PHP_CodeSniffer 技术文档
1. 安装指南
下载安装
最简单的开始使用 PHP_CodeSniffer 的方式是下载对应的 Phar 文件:
# 使用 curl 下载
curl -OL https://squizlabs.github.io/PHP_CodeSniffer/phpcs.phar
curl -OL https://squizlabs.github.io/PHP_CodeSniffer/phpcbf.phar
# 或者使用 wget 下载
wget https://squizlabs.github.io/PHP_CodeSniffer/phpcs.phar
wget https://squizlabs.github.io/PHP_CodeSniffer/phpcbf.phar
# 测试下载的 PHAR 文件
php phpcs.phar -h
php phpcbf.phar -h
使用 Composer 安装
如果你使用 Composer,可以通过以下命令全局安装 PHP_CodeSniffer:
composer global require "squizlabs/php_codesniffer=*"
确保你的 PATH 中包含了 Composer 的 bin 目录。默认值是 ~/.composer/vendor/bin/,但你可以通过运行 composer global config bin-dir --absolute 来检查你需要使用的值。
或者,你也可以在你的 composer.json 文件中添加 squizlabs/php_codesniffer 的依赖。例如:
{
"require-dev": {
"squizlabs/php_codesniffer": "3.*"
}
}
然后,你将能够从 vendor bin 目录运行 PHP_CodeSniffer:
./vendor/bin/phpcs -h
./vendor/bin/phpcbf -h
使用 Phive 安装
如果你使用 Phive,可以通过以下命令将 PHP_CodeSniffer 安装为项目工具:
phive install phpcs
phive install phpcbf
然后,你将能够从 tools 目录运行 PHP_CodeSniffer:
./tools/phpcs -h
./tools/phpcbf -h
使用 PEAR 安装
如果你使用 PEAR,可以通过 PEAR 安装器安装 PHP_CodeSniffer。这将使得 phpcs 和 phpcbf 命令立即可用。首先确保你已经安装了 PEAR,然后运行以下命令:
pear install PHP_CodeSniffer
使用 Git Clone 安装
你也可以下载 PHP_CodeSniffer 源代码并直接从 Git 克隆运行 phpcs 和 phpcbf 命令:
git clone https://github.com/squizlabs/PHP_CodeSniffer.git
cd PHP_CodeSniffer
php bin/phpcs -h
php bin/phpcbf -h
2. 项目使用说明
PHP_CodeSniffer 的默认编码标准是 PEAR 编码标准。要检查一个文件,只需指定文件位置:
phpcs /path/to/code/myfile.php
如果要检查整个目录,可以指定目录位置:
phpcs /path/to/code-directory
如果你想使用 PSR-12 编码标准检查代码,可以使用 --standard 命令行参数:
phpcs --standard=PSR12 /path/to/code-directory
如果 PHP_CodeSniffer 发现任何编码标准错误,运行命令后会显示报告。
完整的用法信息和示例报告可在 用法页面 上找到。
3. 项目 API 使用文档
PHP_CodeSniffer 提供了丰富的 API 用于自定义和扩展其功能。开发者可以通过编写自定义的 sniffs 来扩展 PHP_CodeSniffer 的检查能力。API 文档可以在 PHP_CodeSniffer GitHub Wiki 上找到。
4. 项目安装方式
请参考上述的“安装指南”部分,了解 PHP_CodeSniffer 的多种安装方式。根据你的项目需求和开发环境,选择最适合你的安装方式。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
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