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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
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
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00