当前位置: 首页 > article >正文

gitru:一个由 Rust 打造的零依赖 Git 提交信息校验工具芯

一、项目背景与核心价值1. 解决的核心痛点Navicat的数据库连接密码并非明文存储而是通过AES算法加密后写入.ncx格式的XML配置文件中。一旦用户忘记密码常规方式只能重新配置连接效率极低。本项目只作为学习研究使用不做其他使用。2. 项目核心价值跨平台运行基于Avalonia与.NET 8支持Windows、macOS、Linux全平台多场景解密支持配置文件批量解析、单条连接解密、手动输入密文解密三种模式易用性拉满现代化UI界面支持深色模式操作流程极简轻量高效无需复杂依赖基于.NET原生能力实现核心算法解密速度毫秒级。二、技术栈选型与考量NavicatPassword的技术栈选择围绕「跨平台、低耦合、高性能」三个核心目标具体选型如下技术领域 选型 选型考量前端UI框架 Avalonia UI 替代WPF的跨平台UI框架API与WPF高度兼容原生支持多平台、深色模式、响应式布局后端开发语言 C# (.NET 8) .NET 8跨平台能力强性能优异原生支持加密算法、XML解析等核心能力架构模式 MVVM (CommunityToolkit.Mvvm) 解耦UI与业务逻辑简化数据绑定、命令管理提升代码可维护性加密算法 AES-128-CBC 匹配Navicat官方的加密标准保证解密准确性数据存储 SQLite 轻量级嵌入式数据库用于保存用户的解密设置、历史记录等配置文件解析 .NET XmlDocument/XDocument 原生XML解析能力高效处理Navicat的.ncx配置文件三、项目架构设计MVVM项目严格遵循MVVM架构模式代码目录结构与职责划分清晰核心目录如下对应项目NavicatPassword/目录NavicatPassword/├── Views/ # 视图层UI界面Axaml文件仅负责展示无业务逻辑│ ├── MainView.axaml # 主界面解密操作核心页面├── ViewModels/ # 视图模型层连接View与Model处理UI交互逻辑│ ├── MainViewModel.cs # 主界面逻辑文件选择、批量解密、单条解密├── Services/ # 服务层核心业务逻辑封装│ ├── SystemService.cs # 密码解密核心服务├── Utils/ # 工具层解密方法└── App.axaml.cs # 应用入口全局配置各层核心职责View视图层仅通过Axaml定义UI结构通过数据绑定绑定ViewModel的属性和命令无任何业务代码ViewModel视图模型层通过ObservablePropertyCommunityToolkit.Mvvm特性实现属性通知通过ICommand处理按钮点击、文件选择等UI交互调用Service层完成核心逻辑Service服务层封装核心业务逻辑解密、文件解析是项目的「业务核心」ViewModel仅调用Service不直接处理业务Model模型层定义数据结构如数据库连接信息、应用配置等仅承载数据无业务逻辑。这种架构的优势在于UI与业务逻辑完全解耦后续无论是修改界面样式还是优化解密算法都无需改动其他层的代码可维护性和扩展性大幅提升。四、核心功能实现解析1. 密码解密核心算法AES-128-CBCNavicat的密码加密采用固定的Key和IV这是解密的关键。项目的核心解密代码如下且完全基于.NET原生System.Security.Cryptography实现using System.Security.Cryptography;using System.Text;namespace NavicatPassword.Services;public static class NavicatDecryptService{// Navicat固定的Key和IV核心private static readonly byte[] _key Encoding.UTF8.GetBytes(libcckeylibcckey);private static readonly byte[] _iv Encoding.UTF8.GetBytes(libcciv libcciv );////// 解密Navicat加密的密码字节数组//////加密后的字节数组///明文密码///解密失败时抛出异常public static string DecryptNavicatPassword(byte[] cipherBytes){if (cipherBytes null || cipherBytes.Length 0){throw new ArgumentException(加密字节数组不能为空, nameof(cipherBytes));}try{using Aes aes Aes.Create();// 匹配Navicat的加密模式CBC PKCS7填充aes.Mode CipherMode.CBC;aes.Padding PaddingMode.PKCS7;aes.Key _key;aes.IV _iv;// 创建解密器并执行解密ICryptoTransform decryptor aes.CreateDecryptor(aes.Key, aes.IV);byte[] plainBytes decryptor.TransformFinalBlock(cipherBytes, 0, cipherBytes.Length);// 转换为UTF8明文return Encoding.UTF8.GetString(plainBytes);}catch (Exception ex){throw new ArgumentException(解密失败可能是密文格式错误, ex);}}////// 重载解密Base64编码的密文字符串//////Base64密文/// 明文密码public static string DecryptNavicatPassword(string cipherBase64){byte[] cipherBytes Convert.FromBase64String(cipherBase64);return DecryptNavicatPassword(cipherBytes);}}关键细节说明固定Key/IVNavicat所有版本均使用libcckeylibcckeyKey和libcciv libccivIV这是解密的核心前提填充模式必须使用PKCS7而非PKCS5否则解密结果会出现乱码异常处理针对空值、格式错误等场景做了容错保证用户体验。