在Scribe项目中通过自定义策略实现端点描述文件化
2025-07-05 13:13:40作者:秋泉律Samson
在实际API开发过程中,我们经常需要为多个端点(Endpoint)编写相同或相似的描述文档。传统做法是在每个端点的Docblock中重复编写HTML内容,这不仅违反了DRY(Don't Repeat Yourself)原则,也不利于文档的维护和格式检查。本文将介绍如何在Scribe项目中通过自定义策略实现端点描述的文件化管理。
问题背景
Scribe是一个优秀的API文档生成工具,默认支持通过Docblock注释或Endpoint属性来定义端点描述。但在实际应用中,开发者可能会遇到以下痛点:
- 相同描述内容需要在多个端点间重复编写
- 无法对文档内容进行格式校验和规范化处理
- HTML内容直接嵌入代码中影响可读性
解决方案
Scribe提供了灵活的扩展机制,允许开发者通过自定义属性和策略来实现更高级的文档管理方式。我们可以创建一个自定义属性EndpointFromFile,将端点描述内容提取到外部文件中。
实现步骤
- 创建自定义属性类:
类似于Scribe内置的
ResponseFromFile属性,我们可以定义一个EndpointFromFile属性,用于指定描述文件的路径。
use Attribute;
#[Attribute(Attribute::TARGET_METHOD | Attribute::TARGET_FUNCTION)]
class EndpointFromFile
{
public function __construct(public string $path)
{
}
}
- 实现自定义策略:
继承
PhpAttributeStrategy基类,实现从文件中读取描述内容的逻辑。
use Knuckles\Scribe\Extracting\Strategies\PhpAttributeStrategy;
class EndpointDescriptionFromFile extends PhpAttributeStrategy
{
protected string $attributeName = EndpointFromFile::class;
protected function extractFromAttributes(
array $attributesOnMethod,
array $attributesOnFormRequest = [],
array $attributesOnController = []
): ?array {
// 实现从文件读取描述内容的逻辑
}
}
- 注册策略: 在Scribe配置文件中注册新创建的策略,使其生效。
'strategies' => [
'metadata' => [
\Knuckles\Scribe\Extracting\Strategies\Metadata\GetFromDocBlocks::class,
\App\Strategies\EndpointDescriptionFromFile::class,
// 其他策略...
],
// 其他策略组...
],
优势与最佳实践
这种文件化管理端点描述的方式带来了以下优势:
- 内容复用:多个端点可以引用同一个描述文件,避免重复编写
- 格式控制:可以对描述文件进行专门的格式校验和规范化处理
- 维护便利:HTML内容与代码分离,提高可读性和可维护性
- 版本控制:描述文件可以单独进行版本管理
在实际应用中,建议:
- 为描述文件建立统一的目录结构
- 对描述文件进行命名规范化
- 为描述文件添加Markdown或HTML格式校验
- 考虑实现描述文件的自动生成和更新机制
总结
通过Scribe的扩展机制,我们可以灵活地定制API文档生成流程,满足各种复杂场景的需求。将端点描述提取到外部文件不仅解决了重复编写的问题,还为文档管理提供了更多可能性。这种模式也可以扩展到其他类型的文档内容管理上,如响应示例、参数说明等,实现API文档的全面文件化管理。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
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
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
479
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
375
3.22 K
Ascend Extension for PyTorch
Python
169
190
暂无简介
Dart
615
140
🔥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
62
19
仓颉编译器源码及 cjdb 调试工具。
C++
126
855
仓颉编程语言测试用例。
Cangjie
36
852
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++
647
258