新闻详情

新闻详情

首页 / 资讯中心 / 详情

NSSM 安装、配置与操作详细教程

发布时间:2026/11/4 19:38:47来源:尧图网络
NSSM 安装、配置与操作详细教程
1. 引言NSSM(Non-Sucking Service Manager)是一款轻量级的 Windows 服务管理工具,它可以将任意可执行文件(如 .exe、.bat、.cmd 脚本)注册为 Windows 系统服务,并自动处理服务崩溃重启、日志记录、开机自启等能力。相比手动编写服务包装程序,NSSM 配置简单、开箱即用,是运维人员和开发者在 Windows 环境下部署常驻进程(如 Node.js 应用、Python 脚本、Java 服务等)的常用选择。本教程将带你从零开始,完成 NSSM 的下载安装、服务注册配置、常用操作命令以及常见问题排查。2. 下载与安装2.1 下载 NSSMNSSM 官方提供 32 位和 64 位两个版本,请根据操作系统架构选择:官方下载地址:https://nssm.cc/download常见版本:2.24(稳定版)下载后得到一个压缩包,解压后目录结构如下:nssm-2.24/ ├── win32/ │ └── nssm.exe └── win64/ └── nssm.exe2.2 安装(解压即用)NSSM 是绿色软件,无需安装程序,直接将对应架构的nssm.exe复制到任意目录即可使用。建议统一放到一个固定目录,例如:C:\tools\nssm\nssm.exe为了方便在任意路径下调用,可以将该目录加入系统环境变量PATH:右键「此电脑」→「属性」→「高级系统设置」→「环境变量」。在「系统变量」中找到Path,点击「编辑」→「新建」,填入C:\tools\nssm。点击「确定」保存,重新打开命令行窗口生效。验证是否安装成功,打开 CMD 或 PowerShell 执行:nssm version看到类似输出即表示安装成功:NSSM 2.243. 注册服务3.1 图形界面方式NSSM 提供了图形化配置界面,适合不熟悉命令行的用户。在命令行中执行:nssminstall服务名例如注册一个名为myapp的服务:nssminstallmyapp此时会弹出 NSSM 图形配置窗口,主要配置项如下:Application选项卡:Path:可执行文件的完整路径,例如C:\myapp\app.exe。Startup directory:工作目录,一般填可执行文件所在目录。Arguments:启动参数,例如--port 8080。Details选项卡:Display name:服务显示名称。Description:服务描述。Startup type:启动类型,可选Automatic(自动)、Manual(手动)、Disabled(禁用)。配置完成后点击「Install service」按
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