SharpRaven 项目技术文档
2024-12-28 07:06:23作者:苗圣禹Peter
1. 安装指南
NuGet 包安装
推荐使用 NuGet 包管理器来安装 SharpRaven。您可以在 Visual Studio 中使用 NuGet 包管理器,或者使用以下命令:
Install-Package SharpRaven
如果您正在使用 Nancy 框架,您也可以安装 SharpRaven.Nancy 包:
Install-Package SharpRaven.Nancy
手动安装
- 下载 SharpRaven 的源代码或预编译的二进制文件。
- 将相关 DLL 文件添加到您的项目引用中。
2. 项目使用说明
SharpRaven 是一个用于 .NET 的 Sentry 客户端,可以捕获异常并将它们发送到 Sentry。
初始化客户端
使用您的 '数据源名称' (DSN) 实例化客户端:
var ravenClient = new RavenClient("https://public@sentry.io/project-id");
捕获异常
在您的 catch 块中调用客户端:
try
{
int i2 = 0;
int i = 10 / i2;
}
catch (Exception exception)
{
ravenClient.Capture(new SentryEvent(exception));
}
记录非异常信息
您也可以在不捕获异常的情况下记录消息:
ravenClient.Capture(new SentryEvent("Hello World!"));
添加额外数据
您可以在抛出异常的解决方案中添加额外数据到 Exception.Data 属性:
try
{
// ...
}
catch (Exception exception)
{
exception.Data.Add("SomeKey", "SomeValue");
throw;
}
异步支持
在 .NET 4.5 或更高版本的 SharpRaven 中,有一个 async 版本的 Capture 方法:
async Task<string> CaptureAsync(SentryEvent @event);
Nancy 支持
您可以通过安装 SharpRaven.Nancy 包来在 Nancy 应用程序中捕获 HTTP 上下文。它会自动注册到 IPipelines.OnError 事件,以便将所有未处理的异常发送到 Sentry。
您可以通过在容器中注册 Dsn 类的实例来提供 DSN:
protected override void ApplicationStartup(TinyIoCContainer container, IPipelines pipelines)
{
container.Register(new Dsn("https://public@sentry.io/project-id"));
}
或者通过配置:
<configuration>
<configSections>
<section name="sharpRaven" type="SharpRaven.Nancy.NancyConfiguration, SharpRaven.Nancy" />
</configSections>
<sharpRaven>
<dsn value="https://public@sentry.io/project-id" />
</sharpRaven>
</configuration>
3. 项目API使用文档
以下是 SharpRaven 的一些关键 API:
RavenClient: Sentry 客户端的主要类。SentryEvent: 用于表示要发送到 Sentry 的异常事件的类。Exception.Data: 用于添加额外数据的异常属性。
RavenClient 类
RavenClient(string dsn): 使用指定的 DSN 初始化客户端。Capture(SentryEvent @event): 捕获并发送一个异常事件到 Sentry。CaptureAsync(SentryEvent @event): 异步捕获并发送一个异常事件到 Sentry。
SentryEvent 类
SentryEvent(Exception exception): 使用指定的异常初始化事件。SentryEvent(string message): 使用指定的消息初始化事件。ErrorLevel: 设置错误级别。Fingerprint: 设置指纹。Message: 设置自定义消息。Tags: 设置标签。
4. 项目安装方式
请参考上述的安装指南,您可以通过 NuGet 包管理器或手动方式安装 SharpRaven。
登录后查看全文
热门项目推荐
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- 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
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
572
3.85 K
Ascend Extension for PyTorch
Python
388
459
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
894
682
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
354
213
昇腾LLM分布式训练框架
Python
120
146
暂无简介
Dart
807
198
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.38 K
781