Onigmo 技术文档
1. 安装指南
Onigmo 是一个正则表达式库,支持多种平台。以下是不同平台的安装步骤:
Unix 和 Cygwin 平台
- 执行
./autogen.sh(如果configure文件不存在)。 - 执行
./configure。 - 执行
make。 - 执行
make install。
- 进行测试:执行
make test。 - 卸载:执行
make uninstall。 - 配置检查:执行
onigmo-config --cflags、onigmo-config --libs、onigmo-config --prefix和onigmo-config --exec-prefix。
Windows 64/32位平台(Visual C++)
执行 build_nmake.cmd。build_x64 或 build_x86 将用作工作/输出目录。
-
onigmo_s.lib:静态链接库。 -
onigmo.lib:动态链接库的导入库。 -
onigmo.dll:动态链接库。 -
测试(ASCII/Shift_JIS/EUC-JP/Unicode):执行
build_nmake.cmd test。需要与 Onigmo 同位数的 Python 来运行测试。
Windows 64/32位平台(MinGW)
执行 mingw32-make -f win32/Makefile.mingw。build_x86-64、build_i686 等将用作工作/输出目录。
-
libonigmo.a:静态链接库。 -
libonigmo.dll.a:动态链接库的导入库。 -
onigmo.dll:动态链接库。 -
测试(ASCII/Shift_JIS/EUC-JP/Unicode):执行
mingw32-make -f win32/Makefile.mingw test。需要与 Onigmo 同位数的 Python 来运行测试。 -
如果在 MSYS2 上使用 MinGW,也可以像 Unix 一样使用
./configure和make。在这种情况下,DLL 名称将包含 API 版本号。例如:libonigmo-6.dll。
2. 项目使用说明
要使用 Onigmo,需要在程序中包含 onigmo.h 头文件。有关 Onigmo API 的详细信息,请参阅 doc/API。
如果希望在 onigmo.h 中禁用 UChar 类型的定义(等于 unsigned char),请定义 ONIG_ESCAPE_UCHAR_COLLISION,然后包含 onigmo.h。
如果希望在 onigmo.h 中禁用 regex_t 类型的定义,请定义 ONIG_ESCAPE_REGEX_T_COLLISION,然后包含 onigmo.h。
在 Unix 或 Cygwin 中的编译/链接命令行示例(假设前缀为 /usr/local):
cc sample.c -L/usr/local/lib -lonigmo
如果希望在 Win32 上使用静态链接库(onigmo_s.lib),请在 C 编译器中添加 -DONIG_EXTERN=extern 选项。
3. 项目 API 使用文档
Onigmo 的 API 文档位于 doc/API 目录中。有关如何使用这些 API 的详细信息,请参考该文档。
4. 项目安装方式
Onigmo 的安装方式已在“安装指南”部分详细介绍,根据不同的操作系统平台,安装方式略有不同。请参照相应的步骤进行安装。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
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- 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