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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00