screenFetch项目中的Android设备uptime显示问题解决方案
在开源项目screenFetch中,用户telebot27报告了一个关于Android设备无法显示uptime(运行时间)的问题。这个问题主要影响未root的Android 10和13设备,因为screenFetch默认通过读取/proc/uptime文件来获取系统运行时间,而在未root的Android设备上,普通用户无法访问这个系统文件。
问题背景
screenFetch是一个用于显示系统信息的命令行工具,它会收集并美观地展示各种系统信息,包括操作系统版本、内核版本、运行时间等。在Linux系统中,它通常通过读取/proc/uptime文件来获取系统运行时间。然而,这种方法在Android系统上存在局限性,特别是对于未root的设备。
问题分析
Android系统虽然基于Linux内核,但在权限管理上更加严格。未root的Android设备上,普通应用程序无法访问/proc/uptime这样的系统文件,导致screenFetch无法获取系统运行时间信息。这影响了Android 10和13设备上uptime功能的正常显示。
解决方案
telebot27用户提供了一个有效的解决方案:使用Android系统自带的uptime命令替代直接读取/proc/uptime文件。这个命令在未root的设备上也可以正常工作,因为它不需要特殊的文件访问权限。
解决方案的核心代码片段如下:
if [[ "${distro}" =~ "Android" ]]; then
uptime=$(uptime | awk '{
if ($3 ~ /^[0-9]+$/ && $4 ~ /^day[s]?,?$/) {
gsub(",", "", $5);
split($5, time, ":");
print $3"d", time[1]"h", time[2]"m";
} else {
gsub(",", "", $3);
split($3, time, ":");
print time[1]"h", time[2]"m";
}
}')
fi
这段代码做了以下几件事:
- 检测当前系统是否为Android
- 使用uptime命令获取原始运行时间数据
- 使用awk处理输出,将时间格式化为更易读的形式
- 根据运行时间是否超过一天,分别处理不同的输出格式
技术细节
Android的uptime命令输出格式通常有两种情况:
- 运行时间超过一天时,格式为:"up X days, HH:MM"
- 运行时间不足一天时,格式为:"up HH:MM"
解决方案中的awk脚本能够智能地识别这两种情况,并统一输出为"Xd HHh MMm"或"HHh MMm"的格式,使显示更加一致和美观。
实现建议
对于screenFetch项目维护者来说,可以考虑以下改进方向:
- 将Android设备的uptime检测逻辑集成到主代码库中
- 增加对更多Android版本的兼容性测试
- 考虑为其他受限环境(如某些定制Linux发行版)提供类似的备用方案
这个解决方案不仅解决了特定问题,也展示了在受限环境下获取系统信息的替代方法,对于开发跨平台系统信息工具具有参考价值。
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