Sniffer 项目技术文档
2024-12-20 20:24:17作者:房伟宁
1. 安装指南
1.1 安装 Sniffer
要安装 sniffer,请在终端中运行以下命令:
pip install sniffer
1.2 安装依赖库
根据你的操作系统,安装相应的文件系统监控库以提高性能:
-
Linux: 安装
pyinotifypip install pyinotify -
Windows: 安装
pywin32pip install pywin32 -
Mac OS X 10.5+: 安装
MacFSEventspip install MacFSEvents
1.3 可选依赖库
如果你需要额外的通知支持,可以安装以下库:
-
Growl 支持 (Mac OS X): 安装
gntppip install gntp -
原生 OS X 通知 (Mac OS X 10.9.4+): 安装
osxnotify和libosxnotifypip install osxnotify pip install libosxnotify -
LibNotify 支持 (Linux): 安装
py-notifypip install py-notify
2. 项目的使用说明
2.1 基本使用
安装完成后,在项目目录中运行以下命令:
sniffer
sniffer 会自动检测代码变化并重新运行测试。你可以使用 sniffer --help 查看所有可用选项。
2.2 传递 Nose 参数
你可以通过 -x 前缀传递 Nose 参数,例如:
sniffer -x--with-doctest
2.3 高级用法
如果你不想使用 Nose,可以在当前工作目录中创建一个 scent.py 文件,自定义 sniffer 的行为。例如:
from sniffer.api import *
import os, termstyle
pass_fg_color = termstyle.green
pass_bg_color = termstyle.bg_default
fail_fg_color = termstyle.red
fail_bg_color = termstyle.bg_default
watch_paths = ['.', 'tests/']
@file_validator
def py_files(filename):
return filename.endswith('.py') and not os.path.basename(filename).startswith('.')
@runnable
def execute_nose(*args):
import nose
return nose.run(argv=list(args))
3. 项目API使用文档
3.1 API 概述
sniffer 提供了一个小型的 API,允许用户自定义文件验证和测试执行。主要 API 包括:
file_validator: 用于定义文件验证函数,决定哪些文件变化会触发测试。runnable: 用于定义测试执行函数,决定如何运行测试。select_runnable: 用于选择特定的runnable函数。
3.2 示例
以下是一个使用 file_validator 和 runnable 的示例:
@file_validator
def py_files(filename):
return filename.endswith('.py') and not os.path.basename(filename).startswith('.')
@runnable
def execute_nose(*args):
import nose
return nose.run(argv=list(args))
4. 项目安装方式
4.1 通过 pip 安装
最简单的安装方式是通过 pip 安装:
pip install sniffer
4.2 手动安装
你也可以从 GitHub 下载源码并手动安装:
git clone https://github.com/jeffh/sniffer.git
cd sniffer
python setup.py install
4.3 依赖库安装
根据你的操作系统,安装相应的依赖库以提高性能。
通过以上步骤,你应该能够顺利安装并使用 sniffer 项目。如果在使用过程中遇到问题,可以参考项目的 GitHub Wiki 或提交 Issue。
登录后查看全文
热门项目推荐
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
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
541
3.77 K
Ascend Extension for PyTorch
Python
353
420
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++
889
616
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
339
186
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
988
253
openGauss kernel ~ openGauss is an open source relational database management system
C++
169
233
暂无简介
Dart
778
194
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
115
142
🎉 (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
1.35 K
759