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。
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