Nano Hash - криптовалюты, майнинг, программирование

Как настроить наборы правил PMD для разных конфигураций в Gradle?

Я могу настроить плагин PMD для Gradle и настроить корневой уровень. Я могу настроить эти параметры для определенного набора источников.

Я пытаюсь понять, как настроить определенные наборы правил PMD для одного исходного набора (основного) и разные наборы правил PMD для другого (тестового).

Например:

  • Применение java-basic и java-braces для main (задача pmdMain Gradle)
  • Применить java-junit для теста (задача pmdTest Gradle)

Как должен выглядеть файл build.gradle для этого? Возможно ли это даже с плагином PMD в Gradle?

java gradle pmd
07.03.2017

Ответы:


1

Вы можете использовать плагин, такой как этот, или сделать это вручную:

apply plugin: 'pmd'

project.tasks['pmdMain'] {
  ruleSets = ['java-basic', 'java-braces']
}

project.tasks['pmdTest'] {
  ruleSets = ['java-junit']
}
08.03.2017
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..