Lighthouse CI 使用指南
1. 项目介绍
Lighthouse CI 是一个由 Google Chrome 团队开发的工具集,旨在简化在持续集成(CI)过程中使用 Lighthouse 的流程。Lighthouse 是一个开源的自动化工具,用于提高网页质量,它提供了多种网页性能指标,包括性能、可访问性、最佳实践、SEO 和 PWA(渐进式 Web 应用)。
Lighthouse CI 的主要功能包括:
- 在每次提交时自动运行 Lighthouse。
 - 防止性能和可访问性等方面的回归。
 - 跟踪性能指标和 Lighthouse 评分随时间的变化。
 - 设置和维护脚本和图像的性能预算。
 - 多次运行 Lighthouse 以减少结果的方差。
 - 比较两个版本的网站,找出资源改进和回归。
 
2. 项目快速启动
2.1 安装 Lighthouse CI CLI
首先,你需要全局安装 Lighthouse CI 命令行工具:
npm install -g @lhci/cli
2.2 配置 lighthouserc.js
在你的项目根目录下创建一个 lighthouserc.js 文件,并添加以下基本配置:
module.exports = {
  ci: {
    collect: {
      staticDistDir: './public', // 如果你的站点是静态的
      // startServerCommand: 'npm start', // 如果你的站点需要启动服务器
      url: ['http://localhost:8080'], // 需要测试的 URL
    },
    upload: {
      target: 'temporary-public-storage', // 将报告上传到临时公共存储
    },
  },
};
2.3 运行 Lighthouse CI
在你的终端中运行以下命令来启动 Lighthouse CI:
lhci autorun
2.4 配置 GitHub Actions
在你的项目根目录下创建 .github/workflows/lighthouse-ci.yml 文件,并添加以下内容:
name: CI
on: [push]
jobs:
  lighthouseci:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      - uses: actions/setup-node@v3
        with:
          node-version: 18
      - run: npm install && npm install -g @lhci/cli@0.14.x
      - run: npm run build
      - run: lhci autorun
3. 应用案例和最佳实践
3.1 防止性能回归
通过在 CI 流程中集成 Lighthouse CI,你可以在每次代码提交时自动运行 Lighthouse,并生成性能报告。如果某个提交导致性能下降,CI 流程将会失败,从而防止性能回归。
3.2 设置性能预算
Lighthouse CI 允许你设置性能预算,例如限制 JavaScript 和 CSS 文件的大小。如果某个提交超出了预算,CI 流程将会失败,从而确保你的项目始终保持在性能预算之内。
3.3 跟踪性能指标
通过 Lighthouse CI 服务器,你可以跟踪性能指标和 Lighthouse 评分随时间的变化。这有助于你了解项目的性能趋势,并及时发现性能问题。
4. 典型生态项目
4.1 Lighthouse CI GitHub Action
这是一个由社区维护的 GitHub Action,可以自动在每次 PR 时运行 Lighthouse CI,无需任何基础设施。
4.2 Lighthouse CI Starter Example
这是一个最小化的示例项目,你可以将其用作模板来开始使用 Lighthouse CI。它提供了一个使用 create-react-app 的初学者友好指南。
4.3 社区指南
社区中有许多关于如何使用 Lighthouse CI 的博客文章、教程和指南。例如:
- Integrate Lighthouse CI for static website generator - 介绍如何将 Lighthouse CI 与静态网站生成器(如 Gatsby、Jekyll 等)集成。
 - Automating Google Lighthouse audits and uploading results to Azure - 介绍如何配置 Lighthouse CI 以在本地和 Azure 中运行,并将结果上传到 Lighthouse CI 服务器。
 
通过这些资源,你可以更深入地了解如何使用 Lighthouse CI 来提升你的项目性能。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
 
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
 
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00