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智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00