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。
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-1.5暂无简介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
Spark-Formalizer-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
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