博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
linux 配置nodejs
阅读量:3931 次
发布时间:2019-05-23

本文共 824 字,大约阅读时间需要 2 分钟。

1.下载所需版本

    官网地址:

       

 


 

2.选择自己所需的目录进行安装

      这边以opt为例     

                  

   (或者可以直接放在家目录下)


 

3.对压缩文件进行解压

  •           tar -xvf node-v8.11.3-linux-x64.tar.xz

                    


 

4.配置环境变量

 

  •   方法一:软连接

  1.          ln -s /(解压后目录)/bin/npm
  2.          ln -s /(解压后目录)/bin/node

     例如此处:ln -s /home/xpf/bin/node

                       ln -s /home/xpf/bin/npm

 

 (可以pwd查看路径)

                      

    

 

  • 方法二:配置环境变量(推荐)

  1.          sudo vim /etc/profile
  2.          按i进入编辑模式
  3.          在最下方添加以下三行代码:
export NODE_HOME=/(node 文件夹目录)   (修改为文件压缩后的目录)export PATH=$PATH:$NODE_HOME/binexport NODE_PATH=$NODE_HOME/lib/node_modules

        如:

             我自己的node压缩包解压后放在opt目录下:

            

             所以第一行的代码应该就是下面这样:

            

                 

     4.         按ESC  退出编辑模式

     5.         按      进入底行模式

     6.         wq         保存并退出

     7.         重启ubuntu


 

5.测试

  在任意目录

                      node --v

                      npm --version

出现版本号即完成安装

          

 



总结——步骤:

wget https://nodejs.org/dist/v6.11.4/node-v6.11.4-linux-x64.tar.xz

2. 解压安装包         tar -xvf node-v8.11.3-linux-x64.tar.xz

3.配置环境变量      ln -s /*******/bin/node    

                               ln -s /******/bin/npm                (*号是解压后的目录)

4.查看版本             node -v

 

 

 

       ---------------------------本文完---------------------------

你可能感兴趣的文章
机器学习 | 台大林轩田机器学习技法课程笔记3 --- Kernel Support Vector Machine
查看>>
机器学习 | 台大林轩田机器学习技法课程笔记7 --- Blending and Bagging
查看>>
学术英语 | (6) WordList6
查看>>
线性代数 | (5) 线性方程组
查看>>
学术英文 | (7) Unit3Words
查看>>
线性代数 | (6) 相似对角形
查看>>
学术英语 | (8) WordList7
查看>>
概率论与数理统计 | (1) 概率论初步Part One
查看>>
概率论与数理统计 | (2) 概率论初步Part Two
查看>>
概率论与数理统计 | (3) 随机变量
查看>>
学术英语 | (9) WordList8
查看>>
概率论与数理统计 | (4) 二元随机变量Part One
查看>>
学术英语 | (10) WordList9
查看>>
李航机器学习 | (2) 统计学习方法(第2版)笔记 --- 感知机
查看>>
动手学PyTorch | (33) 通过时间反向传播
查看>>
动手学PyTorch | (35) 长短期记忆(LSTM)
查看>>
动手学PyTorch | (37) 优化与深度学习
查看>>
动手学PyTorch | (39) 小批量随机梯度下降
查看>>
动手学PyTorch | (41) Adagrad算法
查看>>
动手学PyTorch | (44) Adam算法
查看>>