jwt-auth 的安装和配置教程
1. 项目的基础介绍和主要的编程语言
jwt-auth 是一个为 ThinkPHP 框架设计的 JSON Web Token(JWT)身份验证包。它支持通过 Header、Cookie、Param 等多种方式传递 JWT,并且提供了验证、刷新等多种中间件支持。此项目的主要编程语言是 PHP。
2. 项目使用的关键技术和框架
项目使用了 JWT(JSON Web Token)技术进行用户身份验证,这是一种基于 token 的身份验证方法,广泛应用于前后端分离的 Web 应用程序中。jwt-auth 集成了 ThinkPHP 框架,可以方便地在 ThinkPHP 应用中实现用户认证。
3. 项目安装和配置的准备工作和详细的安装步骤
准备工作
在开始安装 jwt-auth 之前,请确保您的开发环境满足以下要求:
- PHP 版本为 ~8.1.0 或 ~8.2.0
- ThinkPHP 框架版本为 ^5.1.10、^6.0.0 或 ^8.0.0
- 如果使用 2.x 版本的 jwt-auth,PHP 需要版本 8.1 以上,8.0 及以下请使用 1.x 版本
安装步骤
-
安装 jwt-auth
使用 Composer 安装 jwt-auth:
$ composer require thans/tp-jwt-auth -
生成配置文件
安装完成后,执行以下命令生成 jwt 的配置文件:
$ php think jwt:create这会生成
jwt.php和.env配置文件。注意,不建议直接修改jwt.php文件。 -
配置
.env文件在
.env文件中,将会随机生成一个secret。请确保不要随意更新此secret,并保证其安全性。 -
使用 jwt-auth 中间件
在需要验证的路由或模块中添加 jwt-auth 的中间件。例如:
use thans\jwt\facade\JWTAuth; // 获取 token $token = JWTAuth::builder([ 'uid' => 1 ]); // 执行 token 验证 JWTAuth::auth(); // 刷新 token JWTAuth::refresh(); // 获取请求中的完整 token 字符串 $tokenStr = JWTAuth::token()->get(); // 验证 token 并获取 payload $payload = JWTAuth::auth(); // 获取 payload 中的字段,例如 uid $uid = $payload['uid']; -
配置 Token 传参方式
在
jwt.php配置文件中,可以通过token_mode参数来调整 Token 的接收方式和优先级。默认值为['header', 'cookie', 'param']。根据你的应用需求,可以选择通过 URL 参数、Cookie 或 Header 传递 Token。建议使用 Header 方式传递 Token。
通过以上步骤,你就可以在 ThinkPHP 应用中安装并配置 jwt-auth 进行用户认证了。记得在实际使用中根据项目需求调整配置,并确保安全。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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