JavaParser 技术文档
1. 安装指南
JavaParser 项目二进制文件可在 Maven Central 获得。我们强烈建议用户在项目中使用 Maven、Gradle 或其他构建系统。如果您不熟悉这些工具,我们建议您查看 Maven 快速入门项目(javaparser-maven-sample, javasymbolsolver-maven-sample)。
只需将以下配置添加到您的 Maven 配置中,或根据您的依赖管理系统进行调整。
Maven 配置:
<dependency>
<groupId>com.github.javaparser</groupId>
<artifactId>javaparser-core</artifactId>
<version>3.26.2</version>
</dependency>
Gradle 配置:
implementation 'com.github.javaparser:javaparser-core:3.26.2'
2. 项目的使用说明
要从源代码编译项目,请按照以下步骤操作:
- 从 GitHub 检出项目源代码。
- 使用 Maven 命令构建项目:
./mvnw clean install
如果要生成打包的 jar 文件,请运行以下 Maven 命令:
./mvnw package
生成的 jar 文件可以在以下位置找到:
javaparser/javaparser-core/target/javaparser-core-<version>.jarjavaparser-symbol-solver-core/target/javaparser-symbol-solver-core-<version>.jar
如果您在 IDE 中查看源代码,最好先生成一些源文件,以避免在 IDE 中出现许多编译错误。(./mvnw clean install 命令已经为您执行了此操作)。
./mvnw javacc:javacc
如果修改了 AST 节点的代码,特别是添加或删除字段或节点类时,代码生成器会为您更新大量代码。run_metamodel_generator.sh 脚本将重新构建元模型,该元模型由代码生成器使用,由 run_core_generators.sh 脚本运行。确保在运行这些脚本之前 javaparser-core 至少可以编译。
注意:对于 Eclipse IDE,请按照 wiki 中描述的步骤操作:https://github.com/javaparser/javaparser/wiki/Eclipse-Project-Setup-Guide
3. 项目 API 使用文档
JavaParser 项目的 API 使用文档可以在项目的官方文档网站 JavaParser.org 找到,或者查看项目的 wiki 页面 https://github.com/javaparser/javaparser/wiki。
4. 项目安装方式
项目安装方式如下:
- 使用 Maven 或 Gradle 等构建系统添加项目依赖。
- 从 Maven Central 下载相应的 jar 文件。
- 从源代码编译并打包项目。
确保选择适合您项目的依赖管理和构建工具。
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