Restler 项目技术文档
1. 安装指南
1.1 安装 Composer
Restler 使用 Composer 来管理依赖。首先,下载 composer.phar 文件。你可以将其放在项目文件夹中,或者理想情况下放在 usr/local/bin 中,以便全局使用。如果你使用的是 Windows 系统,可以使用 Composer 的 Windows 安装程序。
1.2 安装 Restler
选项 1:使用 Composer 创建项目
你可以通过在终端中运行以下命令来安装 Restler。将 {projectName} 替换为你的实际项目名称。这将创建一个以该名称命名的文件夹并安装 Restler。
php composer.phar create-project luracast/restler {projectName}
注意:
- 如果你不想安装额外的格式和 BDD 工具,可以在命令中添加
--no-dev以排除开发包。 - 如果你想尝试最新的 v3 分支或任何功能分支,可以在命令中添加
3.x-dev或dev-features/html。
选项 2:从 GitHub 下载
安装 Composer 后,下载 Restler 框架的最新版本并将其内容解压到服务器上的一个目录中。然后,在 Restler 项目的根目录中运行 php composer.phar install(或 composer install)命令以安装所有框架依赖项。此过程需要服务器上安装 Git 才能成功完成安装。
如果你想更新 Restler 框架,可以运行 php composer.phar update 命令。
注意: 如果你无法在服务器上安装 Composer 和 Git,可以在开发机器上安装并运行它们。然后将生成的文件和文件夹上传并在服务器上使用。
1.3 配置
理想情况下,应将 public 文件夹映射为 Web 根目录。这是可选的,但建议避免暴露不必要的文件和文件夹。
1.4 测试
在本地主机上尝试实时示例。你可以使用 composer serve 命令启动 PHP 内置服务器。
1.5 运行测试
更新 behat.yml 中指定的 base_url,然后尝试以下命令:
vendor/bin/behat
或者你可以运行 composer test。
2. 项目使用说明
2.1 快速开始指南
我们有两个选项来创建你自己的 Restler API 服务器:
-
使用应用程序模板:最方便的选项是使用应用程序模板,如 Restler Application,它集成了许多包来帮助我们处理业务逻辑。如果你选择此选项,请选择该仓库中的一个分支并按照那里的说明进行操作。
-
从头开始创建项目:如果你选择此选项,可以完全控制应用程序的每个方面。请按照以下步骤操作:
- 创建一个文件夹来保存你的项目并在终端中打开它。
- 运行
composer init并按照提示创建composer.json。 - 当询问依赖项时,输入
restler/framework和^5作为版本约束。 - 或者,你可以先创建
composer.json,然后运行composer require restler/framework:^5。
注意: 我们使用 restler/framework 而不是 luracast/restler 来减少包所需的存储空间。它来自 Restler-Framework,只包含 src 文件夹的内容。
2.2 编写 API
创建你的 API 类,包含所有需要的公共和受保护方法。
2.3 打开网关
创建 网关(public/index.php),如下所示:
<?php
require_once __DIR__.'/../vendor/autoload.php';
use Luracast\Restler\Restler;
$r = new Restler();
$r->addAPIClass('YourApiClassNameHere'); // 可以重复添加更多
$r->handle(); // 提供响应
2.4 美化 URL
启用 URL 重写
确保所有请求都指向 index.php,通过启用网站的 URL 重写功能。
例如:
如果你使用的是 Apache,可以使用如下 .htaccess 文件:
DirectoryIndex index.php
<IfModule mod_rewrite.c>
RewriteEngine On
RewriteRule ^$ index.php [QSA,L]
RewriteCond %{REQUEST_FILENAME} !-f
RewriteCond %{REQUEST_FILENAME} !-d
RewriteRule ^(.*)$ index.php [QSA,L]
</IfModule>
<IfModule mod_php5.c>
php_flag display_errors On
</IfModule>
注意: 这需要将 AllowOverride 设置为 All 而不是 None,并且可能需要在某些服务器配置上进行一些调整。
如果你使用的是 Nginx,请确保设置 server_name 并将 PHP 脚本传递给监听 127.0.0.1:9000 的 fastcgi(PHP-FPM)。
server {
listen 80;
server_name api.luracast.com; // 根据你的服务器名称进行更改
location ~ \.php$ {
root /var/www/html;
fastcgi_pass 127.0.0.1:9000;
fastcgi_index index.php;
fastcgi_param SCRIPT_FILENAME /var/www/html/$fastcgi_script_name;
include fastcgi_params;
}
}
注意: 这需要正确安装 PHP 和 PHP-FPM。
3. 项目 API 使用文档
3.1 支持的 HTTP 请求方法
Restler 支持以下 HTTP 请求方法:
- HEAD
- GET
- POST
- PUT
- DELETE
- OPTIONS
- PATCH
这些方法可以通过请求头或请求参数(method)来使用。
3.2 内容格式转换
Restler 支持双向格式(媒体类型)转换,包括发送和接收:
- JSON
- XML
- Yaml
- Amf
- Plist(XML 和二进制)
3.3 认证方案
Restler 支持可插拔的认证方案,包括 OAuth 2 服务器。
3.4 过滤器
Restler 支持可插拔的过滤器,用于有效管理 API 使用,例如 API 速率限制过滤器。
3.5 路由
Restler 支持手动路由(注解)和自动路由(反射):
- 手动路由:使用
@url GET my/custom/url/{param}PHPDoc 注释 - 自动路由:URL 到方法的映射
3.6 缓存
Restler 内置缓存支持,包括客户端缓存和代理缓存。
3.7 API 版本控制
Restler 支持通过 URL 和供应商特定的 MIME 进行 API 版本控制。
3.8 API 文档和发现
Restler 支持使用 Restler API Explorer 进行 API 文档和发现。
4. 项目安装方式
Restler 可以通过以下两种方式安装:
- 使用 Composer 创建项目:通过
composer create-project命令安装。 - 从 GitHub 下载:手动下载并安装依赖。
安装完成后,配置并启动项目,即可开始使用 Restler 构建 RESTful API。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00