Taverna Common Activities 技术文档
2024-12-23 17:38:21作者:魏献源Searcher
1. 安装指南
环境要求
- Java:1.8 或更新版本(测试使用 OpenJDK 1.8)
- Apache Maven:3.2.5 或更新版本(较旧版本可能也适用)
依赖模块
Taverna Common Activities 依赖于其他 Taverna 模块,Maven 会自动从 Apache 的 Maven 仓库下载这些依赖。如果你希望手动编译这些模块,请按照以下顺序进行:
请参考 pom.xml 文件中的 <properties> 部分,以获取正确的版本信息。
构建步骤
- 克隆项目代码到本地。
- 在项目根目录下运行以下命令进行构建:
该命令将构建每个模块并运行测试。mvn clean install
在 Windows 上构建
如果你在 Windows 上构建,请确保将源代码解压到一个路径较短的文件夹中,例如 C:\src,因为 Windows 对路径长度有 260 个字符的限制,可能会导致构建失败。
跳过测试
如果你希望跳过测试(测试可能会耗时较长),可以使用以下命令:
mvn clean install -DskipTests
跳过 Rat Maven 插件
如果你在独立修改源代码,而不涉及 Taverna 项目,可以选择跳过 Rat Maven 插件,该插件会强制要求每个源文件包含 Apache 头文件。可以使用以下命令:
mvn clean install -Drat.skip=true
2. 项目的使用说明
Taverna Common Activities 是一个用于 Taverna 工作流中的常见活动模块。它包含多种活动类型,如 Beanshell 脚本、外部工具、RESTful 服务调用、WSDL 服务调用等。每个模块实现了一种特定的 Taverna 活动类型,用户可以根据需求选择合适的模块进行使用。
模块列表
- taverna-beanshell-activity:运行 Beanshell 脚本。
- taverna-external-tool-activity:运行本地或通过 SSH 运行的命令行工具。
- taverna-interaction-activity:通过浏览器向用户提问。
- taverna-rest-activity:基于 URI 模板调用 RESTful HTTP(S) 服务。
- taverna-spreadsheet-import-activity:从 CSV、Excel 和 OpenOffice 导入数据。
- taverna-wsdl-activity:调用基于 WSDL 描述的 SOAP 服务。
- taverna-wsdl-generic:用于解析 WSDL 和调用 SOAP 服务的库。
- taverna-xpath-activity:使用 XPath 表达式选择 XML 片段。
3. 项目 API 使用文档
活动接口
每个模块实现了一个特定的 Taverna 活动类型,具体接口定义可以参考 Taverna 的 Activity 接口文档。
依赖库
- taverna-rest-activity:依赖于 Apache HttpComponents Client,支持
https://连接。 - taverna-wsdl-generic 和 taverna-wsdl-activity:依赖于 Java Secure Socket Extension (JSSE) 和 Apache WSS4J,用于访问安全的 SOAP Web 服务。
- taverna-interaction-activity:依赖于 Jetty,支持 SSL 加密。
4. 项目安装方式
通过 Maven 安装
- 确保你已经安装了 Java 和 Maven。
- 在项目根目录下运行以下命令进行构建和安装:
mvn clean install
手动编译依赖模块
如果你希望手动编译依赖模块,请按照以下顺序进行:
- 编译
taverna-language。 - 编译
taverna-osgi。 - 编译
taverna-engine。
跳过测试和 Rat Maven 插件
如果你希望跳过测试或 Rat Maven 插件,可以使用以下命令:
mvn clean install -DskipTests -Drat.skip=true
5. 注意事项
导出限制
该项目包含加密软件,请确保你所在的国家允许使用加密软件。具体信息请参考 Wassenaar Arrangement。
许可证
该项目基于 Apache License 2.0 发布,详细信息请参考 LICENSE 文件。
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
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137