Recurly PHP客户端技术文档
1. 安装指南
1.1 使用Composer安装
Recurly PHP客户端通过Packagist发布,包名为recurly/recurly-client。推荐使用Composer来安装和维护该依赖。
在项目的composer.json文件中添加以下内容:
{
"require": {
"recurly/recurly-client": "^4"
}
}
然后运行以下命令进行安装:
composer install
1.2 注意事项
- Recurly PHP客户端遵循语义化版本控制(Semantic Versioning),只有在主版本更新时才会引入破坏性更改。
- 如果你需要使用V2版本的客户端,请参考v2分支。
2. 项目的使用说明
2.1 创建客户端
在使用Recurly API之前,首先需要创建一个客户端实例。客户端的构造函数需要一个API密钥,该密钥可以在Recurly的API Credentials Page获取。
$api_key = 'myApiKey';
$client = new \Recurly\Client($api_key);
如果你在欧洲地区使用Recurly API,需要在选项中指定region为eu:
$api_key = 'myApiKey';
$client = new \Recurly\Client($api_key, ['region' => 'eu']);
2.2 日志记录
客户端的构造函数还支持传入一个日志记录器。日志记录器需要实现PSR-3 Logger Interface。默认情况下,客户端会创建一个\Recurly\Logger实例,该实例会将日志消息打印到php://stdout,日志级别为\Psr\Log\LogLevel::WARNING。
$logger = new \Recurly\Logger('Recurly', \Psr\Log\LogLevel::INFO);
$client = new \Recurly\Client($api_key, $logger);
安全警告:在生产环境中,日志级别不应设置为DEBUG,否则可能会导致敏感数据泄露。
2.3 操作方法
\Recurly\Client类包含了所有可以在Recurly API上执行的操作方法。每个方法都有详细的文档说明,解释了输入和返回类型的类型和描述。例如,要使用get_plan端点,可以调用Client#getPlan()方法:
$plan_code = "gold";
$plan = $client->getPlan("code-$plan_code");
2.4 分页处理
分页通过\Recurly\Pager对象实现。Pager对象由客户端的list*方法创建,并实现了PHP的Iterator接口,因此可以在foreach循环中使用。
$accounts = $client->listAccounts();
foreach($accounts as $account) {
echo 'Account code: ' . $account->getCode() . PHP_EOL;
}
2.5 排序和过滤
在调用list*方法时,可以传入选项参数来进行排序或过滤。这些参数在方法文档中有所描述,可以在Recurly API文档的“Query Parameters”部分找到。
$options = array('params' => array(
'limit' => 200,
'order' => 'asc',
'begin_time' => '2020-01-01T01:00:00Z',
'end_time' => '2020-02-01T01:00:00Z',
'email' => 'admin@email.com',
'subscriber' => true,
'past_due' => false
));
$accounts = $client->listAccounts($options);
foreach($accounts as $account) {
echo 'Account code: ' . $account->getCode() . PHP_EOL;
}
2.6 资源计数
Pager类实现了getCount()方法,可以获取Pager对象将返回的资源总数。该方法通过调用端点的HEAD请求并解析Recurly-Total-Records头来实现。
$accounts = $client->listAccounts([ 'past_due' => true ]);
$count = $accounts->getCount();
echo "Number of accounts past due: $count"
2.7 高效获取第一个或最后一个资源
Pager类还实现了getFirst()方法,可以高效地获取第一个或最后一个资源。
$accounts = $client->listAccounts([ 'order' => 'desc', 'past_due' => true ]);
$account = $accounts->getFirst();
3. 项目API使用文档
3.1 创建资源
对于创建或更新资源,可以传入一个普通的关联数组给create*或update*方法。
$plan_create = array(
"name" => "Monthly Coffee Subscription",
"code" => "coffee-monthly",
"currencies" => [
array(
"currency" => "USD",
"unit_amount" => 20.0
)
]
);
$plan = $client->createPlan($plan_create);
echo 'Created Plan:' . PHP_EOL;
var_dump($plan);
3.2 错误处理
在调用API时,可能会遇到各种错误。可以通过捕获异常来处理这些错误。
try {
$account = $client->deactivateAccount($account_id);
} catch (\Recurly\Errors\Validation $e) {
var_dump($e);
} catch (\Recurly\Errors\NotFound $e) {
var_dump($e);
} catch (\Recurly\RecurlyError $e) {
var_dump($e);
}
3.3 HTTP元数据
有时你可能需要获取底层HTTP请求和响应的额外信息。可以通过调用getResponse()方法来访问这些信息。
$account = $client->getAccount("code-douglas");
$response = $account->getResponse();
echo "Request ID:" . $response->getRequestId() . PHP_EOL;
echo "Rate limit remaining:" . $response->getRateLimitRemaining() . PHP_EOL;
4. 项目安装方式
项目通过Composer进行安装,具体步骤请参考安装指南。
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