启动文件介绍
Apache Sling Logback Groovy Fragment 项目没有明确的启动文件,因为它是一个依赖库,用于增强 Logback 日志框架的功能。项目的核心功能通过 OSGi 配置文件和 Maven 依赖来实现。
3. 项目的配置文件介绍
OSGi 配置文件
org.apache.sling.extensions.logback.groovy.internal.GroovyEventEvaluatorFactory.xml 是项目的核心配置文件,用于配置 Groovy 事件评估器。该文件定义了如何使用 Groovy 脚本来评估日志事件,从而实现动态日志过滤和处理。
Maven 依赖配置
在 pom.xml 文件中,定义了项目的依赖关系和构建配置。以下是关键的依赖配置:
<dependency>
<groupId>org.apache.sling</groupId>
<artifactId>org.apache.sling.extensions.slf4j.mdc</artifactId>
<version>1.0.0</version>
</dependency>
该依赖用于引入 SLF4J MDC 扩展,以便在日志中包含 MDC(Mapped Diagnostic Context)值。
Logback 配置
为了使用 Groovy 事件评估支持,需要在 Logback 配置文件中定义相应的 appender 和 evaluator。以下是一个示例配置:
<appender name="FILE" class="ch.qos.logback.core.FileAppender">
<file>${sling.home}/logs/error.log</file>
<encoder>
<pattern>%d %-5level %X{sling.userId:-NA} [%thread] %logger{30} %marker - %msg%n</pattern>
<immediateFlush>true</immediateFlush>
</encoder>
</appender>
<logger name="org.apache.sling" level="INFO">
<appender-ref ref="FILE"/>
</logger>
在这个配置中,定义了一个名为 FILE 的文件 appender,并将其关联到 org.apache.sling 日志记录器。
通过以上配置,可以实现对 Apache Sling Logback Groovy Fragment 项目的详细配置和使用。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146