首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【腾讯云的1001种玩法】专为新手小白写的服务器环境配置网站教程

【腾讯云的1001种玩法】专为新手小白写的服务器环境配置网站教程

原创
作者头像
网站运营忧哥
修改于 2017-06-19 11:08:40
修改于 2017-06-19 11:08:40
13.6K0
举报
文章被收录于专栏:徐磊的专栏徐磊的专栏

作者是一位长期服务中小型网站的SEO顾问老师,平时教学过程中经常会遇到大量的服务器及建站问题。其中大多数都是服务器搭建和环境配置上面的问题。

  • 比方说:(购买了腾讯云服务器)怎么安装个网站呢?
  • 老师我安装个 wordpress 博客怎么连接FTP呢?

  • 我要怎么打开我的服务器呢?等等一系列的 “小白” 问题。大多数技术论坛貌似只提供“高逼格”的技术教程,小白问题难度就可以忽略了吗?(为小白新手用户打到不平)
    好了,下面开始进入干货教学阶段。1,啥是服务器,跟虚拟主机区别?举个简单的例子:你去住酒店旅馆,开完房间就直接入住就行了,什么都已经准备好了。(好比虚拟主机,数据库、FTP、空间、帐号密码)都不需要你自己配置,已经是配置了好的。你自己买的新房子,光光的什么也没有,什么家当都需要自己布置。(服务器就是一台新电脑,啥软件工具也没有安装)就需要自己来安装配置啦。网站需要远程 FTP,就得配置 FTP 连接服务。配置数据库系统,配置 PHP 环境,配置 APS环境,配置域名、配置站点等等,这一系列都需要亲手去配置了。
    (当然,也可以花点RMB请高手们代自己配置,腾讯云市场里面找这方面的技术高手。)2,自己动手,丰衣足食当然,学会自己动手学习安装更好,不仅自我成长,还能掌握点本事,也是好事。怎么安装呢,作者如果详细教的话,估计没几十篇文章根本解释不清楚,新手站长建议直接使用“一键安装包”,也叫“傻瓜安装”,这叫法不太好听,就叫“智能环境安装包”吧。网上有大量的安装环境包,就是一个安装文件,一路回车就安装了所有建站必备的配置。 这里列举几个免费的环境包,也是作者经常使用的。
  • phpsudy环境包

  • UPUPW绿色套件
  • APMSER工具

  • WampServer

还有更多......自行百度。

3,实操安装环境配置

我们以 UPUPW 绿色套件,为例子,教各位新手一步步安装吧。免费且简单,记得给个赞啊!

首先去官方下载,就是这个地址http://www.upupw.net/

选择一个版本的包下载。

作者以 Apache 版 PHP5.4 系列环境包为示例。功能说明自己看下就行下。

UPUPW APACHE 版 PHP5.4 系列采用 Apache+PHP+MariaDB 的架构搭建, MariaDB 和 MySQL 完全兼容使用方法一致省内存性能佳。

在服务器打开,直接下载后解压缩即可。(注意,服务器要安装好 解压缩软件哦,可以百度 RAR下载。)

一句话概括:下载 UPUPW APACHE 版 -解压upupw 文件夹到不含中文和空格的任意盘符目录下 - 安装运行库 - 打开UPUPW面板输入s1启动全部服务 - 把网站程序拷贝到htdocs默认网站目录-浏览器输入127.0.0.1即可运行网站。

4,安装详细流程

1、打开UPUPW APACHE 版下载页找到适合自己的 PHP 系列下载最新版到本地硬盘。

2、把压缩包内 UPUPW 文件夹解压到不含中文和空格的任意盘符路径下, upupw 文件夹可重命名,名称不能包含中文和空格。

3、apache、php等需要安装适合自己编译版本的运行库才能运行,无法确定本机运行库都齐全的情况下建议程序目录“先装运行库再开启”文件夹里的 VC 库全部安装或修复安装下,另外进程守护程序需要安装.NET2.0或3.5后才能启动。

4、进入 UPUPW 程序目录,双击 UPUPW 图标打开 UPUPW APACHE 版服务器绿色平台控制面板,输入小写的s1按回车键启动全部服务,此处可根据需求单独启动某项服务。

5、打开环境所在电脑的浏览器,在地址栏输入 127.0.0. 1或 localhost 即可看到 UPUPW PHP 探针页面,此时可拷贝网站程序到 htdocs 默认网站目录并刷新浏览器开始运行自己的网站。

