Enjarify 使用教程
1. 项目介绍
Enjarify 是一个由 Google 开源的工具,用于将 Dalvik 字节码转换为等效的 Java 字节码。这使得 Java 分析工具能够分析 Android 应用程序。Enjarify 是一个纯 Python 3 应用程序,因此可以通过简单的 git clone 和运行来使用。
2. 项目快速启动
2.1 安装
首先,确保你已经安装了 Python 3。然后,通过以下命令克隆 Enjarify 仓库:
git clone https://github.com/google/enjarify.git
cd enjarify
2.2 使用
Enjarify 提供了两个主要的脚本:enjarify.sh(适用于 Linux)和 enjarify.bat(适用于 Windows)。你可以通过以下步骤快速启动:
2.2.1 Linux 系统
在 Linux 系统上,你可以使用以下命令来运行 Enjarify:
./enjarify.sh yourapp.apk
2.2.2 Windows 系统
在 Windows 系统上,你可以使用以下命令来运行 Enjarify:
enjarify.bat yourapp.apk
2.3 指定输出文件
默认情况下,Enjarify 会将输出文件放在当前目录下,文件名为 [inputname]-enjarify.jar。你可以通过 -o 或 --output 选项指定输出文件名:
./enjarify.sh yourapp.apk -o yourapp.jar
2.4 强制覆盖
如果输出文件已经存在,Enjarify 默认不会覆盖它。你可以通过 -f 或 --force 选项强制覆盖:
./enjarify.sh yourapp.apk -o yourapp.jar -f
3. 应用案例和最佳实践
3.1 反编译 Android 应用
Enjarify 可以用于反编译 Android 应用,生成可读的 Java 源代码。这对于分析和学习 Android 应用的内部结构非常有用。
3.2 代码审计
安全研究人员可以使用 Enjarify 反编译 Android 应用,进行代码审计,查找潜在的安全漏洞。
3.3 教学和学习
教师和学生可以使用 Enjarify 反编译 Android 应用,学习 Android 应用的开发和设计。
4. 典型生态项目
4.1 JD-GUI
JD-GUI 是一个用于查看反编译后的 Java 字节码的图形化工具。你可以使用 JD-GUI 打开 Enjarify 生成的 .jar 文件,查看反编译后的 Java 源代码。
4.2 Dex2jar
Dex2jar 是另一个常用的 Android 反编译工具,可以将 Dalvik 字节码转换为 Java 字节码。虽然 Enjarify 在处理一些复杂情况时比 Dex2jar 更优秀,但在某些情况下,Dex2jar 仍然是一个有用的工具。
4.3 APKTool
APKTool 是一个用于反编译和重新打包 Android APK 文件的工具。它可以帮助你提取资源文件、反编译代码等。结合 Enjarify,你可以更全面地分析 Android 应用。
通过以上步骤,你可以快速上手并使用 Enjarify 进行 Android 应用的反编译和分析。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
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
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
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