百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

Linux|退出终端后让程序后台运行,记得最后exit

ztj100 2025-05-02 14:51 18 浏览 0 评论

终端退出后如何让程序在后台运行

nohup `command` &

比如我的rails服务在退出终端之后也能跑在后台,可以这样来写

nohup `rails s -b 0.0.0.0` &

或者将rails s -b 0.0.0.0写到b.bat文件添加可执行权限后,这样:

注意:&之前有空格

如果只是临时想跑在后台,那就不需要nohup,只需要在程序最后加上&,比如:

make &

但关闭终端后,make也就一并终止、关闭了,若此时还想让程序在后台跑,真正在服务器中运行就需要在前面加上nohup, 此办法适合所有程序。

屏幕会提示:

nohup: ignoring input and appending output to 'nohup.out'

证明运行成功,nohup会把程序运行的输出信息放到当前目录的 nohup.out 文件中去,在开发时很有用,可以在程序出现异常时查看nohup.out来分析。

一定要使用Exit退出终端

出现nohup提示之后需要按回车再次进入命令行,输入命令 exit 退出终端,然后再关闭终端

如果此时直接关闭终端的话,会断掉该命令所对应的session,导致nohup对应的进程被通知需要一起shutdown,起不到关掉终端后调用程序继续后台运行的作用。看下图,我使用git bash连接服务器后直接关闭窗口的时候会提示:

很多人刚学习使用nohup的一个误区,就是直接关闭终端窗口,但这里有个坑。nohup的后台程序有时候还能跑一会儿,就以为没问题了,其实这个后台程序已经在关闭队列中了,只是有时候没有立刻关闭。

Linux中进程概念

找了下关于进程的一些知识:

在Linux中,每个进程都属于一个进程组(group),进程组有一个组长;多个进程组构成一个会话,会话是由其中的进程建立的,该进程叫做会话的领导进程(session leader)。会话领导进程的PID成为识别会话的SID(session ID)。会话中的每个进程组成为一个工作(job)。会话可以有一个进程组成为会话的前台工作(foreground job),而其他的进程组是后台工作(background job)。并不是进程组中的每个进程都是job中的内容,job是由session进程直接的“儿子”组成的,但是当job中的进程又产生子进程的时候,子进程便不是job中的内容。

每个会话可以连接一个控制终端(control terminal)。当控制终端有输入输出时,都传递给该会话的前台进程组。当前台进程组或者说job中的最后一个进程结束后,后台的session控制进程自动切换至前端,由终端产生的信号,比如CTRL+Z, CTRL+\,会传递到前台进程组。

会话主要是针对一个终端建立,当我们打开多个终端窗口时,实际上就创建了多个终端会话。每个会话都会有自己的前台工作和后台工作。这样,我们就为进程增加了管理和运行的层次。

我自己的理解应该是这个nohup的程序是与终端绑定在一起的,强制关闭会把后台程序一并关掉。而exit命令则会关闭掉终端,判断这个nohup是挂起,就不管了,这样就实现了后台程序继续运行的效果。观众哪位有更懂的,欢迎指导一二。

关注@爱玩的安哥,获取更多有用知识!

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: