Codeception代码覆盖率配置在PHPUnit 11中的变化与解决方案
随着PHPUnit 11的发布,Codeception的代码覆盖率配置方式发生了一些重要变化,特别是关于文件排除(exclude)功能的调整。本文将详细介绍这些变化及其解决方案。
背景与问题
在PHPUnit 11之前,开发者可以通过配置中的exclude选项来排除特定目录或文件不参与代码覆盖率统计。例如,常见的配置是排除vendor目录:
coverage:
enabled: true
exclude:
- vendor/*
然而,在PHPUnit 11中,这种方式会触发警告信息:"coverage: whitelist: exclude option has no effect since PHPUnit 11.0",并且排除功能实际上不再生效。
技术原因
这一变化源于PHPUnit底层库php-code-coverage的重大更新。从PHPUnit 9.3.0开始,官方就弃用了--whitelist参数,推荐使用--coverage-filter替代。到了PHPUnit 11,完全移除了对传统排除机制的支持。
解决方案
Codeception团队已经针对这一问题提供了修复方案。开发者可以通过以下方式解决:
- 明确指定包含和排除的路径,确保路径完全匹配项目结构
- 使用Codeception提供的特殊分支来恢复排除功能
正确的配置示例如下:
coverage:
enabled: true
include:
- www/app/*
exclude:
- www/vendor/*
关键点在于:
- 路径必须完整准确
- 包含和排除路径应该基于项目根目录
- 使用相对路径时要确保与实际目录结构一致
实际应用建议
-
路径准确性:确保排除路径与项目中的实际路径完全匹配。例如,如果vendor目录位于www下,就应该使用
www/vendor/*而非简单的vendor/*。 -
性能考量:虽然现在需要更精确地指定路径,但这种改变实际上有助于提高覆盖率统计的效率,避免不必要的文件扫描。
-
升级过渡:对于从旧版本升级的项目,建议仔细检查所有覆盖率配置,确保它们在新版本中仍然有效。
-
测试验证:修改配置后,应该运行测试并检查生成的覆盖率报告,确认排除功能确实生效。
总结
PHPUnit 11对代码覆盖率机制的调整虽然带来了一些配置上的变化,但这些改变总体上是为了提供更精确和高效的覆盖率统计。通过正确理解和使用新的配置方式,开发者仍然可以灵活控制哪些代码参与覆盖率计算,从而获得准确的测试覆盖率数据。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
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Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
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