【一键搞定】ThinkPHP6.0.2+PHPStudy+Composer极速安装指南——附完整下载包与避坑技巧

【伸手党福利】thinkphp6.0.2 完整下载包——包含phpstudy配置composer下载tp6的全过程。 (个人建议还是使用composer进行下载,不过毕竟这丫在内网有时候抽风,所以分流一个zip包) 以备后用。 TP6.0.2 安装包: 链接:https://pan.baidu.com/s/1TEA5dcR_YbMAPJwT57KEBg 提取码:h6bx 有能力的大佬可以支持一下csdn~ 多谢~ ... 阅读详情

1. 为什么你需要这份“一键搞定”的完整包?

如果你是一个刚开始接触ThinkPHP6,或者急着要在本地快速搭建一个TP6项目来测试、学习的开发者,我猜你大概率已经对着Composer的命令行窗口发过呆,或者被“内网环境”这个拦路虎给卡住了。没错,ThinkPHP从6.0版本开始,官方就强制要求必须通过Composer来安装和更新,这本身是为了更好地管理依赖,是个好习惯。但对于很多国内开发者,尤其是在公司内网、校园网或者网络环境不太理想的情况下,那个小小的 composer create-project 命令,可能一跑就是几十分钟,最后还给你弹出一个连接超时或者GitHub Token认证失败的红色错误,那种感觉真是让人火大。

我自己就深有体会。有一次急着给客户演示一个原型,需要在本地快速搭个TP6的架子。结果公司的网络对GitHub的访问时好时坏,Composer下载依赖包慢得像蜗牛,中间还因为缺少Git命令行工具报错。折腾了一个多小时,环境还没配好,差点误了正事。所以,我完全理解那种想要一个“开箱即用”的完整包的心情。这就是我整理并分享这个ThinkPHP6.0.2完整下载包的初衷——它不是官网那个只有框架核心、需要你联网下载所有依赖的“骨架包”,而是一个已经通过Composer更新完毕、所有依赖包都内置好的“完整项目包”。你下载下来,解压,配合PHPStudy,几乎五分钟内就能看到一个能跑的TP6应用。

这个包特别适合这几类朋友:首先是初学者,不想在环境配置上浪费太多时间,想快速看到ThinkPHP6长什么样,怎么跑起来;其次是内网开发者,公司服务器不能随意访问外网,无法使用Composer正常拉取依赖;还有就是急需快速原型验证的开发者,时间紧任务重,需要一个干净、标准、立即可用的基础框架。当然,我仍然强烈建议你有条件的话,最终要掌握Composer的使用,因为这是现代PHP开发的标配工具。但这个包,可以成为你平滑起步、绕过初期坑点的一块“垫脚石”。

2. 极速启航:PHPStudy环境准备与配置

工欲善其事,必先利其器。我们要一键搞定TP6,首先得有一个稳定且熟悉的PHP运行环境。对于Windows平台的PHP开发者来说,PHPStudy无疑是最友好、最流行的选择之一。它把Apache/Nginx、PHP、MySQL、Redis等一大堆东西打包在一起,用图形界面点点鼠标就能管理,省去了手动配置的无数麻烦。

2.1 选择合适的PHPStudy版本并安装

首先,你需要去PHPStudy的官网下载最新版本。目前PHPStudy Pro是主流,界面更现代,功能也更丰富。安装过程没什么特别的,一路点击“下一步”即可,建议安装路径不要包含中文和空格,比如 D:\phpstudy_pro,这样能避免一些潜在的权限和路径解析问题。安装完成后,启动PHPStudy,你会看到一个清晰的控制面板。

安装好后别急着创建网站,我们先进行最关键的一步:切换PHP版本。ThinkPHP6.0的环境要求是PHP >= 7.1.0,但我个人推荐直接使用PHP 7.3或7.4的非线程安全(NTS)版本。为什么?因为Composer在Windows下与线程安全(TS)版本的PHP配合有时会有一些小问题,而NTS版本更为通用和稳定。在PHPStudy的“软件管理”或“环境”标签页里,你可以轻松找到并安装多个PHP版本。安装好PHP 7.4 NTS后,回到主页,在“网站”或“环境”设置里,将当前使用的PHP版本切换到你刚安装的7.4 NTS。

2.2 配置PHP环境变量(关键步骤)

这是让Composer在命令行中正常工作的核心步骤,很多新手都会栽在这里。光在PHPStudy里切换了版本没用,系统命令行并不知道你的PHP在哪里。

  1. 找到PHP可执行文件路径:打开PHPStudy的安装目录,进入 Extensions\php 文件夹,找到你刚选择的PHP版本文件夹(例如 php7.4.3nts),再进入该文件夹,你会看到 php.exe 这个文件。复制这个文件夹的完整路径,比如 D:\phpstudy_pro\Extensions\php

【ThinkPHP6系列学习-1】下载并部署ThinkPHP6 下载并部署ThinkPHP6 阅读详情

相关推荐

Windows 环境下利用 composer 实现 ThinkPHP6 下载、安装、配置和基本使用

零、下载并安装composer软件网址:https://getcomposer.org/Composer-Setup.exe检测composer安装结果:输入composer -v,会返回composer版本号及相关命令一、利用 composer 命令下载安装框架假设应用根目录地址如下:D:\phpstudy_pro\WWW\tp602_one1、启动命令行Win+R,输入 cmd 点击确定2、进入应用目录(1)输入 d: 点击回车键,进入D盘。

Zuozi - 网络从业者长见识就来Zuozi.NET 1681

Thinkphp6完整资源包下载

Thinkphp6.0.5完整资源包下载,内含当前版本的所有插件,不喜欢使用composer安装的同学可以带走呀!

ThinkPHP6.0.zip

ThinkPHP V6 源码,直接下载解压缩就可以用,13载初心不改 - 你值得信赖的PHP框架。。

ThinkPHP v6.0框架

laravel  众所周知, 从ThinkPHP5.1开始, 官方网站已不再提供框架源码下载。 最常用的,也是官方推荐的就是通过 方式来下载框架源码。如果你想自己通过 来下载 安装 阅读文章【 】来了解

ThinkPhp6.0 think-6.0.zip

thinkphp6.0, Thinkphp6.0

离线安装vue脚手架,内网安装@vue/cli

公司开发环境使用内网,无法用外网,搭建环境的时候,发现内网系统没有安装vue脚手架,我搜了很多文章,发现他们的方法对我都不适用,然后就自己摸索,最终皇天不负有心人,终于被我安装上了,一下是我内网离线安装vue/cli的方法,希望能帮助到有需要的小伙伴! 因为npm被集成在nodejs中,而安装nodejs只需要把nodejs安装包copy到内网电脑安装就行,比较简单,这里就不多做演示。 在外网电脑上,使用npm install -g xxxx命令下载好我们所需要的各个安装包,比如: npm insta

Liberty_yes的博客 1万+

SQL Server 内存占用高分析及解决办法(超详细)

如果想让 Sql Server 主动释放 占用并空闲的内存空间,可以设置Sql Server占用内存的上限,就会让Sql server在。如执行存储过程,自定函数时,SQL Server 需要先二进制编译再运行,编译后的结果也会缓存起来,再次调用时就无需再次编译。才会释放一点占用的内存,所以很多时候,我们会发现运行SQL Server的系统内存往往居高不下这些内存一般都。缓存,以便于再次请求此页的数据的时候,直接从内存返回,就无需读取磁盘了,大大提高了速度。最后文章有啥不对,欢迎大佬在评论区指点!

2301_79080944的博客 3954

Altium Designer差分走线实战:从规则设置到阻抗匹配的完整流程

本文详细讲解了在Altium Designer中进行差分走线的完整实战流程,涵盖从原理图定义差分对、PCB布局管理、关键设计规则设置,到利用阻抗计算工具确定线宽与间距,以及布线技巧与等长处理等核心步骤。文章旨在帮助工程师掌握高速PCB设计中差分信号传输的关键技术,确保信号完整性并实现精确的阻抗匹配。

weixin_29163857的博客 263

AUTOSAR从入门到精通-汽车电子电气架构(EEA)

EEA(Electrical/Electronic Architecture),电子电气架构,是首先由德尔福公司提出的,集合汽车的电子电气系统原理设计、中央电器盒的设计、连接器的设计、电子电气分配系统等设计为一体的整车电子电气解决方案的概念。通过EEA的设计,可将动力总成、驱动信息、娱乐信息等车身信息转化为实际的电源分配的物理布局、信号网络、数据网络、诊断、容错、能量管理等的电子电气解决方案。

getusushu的博客 864

基于Simulink的超级电容与锂电池混合储能协调控制仿真

摘要:本文介绍基于Simulink的光伏-混合储能系统(HESS)建模与仿真方法,通过超级电容和锂电池的协同控制实现功率平抑。系统采用直流耦合架构,利用一阶低通滤波法将总功率分解为低频(锂电池承担)和高频分量(超级电容承担),并设计SOC自平衡机制维持超级电容工作点。仿真结果表明,该方案可使锂电池电流波动降低62%,光伏功率波动率降至7.5%,有效延长电池寿命。文章详细展示了从主电路搭建、功率分配到闭环控制的完整实现步骤,为新能源系统储能优化提供实用参考。

amy_mhd的博客 136

CAPL未来发展方向展望

通过本文的学习,读者应该对CAPL的未来发展方向有了初步的了解。随着汽车电子系统的不断发展,CAPL也在不断演进,以支持更多的技术和应用场景。希望读者能够通过不断的学习和实践,掌握更多的CAPL技巧,提高自己的开发能力。

闲人编程的博客 1185

SQL基础:HQL之常用的行列转换应用总结

行列转换是数据开发者的基本技能,也是面试重点,在数据开发中处处可见,本文对常见的几种情况进行了总结,包括了多行转多列,多行转单列,多列转多行,单列转多行的几种情况,并给出了解决思路和方法,读者可根据本文给出的思路灵活应对业务中遇到的问题。

石榴姐yyds 1802

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

上一篇: GaussDB华为高斯数据库连接驱动全解析:配置优化与性能调优
下一篇: QGraphicsPathItem 实战指南:从基础绘制到高级交互
assembly8low
博客等级 码龄4年 52粉丝 1820原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值