使用 Rust 实现连接远程 Linux 服务器、发送文件、执行命令

使用 Rust 实现连接远程 Linux 服务器、发送文件、执行命令

文章目录

  • 使用 Rust 实现连接远程 Linux 服务器、发送文件、执行命令
  • 一、Rust 概述
      • 使用场景
      • 优点
      • 缺点
  • 二、功能实现
    • 1、代码
    • 2、运行日志
    • 3、服务器文件

一、Rust 概述

Rust 已经听了无数遍,我很清楚它很强!但我也刚了解到它比较难学!那么加上 ChatGPT 呢?下面的代码就是在 ChatGPT 加持下写出来的,我只起到了辅助作用!只能说它们都很厉害!

Rust(又称为 Rust programming language)是一种系统编程语言,主要用于开发底层系统和应用程序,如操作系统、网络协议、编译器等。

使用场景

  • 系统编程:Rust 适用于编写操作系统、网络协议、驱动程序等底层系统程序。
  • 并行编程:Rust 的并发模型和内存管理机制使其成为并行编程的优秀选择。
  • 嵌入式系统:Rust 的性能和可靠性使其在嵌入式系统中得到广泛应用。
  • 安全性:Rust 提供了强大的安全功能,如内存安全、防止数据竞争等,使其成为编写安全关键应用程序的选择。优缺点:

优点

  • 内存安全:Rust 提供了内存安全保证,避免了常见的内存泄漏、越界访问等问题。
  • 高性能:Rust 的性能接近于 C++,使得其适用于对性能要求较高的场景。
  • 并行性:Rust 的并发编程能力强大,适合于开发多线程应用程序。
  • 可靠性:Rust 的错误处理机制和内存管理机制使得应用程序更加可靠。
  • 简洁性:Rust 的语法简洁明了,易于学习。

缺点

  • 学习曲线:Rust 的语法和概念较为新颖,对于熟悉其他编程语言的人来说,可能需要一些时间来适应。
  • 库生态系统:尽管 Rust 的标准库生态系统较为完善,但在某些特定领域的库可能还不够成熟。
  • 静态类型系统:虽然静态类型有助于增强代码的可维护性和可读性,但也可能会限制代码的灵活性。

二、功能实现

1、代码

#![allow(unused_assignments)] // 禁用未使用赋值的警告use std::io::{Read, Write};
use std::path::Path;
use ssh2::Session;const PROGRESS_UPDATE_INTERVAL: usize = 1024 * 1024; // 每传输 1MB 打印一次进度信息fn main() {// 连接远程服务器let tcp = std::net::TcpStream::connect("222.222.222.222:22").unwrap(); // 连接到远程服务器let mut sess = Session::new().unwrap(); // 创建一个新的会话sess.set_tcp_stream(tcp); // 设置会话的 TCP 流sess.handshake().unwrap(); // 进行握手sess.userauth_password("root", "222222222").unwrap(); // 使用用户名和密码进行身份验证// 执行远程命令let mut channel = sess.channel_session().unwrap(); // 创建一个新的会话通道channel.exec("pwd").unwrap(); // 执行命令let mut output = Vec::new(); // 创建一个空的字节向量channel.read_to_end(&mut output).unwrap(); // 读取命令输出println!("{}", String::from_utf8_lossy(&output)); // 打印命令输出// 传输文件let local_file_path = "C:\\Users\\Administrator\\Desktop\\app.jar"; // 本地文件路径let remote_file_path = "/home/zibo/app.jar"; // 远程文件路径let file_size = get_file_size(local_file_path); // 获取文件大小let mut channel = sess.scp_send(Path::new(remote_file_path), 0o644, file_size, None).unwrap(); // 创建一个新的 SCP 通道let mut file = std::fs::File::open(local_file_path).unwrap(); // 打开本地文件let mut buffer = Vec::new(); // 创建一个空的字节向量file.read_to_end(&mut buffer).unwrap(); // 读取文件内容let mut total_bytes_sent = 0; // 已发送的总字节数let mut total_mb = (file_size as f64) / (1024.0 * 1024.0); // 文件总大小(MB)total_mb = (total_mb * 100.0).round() / 100.0; // 保留2位小数let mut transferred_mb = 0.0; // 已传输的文件大小(MB)// 记录已发送文件的大小let mut bytes_sent = 0; // 已发送的字节数for (i, chunk) in buffer.chunks(PROGRESS_UPDATE_INTERVAL).enumerate() { // 循环发送文件内容// 循环发送,发完为止!while bytes_sent < chunk.len() {let result = channel.write(chunk).unwrap(); // 发送文件内容bytes_sent += result; // 更新已发送的字节数}total_bytes_sent += bytes_sent; // 更新已发送的总字节数bytes_sent = 0; // 重置已发送的字节数transferred_mb = (total_bytes_sent as f64) / (1024.0 * 1024.0); // 更新已传输的文件大小(MB)transferred_mb = (transferred_mb * 100.0).round() / 100.0; // 保留2位小数if (i + 1) * PROGRESS_UPDATE_INTERVAL <= buffer.len() { // 如果还有剩余的文件内容需要发送let progress = (total_bytes_sent as f64) / (file_size as f64) * 100.0; // 计算传输进度println!("进度: {:.2}% ({:.2} MB / {:.2} MB)", progress, transferred_mb, total_mb); // 打印传输进度信息} else { // 文件传输完毕println!("进度: 100% 文件传输完毕!");}}channel.send_eof().unwrap(); // 发送 EOF 标志
}// 获取文件大小
fn get_file_size(file_path: &str) -> u64 {std::fs::metadata(file_path) // 获取文件元数据.map(|metadata| metadata.len()) // 获取文件大小.unwrap_or(0) // 如果获取失败,则返回 0
}

