Dynmap® 技术文档
2024-12-20 17:05:13作者:蔡怀权
1. 安装指南
1.1 环境要求
- JDK 版本: Dynmap 3.x+ 需要 JDK 21 进行构建。对于不同版本的 Minecraft,所需的 JDK 版本如下:
- Minecraft 1.16 及更早版本:JDK 8
- Minecraft 1.17.x:JDK 16
- Minecraft 1.18 至 1.20.4:JDK 17
- Minecraft 1.20.5+:JDK 21
1.2 构建步骤
- 打开终端或命令提示符。
- 导航到项目根目录。
- 运行以下命令以构建项目:
- 在 Linux/Mac 上:
./gradlew setup build - 在 Windows 上:
gradlew.bat setup build
- 在 Linux/Mac 上:
- 构建完成后,生成的 JAR 文件将位于
target/目录中。
1.3 特定版本的构建
- 对于 Forge 1.12.2 版本,需要使用 JDK 8 进行构建。请按照以下步骤操作:
- 设置
JAVA_HOME环境变量为 JDK 8 的安装路径。 - 导航到
oldgradle目录。 - 运行以下命令:
- 在 Linux/Mac 上:
./gradlew setup build - 在 Windows 上:
gradlew.bat setup build
- 在 Linux/Mac 上:
- 设置
2. 项目的使用说明
2.1 支持的平台
Dynmap 支持以下 Minecraft 服务器类型和版本:
- Spigot/PaperMC: ≤1.20.6
- Forge: 1.12.2 - 1.20.x
- Fabric: 1.15.2 - 1.20.x
2.2 数据存储
Dynmap 支持多种数据存储后端:
- Flat files: 默认存储方式。
- MySQL: 需要 MySQL 驱动。
- SQLite: 需要 SQLite 驱动。
- PostgreSQL: 驱动已包含在 Dynmap JAR 中。
- MariaDB: 兼容 MySQL,设置
storage-type为mysql。 - AWS S3: 支持将 S3 桶用作存储和网站托管。
2.3 贡献代码
- 贡献代码时,请遵循以下规则:
- PR 应尽可能小,避免多个功能合并到一个 PR 中。
- 不要进行格式化或样式更改。
- 不要修改核心代码,除非你准备在所有支持的平台上进行构建和测试。
- 不要引入平台特定的依赖或命令行行为。
- 代码必须兼容 Apache Public License v2。
3. 项目API使用文档
3.1 API 概述
Dynmap 提供了丰富的 API,允许其他插件或模组与其进行交互。API 主要分为以下几类:
- DynmapCoreAPI: 核心 API,提供基础功能。
- Dynmap-API: 用于与其他插件或模组进行交互的 API。
3.2 API 使用示例
以下是一个简单的 API 使用示例,展示如何通过 API 获取地图数据:
import org.dynmap.DynmapAPI;
import org.dynmap.DynmapCore;
public class ExamplePlugin {
private DynmapAPI dynmapAPI;
public void onEnable() {
dynmapAPI = (DynmapAPI) getServer().getPluginManager().getPlugin("dynmap");
if (dynmapAPI != null) {
// 获取地图数据
dynmapAPI.getMap("world");
}
}
}
4. 项目安装方式
4.1 安装步骤
- 下载适用于你服务器类型的 Dynmap JAR 文件。
- 将 JAR 文件放入服务器的
plugins或mods目录中。 - 启动服务器,Dynmap 将自动加载。
4.2 配置文件
- Dynmap 的配置文件位于
plugins/dynmap/或mods/dynmap/目录中。 - 主要配置文件为
configuration.txt,可以根据需要进行修改。
4.3 启动与测试
- 启动服务器后,访问
http://<服务器IP>:8123即可查看 Dynmap 生成的动态地图。
通过以上步骤,你可以成功安装并使用 Dynmap 插件,享受动态地图带来的便利。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python02
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
Launch4j中文版:Java应用程序打包成EXE的终极解决方案 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 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 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 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 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
290
2.61 K
deepin linux kernel
C
24
7
React Native鸿蒙化仓库
JavaScript
227
306
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++
605
182
暂无简介
Dart
577
127
Ascend Extension for PyTorch
Python
116
149
🎉 (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
1.04 K
609
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
453
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
46
77
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
158
60