在tj-actions/changed-files中实现基于目录特性的文件过滤
2025-07-01 11:13:08作者:温玫谨Lighthearted
在持续集成和持续部署(CI/CD)流程中,精确识别变更文件是自动化工作流的关键环节。当项目结构包含多种技术栈时,如何针对特定技术类型的目录进行精准过滤成为一个常见需求。
技术背景
现代项目往往采用混合技术栈,例如同时包含Helm图表和Kustomize配置的Kubernetes项目。Helm图表通常包含Chart.yaml文件作为标识,而Kustomize项目则使用kustomization.yaml。在自动化流程中,我们需要区分这些不同类型的变更。
解决方案
tj-actions/changed-files动作提供了files_yaml输入参数,支持基于YAML格式的复杂文件过滤规则。通过这个功能,我们可以:
- 定义多个文件组别
- 为每个组别指定包含和排除模式
- 实现基于目录特性的精确匹配
实际应用示例
以下是一个典型配置示例,展示了如何区分不同技术类型的目录:
- name: 获取变更的Helm图表文件
id: changed-files
uses: tj-actions/changed-files@v44
with:
files_yaml: |
helm:
- '**/Chart.yaml'
- 'charts/**'
kustomize:
- '**/kustomization.yaml'
- 'kustomize/**'
高级用法
对于更复杂的场景,我们可以结合包含和排除模式:
- 匹配所有包含Chart.yaml的目录
- 排除特定测试目录
- 只关注src目录下的特定文件类型
files_yaml: |
production_helm:
- '**/Chart.yaml'
- '!test/**'
- 'src/**/values.prod.yaml'
技术实现原理
该功能底层使用glob模式匹配,支持:
- 递归匹配(**)
- 单级匹配(*)
- 字符集匹配([abc])
- 范围匹配([a-z])
- 取反匹配(!pattern)
最佳实践建议
- 为每种技术类型创建独立的文件组
- 使用明确的排除规则减少误匹配
- 在复杂项目中分层组织匹配规则
- 定期审查匹配规则确保准确性
通过合理配置tj-actions/changed-files的过滤规则,可以显著提升CI/CD流程的精确度和效率,特别是在混合技术栈的项目环境中。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
418
3.21 K
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
暂无简介
Dart
683
160
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.22 K
664
React Native鸿蒙化仓库
JavaScript
266
326
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1
Ascend Extension for PyTorch
Python
230
259