2、运行日志

C:/Users/Administrator/.cargo/bin/cargo.exe run --color=always --package hello-rust --bin hello-rustFinished dev [unoptimized + debuginfo] target(s) in 0.03sRunning `target\debug\hello-rust.exe`
/root进度: 23.10% (1.03 MB / 4.46 MB)
进度: 46.20% (2.06 MB / 4.46 MB)
进度: 69.30% (3.09 MB / 4.46 MB)
进度: 92.40% (4.12 MB / 4.46 MB)
进度: 100% 文件传输完毕!Process finished with exit code 0

3、服务器文件

image-20230708204644799

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/14375.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

LVS-DR集群

目录 一、构建LVS-DR集群的步骤 实验环境准备&#xff1a; 1、配置负载调度器&#xff08;192.168.40.200&#xff09; 1.1 配置虚拟 IP 地址&#xff08;VIP&#xff1a;192.168.40.190&#xff09; 1.2 调整 proc 响应参数 1.3 配置负载分配策略 2. 部署共享存储&#xf…

Elasticsearch 基本使用(五)查询条件匹配方式(query query_string)

查询条件匹配方式 概述querytermtermsrangematch_allmatchmatch 匹配精度问题 match_phrasematch_pharse_prefixmatch_bool_prefixmulti_match query_string简单查询一个字段在多个字段上应用同一个条件 &#xff08;类似multi_match&#xff09;在所有字段上应用同一个条件 &a…

html掉落本地图片效果

实现一个加载本地图片并掉落的html页面。 说明 将DuanWu.html与zongzi_1.png, zongzi_2.png, zongzi_3.png, yadan.png4张图片放在同一个目录下&#xff0c;然后双击打开DuanWu.html即可。 使用Chrome或Microsoft Edge浏览器打开 若使用IE浏览器打开&#xff0c;下方会出现In…

什么是敏捷测试?

目录 前言&#xff1a; 敏捷测试的定义 敏捷测试的特点 为什么要敏捷测试 缩短价值交付周期 强调质量属于大家 化繁为简节省成本 敏捷测试VS. 传统测试 传统测试如何迁移到敏捷测试 1. 组织文化的转变 2. 组织架构的调整 3. 人员培训与指导 4. 轻流程 敏捷测试成…

一文了解潜力黑马Infiblue:借力Web3,释放元宇宙价值

2013 年&#xff0c;JDN Dionisio 曾发表了一篇名为《3D Virtual Worlds and the Metaverse: Current Status and Future Possibilities》的论文&#xff0c;深入探讨与归纳了虚拟世界的几个发展阶段&#xff0c;可以简单的归纳为&#xff1a; 第一阶段&#xff1a;基于计算机…

Blender基础入门(2):Blender简单渲染

文章目录 我个人的Blender专栏前言渲染基本常识科普Blender渲染设置Blender窗口分栏分屏渲染 渲染设置GPU渲染引擎推荐最大采样 切换摄像机渲染图片渲染采样512和4096差异512采样4096采样 渲染建议 我个人的Blender专栏 Blender简单教学 前言 渲染是从白模到成品的过程&…

CEC2018动态多目标优化算法:基于自适应启动策略的混合交叉动态约束多目标优化算法(MC-DCMOEA)求解CEC2018

一、动态多目标优化问题 1.1问题定义 1.2 动态支配关系定义 二、 基于自适应启动策略的混合交叉动态多目标优化算法 基于自适应启动策略的混合交叉动态多目标优化算法&#xff08;Mixture Crossover Dynamic Constrained Multi-objective Evolutionary Algorithm Based on Se…

药物 3D 打印新突破:圣地亚哥大学用机器学习筛选喷墨打印生物墨水,准确率高达 97.22%

内容一览&#xff1a;药物喷墨打印是一种高度灵活和智能化的制药方式。据相关报告统计&#xff0c;该领域市场规模将在不久的未来呈现指数级增长。过往&#xff0c;筛选合适生物墨水的方法费时且费力&#xff0c;因此也成为药物喷墨打印领域面临的主要挑战之一。为解决这一问题…

禅意工作-诗意生活

“禅意工作&#xff0c;诗意生活”能做到这两点&#xff0c;非常非常非常难。 AI的解释&#xff1a; “禅意工作&#xff0c;诗意生活”是一种追求内心平和与幸福的生活方式&#xff0c;它将工作与生活相结合&#xff0c;达到一种和谐的状态。以下是一些关于如何实现“禅意工…

雅思词汇怎样在短期内进行突破?

雅思的考试对词汇量的要求是比较高的&#xff0c;那么该怎样才能高效的积累呢&#xff1f;和小编一起来看看雅思词汇怎样在短期内进行突破&#xff1f; 词汇突破 1&#xff09;制定合理的计划&#xff0c;反复循环 背单词是一个非常繁重的任务&#xff0c;它需要大量的精力。…

协同过滤 springboot+vue基于java的个性化图书推荐系统_1k4p4

在飞速发展的信息时代&#xff0c;随着网络学习的的普及&#xff0c;大量的学习平台和大量的图书数量迅速膨胀&#xff0c;使得学生在进行网络学习时面临“数据爆炸”和“数据过载”的情况&#xff0c;无法寻找到适合自己的图书。在面对着越来越多的图书资源&#xff0c;如何快…

AI很渴:chatGPT交流一次=喝掉一瓶水,GPT3训练=填满核反应堆

流行的大型语言模型&#xff08;LLM&#xff09;&#xff0c;如OpenAI的ChatGPT和Google的Bard&#xff0c;耗能巨大&#xff0c;需要庞大的服务器农场提供足够的数据来训练这些强大的程序。对这些数据中心进行冷却也使得AI聊天机器人对水的需求量极大。新的研究表明&#xff0…