Dex2jar 与 JD-GUI快速反编译Android apk文件

最早开发Android程序的时候,只能从Android官方网站,看其发布的document,那时国内还没有一本关于android开发的中文书籍,开发完成的app,Google Market也不支持中国大陆提交App。

自2010年开始,Google在Android方面,开始大刀阔斧的发展,国内的Android(安卓)开发开始升温,从业者众多,但是对于大部人而言,java基础、程序设计相当的薄弱。2011年,问鼎清云科技 为了考察应聘者的实际代码编写、设计能力,根据应聘者提供的线索,找到其在国内外market上发布的app,下载后,通过dex2jar 与 jd-gui,将apk文件反编译为.java源码,看一个人的编码功底,同时,可以问几个里面的几个写的精彩的代码片段,是不是TA写的,一问便知。

 

好了,废话有点多,接下来把工具的使用方法,进行梳理。

 

1. 下载工具

 dex2jar下载地址:http://code.google.com/p/dex2jar/downloads/list

 (备注:当时Google宣布退出大陆市场后,谷歌Google在兆维电信机房的服务器托管已终止,服务器都在中国香港和国外,加上经常受GFW的限制,现在无法打开网站,已很正常,假如无法打开可以多尝试几次)

 

 JD-GUI下载:

Size : 691.67 KB
MD5 checksum : 15b3bfb9283bcd3f5db551762f4debeb
Size : 973.8 KB
MD5 checksum : 64491556a81f65b8ad58ef44c5ec99c0
Size : 1.37 MB
MD5 checksum : eb33e74f724d3b0a89ca4002a408ab49

 

2. 通过dex2jar将apk转换为jar文件

 

  • 从apk中抽取classex.dex文件 

 虽说dex2jar可以直接从apk抽取出jar文件,但是会经常遇到一些问题,所以常用的方法是将.apk文件,重命名为.zip,解压缩后,找到classes.dex文件

 

  • 运行dex2jar生成.jar文件

 在Mac系统,打开终端,定位到dex2jar所在的目录,执行以下命令:

 ./dex2jar.sh absolute_path_classes.dex

 

 在win系统,打开命令行,定位到dex2jar所在的目录,执行以下命令:

 .\dex2jar.bat absolute_path_classes.dex

 

 生成文件:classes_dex2jar.jar

 

 

3. 通过jd-gui将jar文件反编译为java文件

 运行jd-gui,打开文件classes_dex2jar.jar,可以看到源码,同时,你还可以通过Save Source或Save All Source,将源码进行保存。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值