2. .ncx配置文件解析Navicat的.ncx文件是XML格式核心是节点包含连接名称、地址、加密密码等信息。解析逻辑封装在NcxFileParserService中核心步骤如下using System.Xml.Linq;using NavicatPassword.Models;namespace NavicatPassword.Services;public class NcxFileParserService{////// 解析.ncx配置文件提取所有数据库连接信息//////配置文件路径/// 数据库连接列表public List ParseNcxFile(string filePath){if (!File.Exists(filePath)){throw new FileNotFoundException(配置文件不存在, filePath);}XDocument doc XDocument.Load(filePath);var connections new List();// 遍历所有Connection节点foreach (var connNode in doc.Descendants(Connection)){var connection new NavicatConnection{Name connNode.Attribute(Name)?.Value ?? string.Empty,Host connNode.Element(Host)?.Value ?? string.Empty,Port connNode.Element(Port)?.Value ?? string.Empty,Database connNode.Element(Database)?.Value ?? string.Empty,// 加密密码是Base64编码的字符串CipherPassword connNode.Element(Password)?.Value ?? string.Empty};// 自动解密可选if (!string.IsNullOrEmpty(connection.CipherPassword)){try{connection.PlainPassword NavicatDecryptService.DecryptNavicatPassword(connection.CipherPassword);}catch{connection.PlainPassword 解密失败;}}connections.Add(connection);}return connections;}}解析逻辑的核心是提取节点的属性和子节点值并自动调用解密方法生成明文密码最终封装为NavicatConnection模型返回给ViewModel由View展示。五、跨平台适配要点基于Avalonia和.NET 8项目的跨平台适配几乎「零成本」但仍有几个关键细节需要注意文件路径适配需要自己手动导出文件打开Navicat-文件-导出连接-导出密码(一定要勾选弹框底部导出密码否则解析不到密码修正路径.ncx)UI适配Avalonia的布局系统原生支持响应式通过Grid、StackPanel等布局控件保证在不同分辨率、不同系统下的UI一致性深色模式通过Avalonia的ThemeVariant实现无需单独开发。发布打包通过.NET Publish命令可一键打包不同平台的可执行文件# Windows (x64)dotnet publish -c Release -r win-x64 --self-contained true -o publish/win# macOS (x64)dotnet publish -c Release -r osx-x64 --self-contained true -o publish/macos# Linux (x64)dotnet publish -c Release -r linux-x64 --self-contained true -o publish/linux六、使用场景与落地效果1. 核心使用场景开发人员找回密码忘记Navicat连接密码快速解析配置文件找回运维批量管理批量解析服务器上的Navicat配置文件统一管理数据库连接密码测试环境核查验证测试环境数据库密码是否符合规范提升安全合规性已通过测试版本Navicat Premium Lite (Free) 17.3.6版本。附项目快速上手从源码构建# 克隆仓库git clone https://gitee.com/dingshuanglei/NavicatPassword.gitorgit clone https://github.com/dingshuanglei/NavicatPassword.git# 进入目录cd NavicatPassword# 构建项目dotnet build -c Release# 运行dotnet run --project NavicatPassword/NavicatPassword.csproj核心操作流程选择Navicat的.ncx配置文件自动解析所有连接批量解密/单条解密查看明文密码或手动输入密文一键解密。膊尤隙戏

