sbt-dependency-graph 技术文档
本文档将详细介绍如何安装、使用以及操作 sbt-dependency-graph 项目。以下内容将涵盖安装指南、使用说明以及项目 API 使用文档。
1. 安装指南
sbt-dependency-graph 是一个用于可视化项目依赖关系的工具。为了全局安装此插件,您需要在对应的 sbt 配置文件中添加依赖项。
-
对于 sbt 1.4 及以上版本,使用以下命令:
addDependencyTreePlugin -
对于 sbt 1.3 以下版本,使用以下命令:
addSbtPlugin("net.virtual-void" % "sbt-dependency-graph" % "0.10.0-RC1")
若您只想将插件添加到单个项目中,请将上述命令放入项目目录下的 project/plugins.sbt 文件中。
该插件支持 sbt 版本 >= 0.13.10 和 sbt 1.0.x。若需支持更早版本的 sbt,请查看 0.8.2 版本的兼容性说明。
2. 项目的使用说明
sbt-dependency-graph 提供了多种任务以帮助您查看和管理项目的依赖关系:
dependencyTree: 显示项目依赖关系的 ASCII 树形结构。dependencyBrowseGraph: 在浏览器中打开一个窗口,以可视化依赖关系图(使用 graphlib-dot + dagre-d3)。dependencyBrowseTree: 在浏览器中打开一个窗口,以可视化依赖关系树(使用 jstree)。dependencyList: 在 sbt 控制台上显示所有传递依赖的列表(按组织机构和名称排序)。whatDependsOn <organization> <module> <revision>?: 查找依赖于指定构件的项目。显示选定模块的反向依赖树。<revision>参数是可选的。dependencyLicenseInfo: 显示按声明的许可证分组的依赖项。dependencyStats: 显示每个模块的行,包括(传递)jar 大小和依赖项数量。dependencyGraphMl: 生成.graphml文件,包含项目的依赖关系,保存在target/dependencies-<config>.graphml。dependencyDot: 生成.dot文件,包含项目的依赖关系,保存在target/dependencies-<config>.dot。dependencyGraph: 在 sbt 控制台上显示项目依赖关系的 ASCII 图(仅支持 sbt 0.13)。ivyReport: 使用 ivy 为您的项目生成解析报告。
以下任务还支持 toFile 子任务,以便将内容保存到文件:
dependencyTreedependencyListdependencyStatsdependencyLicenseInfo
toFile 子任务的语法如下:
<config>:<task>::toFile <filename> [-f|--force]
使用 -f 参数强制覆盖现有文件。
例如,test:dependencyStats::toFile target/depstats.txt 将把 dependencyStats 的输出写入 test 配置的文件 target/depstats.txt,但不会覆盖现有文件。
所有任务都可以设置配置范围,以获取特定配置的报告。例如,test:dependencyGraph 会打印 test 配置的依赖关系。如果不指定任何配置,默认使用 compile。
请注意,如果您想从 sbt shell 外部运行带有参数的任务,请确保将整个任务调用放入引号中,例如 sbt "whatDependsOn <org> <module> <version>"。
3. 项目 API 使用文档
以下是一些可以在 build.sbt 中设置的配置选项:
filterScalaLibrary: 定义是否从dependency-*函数的输出中排除 Scala 库。如果为true,则在工件名称后附加[S]。如果希望输出中包含 Scala 库依赖项,请将其设置为false(默认:true)。dependencyGraphMLFile: 允许配置dependency-graph-ml的输出路径。dependencyDotFile: 允许配置dependency-dot的输出路径。dependencyDotHeader: 允许自定义 dot 文件的头部(例如设置节点形状)。dependencyDotNodeLabel: 定义节点标签的格式(默认设置为[organisation]<BR/><B>[name]</B><BR/>[version])。
例如,在 build.sbt 中可以像这样更改配置设置:
filterScalaLibrary := false // 在输出中包含 Scala 库
dependencyDotFile := file("dependencies.dot") // 将 dot 文件渲染到 `./dependencies.dot`
4. 项目安装方式
请按照上述“安装指南”部分中的步骤进行安装。
以上就是 sbt-dependency-graph 的技术文档,希望对您有所帮助。
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