备注:有关数据库的用户名和密码等信息请查看程序目录密码相关.txt

直接上图:这是主界面,不用代码小白都能看懂吧。

添加虚拟主机

打开 UPUPW 控制面板选择1-添加虚拟主机 进入如下画面:

在新增主机名这里填写upupw.net按回车确认。

添加主机主域名、别名、泛域名

填写主机别名 www.upupw.net (没有其它域名要绑定可以不填)

这里可以填写预先解析到此服务器IP的所有域名,中间用空格隔开

特别注意:如果此处添加的是*.test.com形式的泛域名解析并且这个域名下还建有a.test.com的二级域名的虚拟主机,那么请一定把泛域名解析的虚拟主机添加到最后面,否则这个域名绑定的其它虚拟主机将无法绑定到对应的主机目录上,因为此处是按虚拟主机的先后顺序进行解析的。

绑定虚拟主机目录

填写网站目录:E:\web\forum

这里需要填写绝对路径,如果不填则默认建立在UPUPW文件夹下的vhosts\upupw.net目录下

当然网站目录也可以建立在其它磁盘的任何目录如F:\abc\bbb目录下均可。

虚拟主机添加完毕

回车确认后将出现如上画面,到这一步您的upupw.net虚拟主机已经成功建立了,按任意键即可返回现有主机列表,将看到新增加的虚拟主机。

虚拟主机添加目录列表

如果您此时已经S1键开启了全部服务那么在虚拟主机完成的同时会自动打开当前虚拟主机页面,可看到UPUPW PHP探针的默认页面。

到这一步便可在新建的虚拟主机目录开始部署您的网站了!

如果你域名直接绑定自己的域名,比如博客www.ainiseo.com ,没有域名的可以使用 127.0.0.1 本地打开测试。(只能服务器本地打开,别人无法访问)

行了,更多就不说了,打字真累,自己尝试安装吧,如果遇到问题可以联系我哦。下期再见。

相关推荐

【腾讯云的1001种玩法】一个小白的自学建站史(菜鸟建站入门)

