Excellent 项目技术文档
1. 安装指南
1.1 使用 RubyGems 安装
要安装 Excellent 工具,只需使用 RubyGems 进行安装:
gem install excellent
1.2 配置文件
在项目根目录下创建一个 .excellent.yml 文件,用于配置需要运行的检查和阈值等。默认情况下,所有检查都是启用的,但你也可以通过配置文件禁用某些检查。例如:
AbcMetricMethodCheck: true
AssignmentInConditionalCheck: false
某些检查还可以接受配置,如阈值、模式等。你可以通过在 YAML 文件中定义嵌套的哈希来配置这些选项:
ClassLineCountCheck:
threshold: 500
MethodNameCheck:
pattern: '^[a-z].*'
1.3 忽略路径
你可以在项目根目录下创建一个 .excellentignore 文件,指定需要忽略的目录或文件。例如:
vendor
some/specific/file.rb
2. 项目的使用说明
2.1 基本用法
假设你有一个类定义如下:
class ShoppingBasket < ActiveRecord::Base
def initialize(items = [])
self.items = items
end
end
使用 Excellent 工具可以检测出代码中的问题:
$ excellent shopping_basket.rb
Excellent result:
test.rb
* Line 1: ShoppingBasket does not validate any attributes.
* Line 1: ShoppingBasket defines initialize method.
* Line 1: ShoppingBasket does not specify attr_accessible.
Found 3 warnings.
2.2 分析 Rails 应用中的所有模型
你可以在 Rails 应用的根目录下运行以下命令,分析所有模型:
excellent app/models
2.3 生成 HTML 报告
你可以通过指定 html:<filename> 来生成格式化的 HTML 报告:
excellent -o out.html app/models
2.4 在 Rake 任务中使用
你还可以在 Rake 任务中使用 Excellent:
require 'simplabs/excellent/rake'
Simplabs::Excellent::Rake::ExcellentTask.new(:excellent) do |t|
t.html = 'doc/excellent.html' # 可选,如果不指定 html,输出将写入 $stdout
t.paths = %w(app lib)
end
3. 项目API使用文档
3.1 获取启用的检查列表
你可以通过运行以下命令获取当前启用的检查及其配置:
excellent --checks
3.2 配置文件优先级
你可以在用户主目录下放置一个 .excellent.yml 文件,其中包含你希望始终应用的默认设置。项目特定的配置文件中的设置将覆盖这些默认设置。
4. 项目安装方式
4.1 通过 RubyGems 安装
最简单的安装方式是通过 RubyGems:
gem install excellent
4.2 配置文件
在项目根目录下创建 .excellent.yml 文件,配置需要运行的检查和阈值等。
4.3 忽略路径
在项目根目录下创建 .excellentignore 文件,指定需要忽略的目录或文件。
5. 静态代码分析
静态代码分析工具如 Excellent 无法真正理解代码,它们只是搜索可能指示问题的模式。因此,静态分析通常会返回一定数量的误报。不要试图编写代码以通过 Excellent 检查而不产生任何警告,这可能会使你的代码变得混乱。相反,使用 Excellent 作为帮助工具,尽早发现潜在的问题代码。
6. 作者
Excellent 由 simplabs GmbH 和贡献者开发,基于 MIT 许可证发布。该项目受到 roodi、reek 和 flog 的启发。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C097
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
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
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00