相关文章:

gitru:一个由 Rust 打造的零依赖 Git 提交信息校验工具芯

一、项目背景与核心价值 1. 解决的核心痛点 Navicat的数据库连接密码并非明文存储,而是通过AES算法加密后写入.ncx格式的XML配置文件中。一旦用户忘记密码,常规方式只能重新配置连接,效率极低。本项目只作为学习研究使用,不做其他…...

Wan2.2-I2V-A14B开发环境配置:Windows系统下利用WSL2搭建Linux开发环境

Wan2.2-I2V-A14B开发环境配置:Windows系统下利用WSL2搭建Linux开发环境 1. 为什么选择WSL2进行开发 对于Windows系统下的开发者来说,WSL2(Windows Subsystem for Linux 2)提供了一个近乎完美的Linux开发环境解决方案。相比传统的…...

基于GTE-Base-ZH的长短期记忆(LSTM)文本分类模型优化

基于GTE-Base-ZH的长短期记忆(LSTM)文本分类模型优化 最近在做一个文本分类的项目,试了各种方法,发现一个挺有意思的思路。直接用大模型吧,效果好是好,但推理起来慢,成本也高;用传统…...

Phi-4-mini-reasoning实战教程:用HuggingFace TGI替代Gradio部署

Phi-4-mini-reasoning实战教程:用HuggingFace TGI替代Gradio部署 1. 项目介绍 Phi-4-mini-reasoning是微软推出的3.8B参数轻量级开源模型,专为数学推理、逻辑推导和多步解题等强逻辑任务设计。这个模型主打"小参数、强推理、长上下文、低延迟&quo…...

Kimi-VL-A3B-Thinking效果展示:OSWorld多轮操作系统代理任务成功执行录屏

Kimi-VL-A3B-Thinking效果展示:OSWorld多轮操作系统代理任务成功执行录屏 1. 模型简介 Kimi-VL-A3B-Thinking是一款高效的开源混合专家(MoE)视觉语言模型,在多模态推理和长上下文理解方面表现出色。这个模型仅激活语言解码器中的…...

图图的嗨丝造相-Z-Image-Turbo教程:Xinference REST API对接Python脚本自动化生成流程

图图的嗨丝造相-Z-Image-Turbo教程:Xinference REST API对接Python脚本自动化生成流程 1. 引言:从手动点击到自动生成 如果你用过图图的嗨丝造相-Z-Image-Turbo这个模型,肯定体验过它的强大——输入一段描述,就能生成穿着大网渔…...

零基础部署MinerU 2.5-1.2B镜像:轻松实现PDF高质量结构化提取

零基础部署MinerU 2.5-1.2B镜像:轻松实现PDF高质量结构化提取 1. 引言 1.1 为什么需要PDF结构化提取 在日常工作和学习中,PDF文档是最常见的信息载体之一。然而,当我们需要从PDF中提取内容时,经常会遇到以下问题: …...

语音识别灰度发布:SenseVoice-Small ONNX模型A/B版本切换实践

语音识别灰度发布:SenseVoice-Small ONNX模型A/B版本切换实践 1. 项目背景与价值 在实际的语音识别服务部署中,我们经常需要更新模型版本以提升识别效果或修复问题。但直接全量切换新版本存在风险,可能导致服务不稳定或识别质量下降。灰度发…...

translategemma-27b-it惊艳效果:中文方言告示图→标准英文+语境适配翻译

translategemma-27b-it惊艳效果:中文方言告示图→标准英文语境适配翻译 你有没有遇到过这样的场景?在网上看到一张有趣的中文告示牌图片,上面可能还带着点方言口吻,你想分享给外国朋友,却不知道怎么翻译才能既准确又有…...

