Expose.dev 快速入门:5步搭建你的第一个公开隧道
Expose.dev 是一个完全开源的隧道服务,使用纯 PHP 编写,能够将本地开发环境快速暴露到公网,方便进行远程测试和协作开发。本文将带你通过5个简单步骤,快速掌握这个强大的开发工具。
🚀 什么是 Expose 隧道服务?
Expose 是一个现代化的本地隧道解决方案,它通过在本地和远程服务器之间建立安全连接,让你能够轻松分享本地开发环境。无论是前端项目、API 接口还是 Webhook 测试,Expose 都能提供完美的支持。
作为开发者,我们经常需要:
- 在移动设备上测试响应式设计
- 与团队成员分享正在开发的功能
- 测试第三方服务的 Webhook 回调
- 在真实环境中验证 API 接口
📋 准备工作
在开始之前,请确保你的系统满足以下要求:
- PHP 7.4 或更高版本
- 稳定的网络连接
- 基本的命令行操作经验
🛠️ 5步快速搭建指南
第一步:安装 Expose 客户端
Expose 提供了多种安装方式,推荐使用 PHAR 归档文件:
# 下载最新版本的 Expose
wget -O expose https://gitcode.com/gh_mirrors/exp/expose/-/raw/main/builds/expose
# 添加执行权限
chmod +x expose
# 移动到系统路径
sudo mv expose /usr/local/bin/expose
或者通过 Composer 安装:
composer global require beyondcode/expose
第二步:获取认证令牌
安装完成后,你需要获取 Expose 认证令牌:
expose token
这将引导你完成认证流程,获取个人专属的访问令牌。
第三步:分享你的第一个站点
现在可以开始分享本地项目了!假设你有一个运行在 3000 端口的 React 应用:
expose share http://localhost:3000
Expose 会自动为你生成一个公开访问的 URL,格式如:your-site.us-1.sharedwithexpose.com
第四步:访问实时仪表板
启动分享后,Expose 会在端口 4040 上提供实时监控仪表板:
# 在浏览器中打开
open http://localhost:4040
在仪表板中,你可以:
- 实时查看所有传入的 HTTP 请求
- 分析请求和响应详情
- 重放请求进行调试
- 查看性能指标
第五步:高级功能探索
掌握了基础使用后,你可以进一步探索 Expose 的高级功能:
- 自定义子域名:为分享的站点设置易记的域名
- TCP 端口共享:分享数据库、Redis 等 TCP 服务
- 基础认证:为分享的站点添加访问控制
- 多站点管理:同时分享多个本地项目
💡 实用技巧与最佳实践
优化配置设置
通过编辑配置文件,你可以自定义 Expose 的行为:
# 查看当前配置
expose config:show
# 设置默认服务器
expose config:set-default-server
移动设备测试
Expose 会自动生成二维码,方便在移动设备上快速访问分享的站点。这对于测试响应式设计特别有用!
Webhook 调试
对于需要测试第三方服务 Webhook 的场景,Expose 的重放功能可以让你:
- 保存重要的测试请求
- 修改请求参数重新发送
- 避免重复触发真实业务逻辑
🔧 故障排除
如果遇到连接问题,可以尝试:
- 检查网络连接状态
- 验证认证令牌是否有效
- 尝试使用不同的子域名
- 查看 Expose 日志获取详细信息
🎯 总结
通过这5个简单的步骤,你已经成功掌握了 Expose.dev 的基本使用方法。这个强大的隧道服务能够显著提升你的开发效率和协作体验。
记住,Expose 不仅仅是一个简单的端口转发工具,它提供了完整的开发辅助功能,包括实时监控、请求重放和移动端优化等特性。
现在就开始使用 Expose,体验更高效的开发工作流程吧!✨
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00