Sniffer 项目技术文档
2024-12-20 11:26:05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
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.19 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥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
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
492