Nano Hash - криптовалюты, майнинг, программирование

Сборка и развертывание Maven для разных целевых платформ (таких как Android и Java SE).

У меня есть служебная библиотека, которая используется в «обычных» проектах Java и в проектах Android.

Между этими платформами есть тонкая разница:

  • Java SE нуждается в org.json:json:20080701 в качестве зависимости
  • Android уже предоставляет совместимую с компиляцией библиотеку для JSON на базовой платформе.

Что я хотел бы иметь

В лучшем случае было бы иметь один pom.xml, который создает и развертывает 2 артефакта, например.

  • mylib-android-1.2.0.jar
  • mylib-1.2.0.jar

Я нашел что-то вроде «классификатора», который можно использовать для этой цели, но я видел это только в контексте зависимостей, а не для определения артефактов сборки.

Может ли кто-нибудь указать мне пример (возможно, известный проект с открытым исходным кодом), как это сделать?

Примечание. Я пытался определить org.json:json:20080701 с помощью <scope>provided</scope>, но сборка Android Gradle жалуется на потенциальную несовместимость, и это заставит пользователей «Java SE» добавить эту зависимость. Не желаемое решение.

Если вы хотите увидеть pom.xml, вот он: https://github.com/hgoebl/DavidWebb/blob/v1.1.0/pom.xml

И это вывод Gradle при использовании библиотеки в том виде, в котором она есть в настоящее время:

ПРЕДУПРЕЖДЕНИЕ. Зависимость org.json:json:20080701 игнорируется для releaseUnitTest, поскольку она может конфликтовать с внутренней версией, предоставленной Android. В случае проблемы, пожалуйста, переупакуйте с помощью jarjar, чтобы изменить пакеты классов.


Ответы:


1

Вам нужны профили Maven. Вы можете настроить зависимости для каждого профиля.

18.09.2015
Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..