博客
关于我
electron部署更新服务器
阅读量:80 次
发布时间:2019-02-26

本文共 759 字,大约阅读时间需要 2 分钟。

electron更新有两种常见的实现方式,分别是基于squirrel打包的传统更新方式以及基于nsis安装的现代化解决方案。

对于windows应用程序的打包更新,squirrel是一个非常流行的选择。这种方法通过electron包中的autoUpdater模块来实现自动更新。在项目中,开发者需要配置github的用户名和仓库名,进而生成feedurl为https://update.electronjs.org/${username}/${repository}。这样一来,更新服务器会自动向github release API获取最新的.nupkg文件并下载最新版本的程序包。通过访问提供的url,可以直接下载最新的更新文件。需要注意的是,这种更新方式仅适用于基于squirrel打包的windows应用程序。

而对于nsis打包的项目而言,传统的更新方式存在一定的局限性,尤其是在与github release无缝集成方面。因此,开发者通常会选择使用开源项目hazel来搭建自定义的更新服务器,并将其部署到平台如vercel上。通过这种方式,开发者可以自由配置安装路径,并通过hazel提供的api接口,动态获取最新版本的程序包。

在实际操作中,开发者需要在环境变量中配置github的账号信息,并通过hazel服务器获取最新的版本信息。然后,将获取到的url拼接到feed = ${url}/update/${process.platform}/${app.getVersion()},从而获取最新的更新文件路径。最后,将这一路径对应的latest.yml中的下载链接用于安装程序的更新。

这种基于hazel的更新方案,不仅提供了灵活的安装路径配置,还能够通过自定义的更新服务器规则,实现更为精细的版本管理。

转载地址:http://pwuk.baihongyu.com/

你可能感兴趣的文章
OpenCV-Python接口、cv和cv2的性能比较
查看>>
opencv5-图像混合
查看>>
opencv9-膨胀和腐蚀
查看>>
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
查看>>
OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>
opencv保存图片路径包含中文乱码解决方案
查看>>
opencv图像分割2-GMM
查看>>
OpenCV(1)读写图像
查看>>
OpenCV:概念、历史、应用场景示例、核心模块、安装配置
查看>>
Openlayers图文版实战,vue项目从0到1做基础配置
查看>>
Openlayers高级交互(10/20):绘制矩形,截取对应部分的地图并保存
查看>>
Openlayers高级交互(16/20):两个多边形的交集、差集、并集处理
查看>>