GPT-OSS-20B快速部署实战:从下载到对话的完整流程

GPT-OSS-20B快速部署实战:从下载到对话的完整流程 1. 引言:为什么选择GPT-OSS-20B? 在当今AI技术快速发展的时代,找到一个既强大又易于部署的开源大语言模型并非易事。GPT-OSS-20B作为OpenAI推出的重量级开放模型,凭…...

**发散创新:基于Python的卫星通信链路模拟与数据传输优化实践**在现代空间信

发散创新:基于Python的卫星通信链路模拟与数据传输优化实践 在现代空间信息网络中,卫星通信系统已成为实现全球覆盖、高可靠性和低延迟数据传输的关键基础设施。随着物联网(IoT)、遥感监测和应急通信等场景对实时性要求的提升&…...

零基础玩转Nunchaku FLUX.1:一键生成Ghibsky风格插画,效果惊艳

零基础玩转Nunchaku FLUX.1:一键生成Ghibsky风格插画,效果惊艳 你是不是也刷到过那些美得像梦一样的插画?那种线条温柔、色彩朦胧、仿佛带着童话滤镜的画面,一看就知道是Ghibsky风格。以前想做出这种效果,要么得苦练几…...

告别求人写春联:达摩院AI春联生成模型,小白也能轻松创作

告别求人写春联:达摩院AI春联生成模型,小白也能轻松创作 春节贴春联是中国传统文化中不可或缺的习俗,一副好春联不仅能增添节日气氛,还能表达对新年的美好祝愿。但对于大多数人来说,创作一副对仗工整、寓意美好的春联…...

SDMatte处理医学影像的潜力展示:辅助细胞与组织分割

SDMatte处理医学影像的潜力展示:辅助细胞与组织分割 1. 医学影像分析的新思路 显微镜下的细胞图片和医学扫描影像一直是生物医学研究的重要工具。传统的人工标注方法耗时耗力,而专业医学AI模型又往往需要大量标注数据和计算资源。最近我们发现&#xf…...

Nanbeige像素冒险聊天终端部署实战:5分钟拥有你的像素游戏AI助手

Nanbeige像素冒险聊天终端部署实战:5分钟拥有你的像素游戏AI助手 1. 引言:当AI对话遇上复古像素风 想象一下这样的场景:你打开一个聊天界面,映入眼帘的不是冷冰冰的现代极简设计,而是充满怀旧感的像素风格UI。湛蓝色…...

OWL ADVENTURE像素风AI助手快速上手:零代码部署多模态视觉模型

OWL ADVENTURE像素风AI助手快速上手:零代码部署多模态视觉模型 1. 认识你的像素AI伙伴 想象一下,当你上传一张照片后,一个活泼的像素风格猫头鹰向导会热情地向你打招呼:"旅行者,今天想探索什么有趣的画面呢&…...

Audio Pixel Studio开源实践:基于app.py二次开发添加情感标签合成功能

Audio Pixel Studio开源实践:基于app.py二次开发添加情感标签合成功能 1. 项目背景与核心价值 Audio Pixel Studio作为一款轻量级音频处理工具,已经为开发者提供了语音合成和人声分离两大核心功能。但在实际应用中,我们发现语音合成的情感表…...

Qwen3.5-9B可观测性:OpenTelemetry接入+请求链路追踪实践

Qwen3.5-9B可观测性:OpenTelemetry接入请求链路追踪实践 1. 项目概述 Qwen3.5-9B是一款拥有90亿参数的开源大语言模型,具备以下核心能力: 强逻辑推理:能够处理复杂的逻辑问题和推理任务代码生成:支持多种编程语言的…...

Omni-Vision Sanctuary赋能C++后端开发:高性能服务集成案例

Omni-Vision Sanctuary赋能C后端开发:高性能服务集成案例 1. 为什么选择C集成大模型能力 在游戏服务器、金融交易等对性能要求严苛的场景中,C始终是后端开发的首选语言。但当业务需要引入AI能力时,很多团队面临两难选择:要么牺牲…...