【腾讯云的1001种玩法】新手教程:腾讯云CentOS7安装LNMP+wordpress

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
数据科学基础(六) 参数估计
📚 文档目录 随机事件及其概率 随机变量及其分布 期望和方差 大数定律与中心极限定理 数理统计的基本概念 参数估计 假设检验 多维 回归分析和方差分析 降维 6.1. 参数的点估计 总体分布 X 的分布形式已知,未知的只是分布中的参数,要估计的只是参数或者参数的某一函数. 6.1.1. 矩估计法 公式 样本矩 总体矩 注意: 样本阶中的计算都是 n 而不会用到样本方差 S^2 6.1.2. 极大似然估计 估计参数值,使得出现
Rikka
2022/01/19
8220
数据科学基础(六) 参数估计
概率论基础 - 9 - 中心极限定理
中心极限定理(Central Limit Theorem,CTL),是指概率论中讨论随机变量序列部分和分布渐近于正态分布的一类定理。。 概述 定理是数理统计学和误差分析的理论基础,指出了大量随机变量近似服从正态分布的条件。它是概率论中最重要的一类定理,有广泛的实际应用背景。在自然界与生产中,一些现象受到许多相互独立的随机因素的影响,如果每个因素所产生的影响都很微小时,总的影响可以看作是服从正态分布的。中心极限定理就是从数学上证明了这一现象。 ——百度百科 中心极限定理(CLT)指出,如果样
为为为什么
2022/08/05
5.7K0
概率论基础 - 9 - 中心极限定理
概率论基础 - 12 - 拉普拉斯分布(Laplace分布)
标准拉普拉斯分布的0.99分位点是3.91,而标准正态分布是2.32,这说明,服从拉普拉斯分布的随机变量,出现极端大的值的概率,要远远大于正态分布。
为为为什么
2022/08/05
5.8K0
概率论基础 - 12 - 拉普拉斯分布(Laplace分布)
马氏距离 (马哈拉诺比斯距离) (Mahalanobis distance)
马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的,表示点与一个分布之间的距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是,它考虑到各种特性之间的联系,本文介绍马氏距离相关内容。 欧氏距离的缺点 距离度量在各个学科中有着广泛用途,当数据表示为向量\overrightarrow{\mathbf{x} }=\left(x_{1}, x_{2}, \cdots, x_{n}\right)^{T}和\overr
为为为什么
2022/08/05
2.3K0
马氏距离 (马哈拉诺比斯距离) (Mahalanobis distance)
矩 / Hu 矩
在数学和统计学中,矩(moment)是对变量分布和形态特点的一组度量。n阶矩被定义为一变量的n次方与其概率密度函数(Probability Density Function, PDF)之积的积分。在文献中n阶矩通常用符号μn表示,直接使用变量计算的矩被称为原始矩(raw moment),移除均值后计算的矩被称为中心矩(central moment)。变量的一阶原始矩等价于数学期望(expectation)、二至四阶中心矩被定义为方差(variance)、偏度(skewness)和峰度(kurtosis)。
为为为什么
2022/08/09
1.9K0
矩 / Hu 矩
极大似然估计(MLE)和最大后验概率估计(MAP)
极大似然估计是建立在极大似然原理的基础上的一个统计方法,是概率论在统计学中的应用。极大似然估计提供了一种给定观察数据来评估模型参数的方法,即:“模型已定,参数未知”。通过若干次试验,观察其结果,利用试验结果得到某个参数值能够使样本出现的概率为最大,则称为极大似然估计。
为为为什么
2022/08/05
1.1K0
极大似然估计(MLE)和最大后验概率估计(MAP)
【概率论与数理统计(研究生课程)】知识点总结11(多元统计分析基本概念)
设X=(X_1, X_2,\cdots,X_p)^\top有p个分量,若E(X_i)=\mu_i(i=1,2,\cdots,p)存在,定义随机向量X的均值为: 式中,\vec{\mu}为一个p
Marigold
2023/08/23
3990
概率论基础 - 7 - 特征函数
特征函数是随机变量的分布的不同表示形式。 概述 一般而言,对于随机变量X的分布,大家习惯用概率密度函数来描述,虽然概率密度函数理解起来很直观,但是确实随机变量的分布还有另外的描述方式,比如特征函数。 特征函数的本质是概率密度函数的泰勒展开 每一个级数表示原始概率密度函数的一个特征 如果两个分布的所有特征都相同,那我们就认为这是两个相同的分布 矩是描述概率分布的重要特征,期望、方差等概念都是矩的特殊形态 直觉上可以简单理解为: 各阶矩相等 → 各个特征相等 → 分布相
为为为什么
2022/08/05
4.2K0
概率论基础 - 7 - 特征函数
概率论基础 - 17 - 卡方分布
卡方分布(英语:chi-square distribution, χ²-distribution,或写作χ²分布)是概率论与统计学中常用的一种概率分布。k个独立的标准正态分布变量的平方和服从自由度为k的卡方分布。卡方分布是一种特殊的伽玛分布,是统计推断中应用最为广泛的概率分布之一,例如假设检验和置信区间的计算。
为为为什么
2023/11/04
2.1K0
概率论基础 - 17 - 卡方分布
概率论基础 - 1 - 基础概念
