FrankenPHP 多域名 Laravel 项目部署指南
前言
FrankenPHP 是一个高性能的 PHP 应用服务器,结合 Laravel Octane 可以为应用带来显著的性能提升。在实际生产环境中,我们经常需要在一台服务器上部署多个 Laravel 项目,每个项目对应不同的域名。本文将详细介绍如何使用 FrankenPHP 和 Caddyfile 配置实现多域名 Laravel 项目的部署。
核心概念
FrankenPHP 与 Caddy 的关系
FrankenPHP 是构建在 Caddy 服务器之上的 PHP 运行时。Caddy 是一个现代化的 web 服务器,以其简单的配置和自动 HTTPS 功能而闻名。通过 Caddyfile 配置文件,我们可以轻松管理多个站点的路由和行为。
Laravel Octane 的角色
Laravel Octane 是一个性能优化工具,它通过保持应用常驻内存来减少请求处理的开销。与 FrankenPHP 结合使用时,可以充分发挥两者的优势。
多域名配置方案
单一 Caddyfile 管理多个项目
推荐使用一个统一的 Caddyfile 来管理所有项目域名,而不是为每个项目创建单独的配置文件。这种集中管理的方式有以下优势:
- 便于维护和查看所有站点配置
- 可以共享某些全局设置
- 减少重复配置项
- 方便实施统一的 HTTPS 策略
配置示例
以下是一个典型的多域名 Caddyfile 配置示例:
domain1.com {
root * /www/wwwroot/domain1/public/
encode zstd gzip
php_server {
resolve_root_symlink
}
}
domain2.com {
root * /www/wwwroot/domain2/public/
encode zstd gzip
php_server {
resolve_root_symlink
}
}
配置解析
- 域名块:每个
domain.com {}块定义了一个独立的站点配置 - root 指令:指定项目的 public 目录路径,
*表示匹配所有请求 - encode 指令:启用 zstd 和 gzip 压缩,优化传输性能
- php_server 指令:配置 PHP 服务器行为
resolve_root_symlink:解析根目录中的符号链接
部署流程
1. 安装 Laravel Octane
在每个 Laravel 项目中执行:
composer require laravel/octane
php artisan octane:install --server=frankenphp
2. 创建统一的 Caddyfile
在服务器上选择一个合适的位置(如 /etc/caddy/Caddyfile)创建主配置文件,包含所有项目的域名配置。
3. 启动 Octane 服务
为每个项目启动 Octane 服务,指定统一的 Caddyfile:
php artisan octane:start --caddyfile /etc/caddy/Caddyfile
高级配置建议
性能优化
- 为每个站点配置适当的 PHP 进程数
- 根据项目负载调整 worker 数量
- 考虑启用 OPcache 提升 PHP 执行效率
安全配置
- 确保每个项目的目录权限正确
- 配置适当的 Caddy 访问控制
- 定期更新 FrankenPHP 和 Caddy 版本
日志管理
- 为每个站点配置独立的访问日志和错误日志
- 设置日志轮转策略
- 考虑集中式日志收集方案
常见问题解决方案
1. 符号链接问题
如果项目使用了符号链接,确保 resolve_root_symlink 指令已启用,并检查符号链接的权限。
2. 静态文件处理
对于静态资源,可以考虑添加额外的缓存控制头:
header /assets/* Cache-Control "public, max-age=604800"
3. 负载均衡
对于高流量站点,可以在 Caddyfile 中配置负载均衡:
php_server {
resolve_root_symlink
upstream localhost:8000 localhost:8001
}
结语
通过 FrankenPHP 和 Caddyfile 的合理配置,我们可以高效地管理多个 Laravel 项目,同时保持优异的性能表现。这种部署方式特别适合中小型项目集群,在保证性能的同时简化了运维工作。随着项目规模的增长,可以考虑进一步优化配置或引入容器化部署方案。
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