Backbone.offline 使用与技术文档
1. 安装指南
在开始使用 Backbone.offline 之前,您需要执行以下步骤:
- 确保您的项目中已经包含了 Backbone.js。
- 将
js/backbone.offline.js文件添加到您的项目中。
2. 项目使用说明
Backbone.offline 是一个用于将数据存储在 localStorage 中并与服务器同步数据的库。它特别适用于以下场景:
- 让您的应用程序能够与 cache manifest 结合使用,实现离线工作。
- 在每次保存时避免重新引导初始数据。您可以在需要时刷新您的集合,并显著加快加载数据的速度。
- 创建一个独立运行的 HTML5 应用程序,该应用程序定期与服务器同步数据。
要开始使用 Backbone.offline,您需要在初始化时添加以下代码:
@storage = new Offline.Storage('dreams', this)
如果您的项目使用 AMD 风格,您可以使用 backbone-offline-requirejs-template。
现在,您的集合将保存并处理 localStorage 中的数据。第一个参数是存储的名称,第二个参数是集合的链接。此代码不会影响其他集合的行为。如果一个集合没有 @storage 属性,命令将委托给 Backbone.sync。
以下是修改后的集合示例:
class Dreams extends Backbone.Collection
url: '/api/dreams'
initialize: ->
@storage = new Offline.Storage('dreams', this)
# 其他代码...
为了成功使用 Backbone.offline,您的应用程序应遵循以下三个简单规则:
- 支持 server 的默认 REST API。
- 模型应该具有
updated_at字段。 - 模型应该具有
id主键。如果您使用 MongoDB,您应该将响应中的_id替换为id。
3. 项目API使用文档
以下是 Backbone.offline 的一些关键方法和选项:
-
Offline.Storage: 用于处理 localStorage 的类,基于 Backbone.localStorage 库。@storage = new Offline.Storage('dreams', this, keys: {tag_id: @tags})可选参数
keys用于当您的集合与其他集合有关联时。在上面的示例中,本地tag_id将在发送数据到服务器时更改为@tags中的必要主键。选项
autoPush允许在每次保存时向服务器发送请求,它就像数据缓存一样工作。@storage = new Offline.Storage('dreams', this, autoPush: true) -
Offline.Sync: 用于同步本地存储与服务器之间的数据。默认行为:当集合更改时,通过使用
fetch()同步数据与服务器。如果您希望更频繁地与服务器同步数据,可以使用实例方法:full():完全重新加载集合。incremental():从服务器请求数据并与当前集合合并,然后将更改的数据发送到服务器。pull():从服务器接收数据并与当前集合合并。push():将脏数据发送到服务器,并使用原子操作创建、更新、销毁,确保存储数据的可靠性。
如果您不希望在
fetch时从服务器请求数据,可以使用local: true选项:dreams.fetch({local: true})示例:
dreams = new Dreams() // 初始化集合 dreams.fetch() // GET /api/dreams dreams.create(name: 'Visit Iceland') // 在 localStorage 中添加新的梦想 dream = dreams.at(3) dreams.save(name: 'Diving with scuba') // 本地保存 dreams.storage.sync.push() // POST /api/dreams 和 PUT /api/dreams/:id
4. 项目安装方式
Backbone.offline 的安装方式如下:
- 从 GitHub 克隆仓库:
git clone git@github.com:Ask11/backbone.offline.git并切换到新分支git checkout -b new-feature。 - 如果尚未安装 Bower,请使用
npm install -g bower进行安装(您还需要安装 nodejs)。 - 运行
bower install安装依赖项。 - 运行
cake watch以自动编译 CoffeeScript 文件。 - 确保规格为绿色
open /spec/spec_runner.html并开始开发。 - 您可以在 GitHub 上建议功能或报告错误。
以上就是 Backbone.offline 的安装和使用说明,希望对您有所帮助。
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