本系列记录概率论基础知识,本文介绍最基本的概率论概念。 概率与分布 条件概率与独立事件 条件概率 已知A事件发生的条件下B发生的概率,记作P(B \mid A) ,它等于事件AB的概率相对于事件A的概率,即: P(B \mid A)=\frac{P(A B)}{P(A)} 其中 {P(A)} > 0 条件概率分布的链式法则 对于n个随机变量{X_{1}, X_{2}, \cdots, X_{n}} ,有: P\left(X_{1}, X_{2}, \cdots, X_{n}\right)=P\left
为为为什么
2022/08/05
5930
概率论基础 - 1 - 基础概念
[机器学习|理论&实践] 机器学习中的数学基础
机器学习作为一门复杂而强大的技术,其核心在于对数据的理解、建模和预测。理解机器学习的数学基础对于深入掌握其原理和应用至关重要。本文将深入介绍机器学习中的数学基础,包括概率统计、线性代数、微积分等内容,并结合实例演示,使读者更好地理解这些概念的实际应用。
二一年冬末
2023/12/13
5840
Deep Learning Chapter01:机器学习中概率论
好久不见,大家好,我是北山啦。机器学习当中需要用到许多的数学知识,如今博主又要继续踏上深度学习的路程,所以现在在网上总结了相关的考研数学和机器学习中常见相关知识如下,希望对大家有所帮助。
北山啦
2022/10/31
4100
Deep Learning Chapter01:机器学习中概率论
概率论基础 - 8 - 大数定理
概率论历史上第一个极限定理属于伯努利,后人称之为“大数定律”。概率论中讨论随机变量序列的算术平均值向随机变量各数学期望的算术平均值收敛的定律。 依概率收敛 定义 有 : \lim _{n \rightarrow \infty} P\left\{\left|Y_{n}-a\right| \leq \varepsilon\right\}=1 ​ 则称序列依概率收敛于a,记作: Y_{n} \stackrel{P}{\rightarrow} a 含义 收敛:表明这是一个随机变量序列,而不
为为为什么
2022/08/05
1K0
概率论基础 - 8 - 大数定理
统计力学中的概率论基础(一)
统计力学是一门通过粒子的纯粹微观量来表示系统宏观量的学科,从统计分布出发,用无偏/有偏估计来研究各种不同的系综。本文内容部分参考自郑伟谋老师所著《统计力学导引》,主要介绍其中概率论基础的部分。但因为大多是个人的理解,如有差错,与参考文献作者无关。
DechinPhy
2024/05/15
1710
正交-不相关-独立
本文介绍随机变量中正交、不相关、独立的区别和联系。 概述 三者均是描述随机变量之间关系的概念,看似都可以表示两个随机变量的疏远关系,但定义和约束均有不同。 考察m维随机变量X,Y之间的关系。 定义 正交 定义R(X, Y) = E[XY]为相关函数:若R(X, Y)=0,称X,Y正交 不相关 定义 E[XY] = E[X]E[Y],则X,Y不相关 X,Y的协方差: Cov(X,Y)=E[XY]- E[X]E[Y] 不相关也可以用协方差为0表示 X,Y的相关系数: r(X, Y)
为为为什么
2022/08/05
2.1K0
正交-不相关-独立
正态分布与中心极限定理
也就是说,正态分布一种分布形式,它实际上有很多表示形式,最常见的有概率密度函数,累计分布函数等等来表示。
attack
2018/09/17
1.7K0
概率论11 协方差与相关系数
前面介绍的分布描述量,比如期望和方差,都是基于单一随机变量的。现在考虑多个随机变量的情况。我们使用联合分布来表示定义在同一个样本空间的多个随机变量的概率分布。 联合分布中包含了相当丰富的信息。比如从联合分布中抽取某个随机变量的边缘分布,即获得该随机变量的分布,并可以据此,获得该随机变量的期望和方差。这样做是将视线限制在单一的一个随机变量上,我们损失了联合分布中包含的其他有用信息,比如不同随机变量之间的互动关系。为了了解不同随机变量之间的关系,需要求助其它的一些描述量。 协方差 协方差(covariance)
Vamei
2018/01/18
7120
概率论11 协方差与相关系数
深度学习-数学基础
目前主要有两种度量模型深度的方式。第一种方式是基于评估架构所需执行的顺序指令的数目。假设我们将模型表示为给定输入后,计算对应输出的流程图,则可以将这张流程图中的最长路径视为模型的深度。另一种是在深度概率模型中使用的方法,它不是将计算图的深度视为模型深度,而是将描述概念彼此如何关联的图的深度视为模型深度。在这种情况下,计算每个概念表示的计算流程图的深度可能比概念本身的图更深。这是因为系统对较简单概念的理解在给出更复杂概念的信息后可以进一步精细化
范中豪
2019/09/10
8870
深度学习-数学基础
CIKM'21「品趣」序列推荐DT4SR:将序列建模为不确定性分布
本文主要针对序列推荐,在序列推荐中,用户的偏好的动态变化的,并且序列中的商品转换模式是不断波动的并且具有一定的随机性在里面,因此在序列表征中存在一些不确定性。作者对基于Transformer的序列推荐方法进行改进,提出了基于分布的Transformer,DT4SR。
秋枫学习笔记
2022/09/19
4570
行为感知Transformer:用于多行为序列推荐的
本文主要针对序列推荐中的多行为序列推荐,即行为序列中包含不同的行为类型,比如点击,加购,购买等。为了捕获用户的个性化行为模式和行为间的复杂协作关系,作者提出PBAT方法:
秋枫学习笔记
2024/02/27
7520
行为感知Transformer:用于多行为序列推荐的
推荐阅读
相关推荐
数据科学基础(六) 参数估计
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档