Ledger Web 技术文档
本文档将详细介绍如何安装、使用和配置 Ledger Web 项目,以及如何通过其 API 进行操作。
1. 安装指南
在开始安装之前,请确保您的系统中已安装 PostgreSQL 9.0 或更高版本。
安装步骤:
$ gem install ledger_web
$ createdb ledger
创建数据库后,您可以通过以下命令启动 Ledger Web:
$ ledger_web
启动成功后,使用浏览器打开 http://localhost:9090,您可以看到一些示例报告。
2. 项目使用说明
Ledger Web 是一个基于 Web 的报告系统,它使用 PostgreSQL 作为后端数据库,并与 Ledger 命令行会计系统配合使用。
配置
Ledger Web 的配置非常简单。创建一个名为 ~/.ledger_web/config.rb 的文件,内容如下:
LedgerWeb::Config.new do |config|
config.set :database_url, "postgres://localhost/ledger"
end
:database_url 应指向您的数据库实例。它可以不是本地的,但配置的用户需要能够修改模式。还有许多其他设置可以配置:
:index_report是 Ledger Web 在首次打开时将浏览器重定向到的报告。默认为:help:port是 Ledger Web 将运行在其上的端口。默认为9090:ledger_file是 Ledger Web 将读取的文件。默认为环境变量LEDGER_FILE:ledger_bin_path是 ledger 二进制文件的路径。默认在PATH中查找
编写报告
报告只是存储在 ~/.ledger_web/reports 目录中的 HTML ERB 文件。Ledger Web 提供了一些有用的辅助方法,让您能够轻松定义 SQL 查询。以下是一个报告示例:
<% @query = query do %>
select
xtn_month,
account,
sum(amount)
from
ledger
where
(account ~ 'Income'
or account ~ 'Expenses')
and xtn_date between :from and :to
group by
xtn_month,
account
<% end %>
<%= table @query %>
query 辅助方法接受一个 SQL 块并返回一个 LedgerWeb::Report 实例。它可以接受一些选项:
:pivot是要透视的列的名称。:pivot_sort_order指定透视列的排序方式。可以是asc或desc。默认为asc。
Ledger Web 使用 Twitter Bootstrap 进行格式化,因此您可以使用任何您想要的方式来格式化您的报告。
table 辅助方法接受一个由 query 辅助方法产生的查询和一些选项,并构建一个 HTML 表格。它还可以接受一个 :links 选项,它将表格中的值链接化。以下是一个例子:
:links => {"Account" => "/reports/register?account=:1"}
这表示 Account 列中的每个值将被一个 <a> 标签包围,指向 /reports/register?account=:1,其中 :1 将被该特定行的第一列的值替换。
3. 项目 API 使用文档
Ledger Web 提供了一个简单的 API,您可以通过它在不同的报告之间进行链接。以下是 API 的基本使用方法:
- 使用
:links选项在报告中创建链接。 - 链接模板可以使用
:1表示列值,:title表示列标题。
4. 项目安装方式
Ledger Web 可以通过以下步骤进行安装:
- 确保系统已安装 PostgreSQL 9.0 或更高版本。
- 使用
gem install ledger_web命令安装 Ledger Web。 - 创建一个名为
ledger的 PostgreSQL 数据库。 - 使用
ledger_web命令启动 Ledger Web。 - 打开浏览器,访问
http://localhost:9090。
以上是 Ledger Web 的基本安装和使用方法。通过自定义配置和编写报告,您可以根据需要创建各种会计报告。
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。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-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
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