ZendSkeletonApplication 技术文档
1. 安装指南
使用 Composer 安装
ZendSkeletonApplication 项目推荐使用 Composer 进行安装。如果你还没有安装 Composer,请根据 Composer 文档 进行安装。
安装步骤如下:
$ composer create-project -sdev zendframework/skeleton-application path/to/install
安装完成后,你可以使用 PHP 内置的 Web 服务器立即测试项目:
$ cd path/to/install
$ php -S 0.0.0.0:8080 -t public
# 或者使用 Composer 别名:
$ composer run --timeout 0 serve
这将启动一个绑定到所有网络接口的 CLI 服务器,端口为 8080。你可以通过访问 http://localhost:8080/ 来查看 Zend Framework 的欢迎页面。
注意: 内置的 CLI 服务器仅用于开发环境。
开发模式
项目默认包含 zf-development-mode,并提供了三个别名来使用它:
$ composer development-enable  # 启用开发模式
$ composer development-disable # 禁用开发模式
$ composer development-status  # 检查开发模式是否启用
你可以在 config/development.config.php.dist 中提供仅用于开发的模块和引导配置,在 config/autoload/development.local.php.dist 中提供仅用于开发的应用配置。启用开发模式时,这些文件将被复制并去掉 .dist 后缀,禁用开发模式时,这些复制的文件将被删除。
开发模式在项目安装过程中会自动启用。如果你对上述 .dist 配置文件进行了更改,你需要禁用并重新启用开发模式,或者手动更新没有 .dist 后缀的文件。
使用 Vagrant
项目包含一个基于 Ubuntu 16.04 的 Vagrantfile,配置了 Apache2 和 PHP 7.0。你可以使用以下命令启动它:
$ vagrant up
启动后,你可以在虚拟机中运行 Composer。例如,以下命令将安装依赖项:
$ vagrant ssh -c 'composer install'
以下命令将更新依赖项:
$ vagrant ssh -c 'composer update'
Vagrant 将主机端口 8080 映射到虚拟机的端口 80,你可以通过访问 http://localhost:8080/ 来查看站点。
使用 docker-compose
项目提供了一个 docker-compose.yml 文件,用于与 docker-compose 一起使用。你可以使用以下命令构建并启动镜像:
$ docker-compose up -d --build
启动后,你可以通过访问 http://localhost:8080 来查看站点。
你也可以从镜像中运行 Composer。容器环境名为 "zf",因此你需要传递该值给 docker-compose run:
$ docker-compose run zf composer install
2. 项目的使用说明
运行单元测试
要运行项目提供的单元测试,你需要执行以下操作之一:
- 
在初始项目创建期间,选择安装 MVC 测试支持。
 - 
在初始项目创建后,安装 zend-test:
$ composer require --dev zendframework/zend-test 
安装测试支持后,你可以使用以下命令运行测试:
$ ./vendor/bin/phpunit
如果你需要为 PHPUnit 测试设置进行本地修改,请将 phpunit.xml.dist 复制到 phpunit.xml 并编辑新文件;后者在运行测试时具有优先级,并且被版本控制忽略。
3. 项目 API 使用文档
项目 API 的使用文档可以通过查看项目中的控制器和模块来获取。具体 API 的使用方法和参数说明可以在项目的代码注释中找到。
4. 项目安装方式
项目的安装方式主要有以下几种:
- 使用 Composer 安装:通过 Composer 创建一个新的 Zend Framework 项目。
 - 使用 Vagrant:通过 Vagrant 启动一个虚拟机环境进行开发。
 - 使用 docker-compose:通过 docker-compose 启动一个 Docker 容器进行开发。
 
每种安装方式的具体步骤已在“安装指南”部分详细说明。
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