RWKV7-1.5B-g1a快速部署指南:免外网依赖、离线加载、GPU算力高效利用实操

RWKV7-1.5B-g1a快速部署指南:免外网依赖、离线加载、GPU算力高效利用实操 1. 模型简介 rwkv7-1.5B-g1a 是基于新一代 RWKV-7 架构的多语言文本生成模型,特别适合中文场景下的轻量级应用。这个1.5B参数的版本在保持较高生成质量的同时,对硬件…...

告别复杂配置!用Ollama快速部署Llama-3.2-3B文本生成服务

告别复杂配置!用Ollama快速部署Llama-3.2-3B文本生成服务 还在为部署大语言模型而头疼吗?环境配置、依赖冲突、显存不足……这些繁琐的步骤常常让开发者望而却步。今天,我要分享一个极其简单的方法,让你在几分钟内就能拥有一个功…...

报告管理化技术自动化报告与数据洞察

报告管理化技术:自动化报告与数据洞察的革新力量 在数据爆炸的时代,企业每天需要处理海量信息,传统的手工报告方式已无法满足高效决策的需求。报告管理化技术通过自动化报告与数据洞察,正在重塑企业的运营模式。它不仅大幅提升效…...

Ollama部署DeepSeek-R1:解决数学编程问题的智能助手

Ollama部署DeepSeek-R1:解决数学编程问题的智能助手 1. 引言:为什么你需要一个数学和编程助手 如果你经常需要解决数学问题、编写代码或者处理复杂的逻辑推理,可能会遇到这样的困扰:面对一个复杂的方程,需要反复推导…...

YOLOE镜像进阶:如何进行线性探测快速微调

YOLOE镜像进阶:如何进行线性探测快速微调 1. 线性探测技术概述 线性探测(Linear Probing)是迁移学习中的一种高效微调策略,特别适合在预训练模型基础上快速适配新任务。与全量微调不同,线性探测仅训练模型最后一层的…...

Redis 内存碎片率优化方案

Redis作为高性能内存数据库,内存利用率直接影响服务稳定性。随着数据频繁增删,内存碎片率上升可能导致明明有足够内存却无法分配,甚至触发OOM。本文将深入探讨Redis内存碎片率优化方案,帮助开发者提升资源利用率,降低运…...

Linux V4L2核心子系统

一、drivers/media/v4l2-core 目录文件分析drivers/media/v4l2-core/ │ ├── 1. 字符设备核心模块 │ └── v4l2-dev.c # V4L2字符设备驱动核心 │ ├── video_device 注册/注销 │ ├── 申请主设备号(81) │ ├── 创建/dev…...

Windows 11任务栏拖放功能恢复解决方案:智能修复工具让高效操作触手可及

Windows 11任务栏拖放功能恢复解决方案:智能修复工具让高效操作触手可及 【免费下载链接】Windows11DragAndDropToTaskbarFix "Windows 11 Drag & Drop to the Taskbar (Fix)" fixes the missing "Drag & Drop to the Taskbar" support…...

从Prompt工程到RAG再到Model Router:AI原生研发技术栈选型全链路拆解,拒绝“堆模型式开发”

第一章:AI原生软件研发技术选型决策树的演进逻辑与本质挑战 2026奇点智能技术大会(https://ml-summit.org) AI原生软件已突破传统“AI作为模块嵌入系统”的范式,转向以模型为一等公民、数据流驱动架构、推理即接口(Inference-as-Interface&a…...

炸锅!GPT-6 定档 4.14!性能狂涨 40%,OpenAI 发超级模型

文章目录 前言性能暴涨40%?这特么是开挂了吧!200万Token!能把《三体》全书塞进去!为了这颗"土豆",OpenAI连命都不要了它会变成一个"超级应用"?我的一些真实想法(有点慌&…...

WSABuilds深度解析:在Windows上构建完整Android生态系统的技术指南

WSABuilds深度解析:在Windows上构建完整Android生态系统的技术指南 【免费下载链接】WSABuilds Run Windows Subsystem For Android on your Windows 10 and Windows 11 PC using prebuilt binaries with Google Play Store (MindTheGapps) and/or Magisk or Kernel…...