docker配置centos+宝塔面板+phpstorm-xdebug+postman接口调试记录

这应该是最完善的一篇php xdebug 配置了 (mac + docker) 原理了解 安装 #dockerfile RUN set -ex; \ wget http://xdebug.org/files/xdebug-2.8.0.tgz; \ tar -xzvf xdebug-2.8.0.tgz; \ cd ./xdebug-2.8.0; \ phpize; \ ./configure --enable-xdebug; \ make && make install COPY xdebug.ini /usr/local/etc/php/conf.d/ma 阅读详情
1 本机环境
  • mac 10.15.7
  • docker 20.10.5

2 docker配置centos和宝塔面板步骤

1 下载 centos7

docker pull ansible/centos7-ansible

2 新建镜像

docker run -i -t -d --name centos7baota -p 20:20 -p 21:21 -p 80:80 -p 443:443 -p 888:888 -p 8888:8888 --privileged=true ansible/centos7-ansible

  • baota 为新镜像的名称
  • -p 这些是需要开启的端口
  • 注意: 这里先不要挂载本地,我自己测试一挂载就出错。

3 进入容器并安装宝塔面板

docker exec -it centos7baota /bin/bash

  • 进入之后安装宝塔面板

yum install -y wget && wget -O install.sh http://download.bt.cn/install/install_6.0.sh && sh install.sh

  • 之后有一个验证, 如下, 直接 y 继续

Do you want to install Bt-Panel to the /www directory now?(y/n): y

  • 等待安装完成出现以下,说明成功!
网面板地址: http://60.169.128.90:8888/1e7aad20
内网面板地址: http://:8888/1e7aad20
username: fpzcbif9
password: 35495af8

4 将上面地址修改为 http://localhost:8888/1e7aad20/

  • 进入之后,安装所需要的环境
  • nginx
  • php7.2
  • mysql5.6

5 等配置好,再提交镜像,生成新的镜像

docker commit -a "zq" -m "add baota" centos7baota ansible/centos7-ansible/bt

6 根据新生成的镜像 `ansible/centos7-ansible/bt``,来制作容器

docker run -i -t -d --name centos7-baota -p 20:20 -p 21:21 -p 80:80 -p 443:443 -p 888:888 -p 8888:8888 -p 3306:3306 --privileged=true -v ~/Desktop/08-docker/01-www:/www/wwwroot -v ~/Desktop/08-docker/02-mysql:/www/server/data ansible/centos7-ansible/bt

  • c7bt 新容器的名字
  • ~/Desktop/08-docker/01-www 是宿主机的地址,就是我本地的目录
  • /www/wwwroot 是容器中的目录
  • 也挂载了msyql的文件
  • 这里要加上挂载! 注意了!

7 进入新容器,并开启服务

docker exec -it c7bt /bin/bash

  • 开启服务!这步很关键!

/etc/init.d/bt restart

  • 之后根据之前的信息进入面板。
  • 这里需要注意: 进入面板之后手动开启 nginx、php、myslq等的服务!!!

8 上一步中, 每次电脑重启, 都需要手动执行命令, 然后进去宝塔面板依次开启服务, 在 mac 中可以通过快捷指令来实现.

vim ~/.bashrc

alias my-docker='docker start bt && docker exec bt /etc/init.d/bt restart && sleep 1 && docker exec bt /etc/init.d/mysqld restart && docker exec bt /etc/init.d/nginx restart && docker exec bt /etc/init.d/php-fpm-73 restart && docker exec bt /etc/init.d/redis restart'

source ~/.bashrc

命令介绍

docker start bt 开启容器
docker exec bt /etc/init.d/bt restart 宝塔面板重启
sleep 1 1秒后执行, 防止面板未启动
docker exec bt /etc/init.d/mysqld restart 数据库重启
docker exec bt /etc/init.d/nginx restart nginx重启
docker exec bt /etc/init.d/php-fpm-73 restart php 重启
docker exec bt /etc/init.d/redis restart' redis 重启


3 配置phpstorm远程xdebug调试

1 在宝塔面中开启对应 php的扩展

2 在对应php.ini 中加入如下

[XDebug]
xdebug.remote_enable = 1
xdebug.remote_handler = "dbgp"
xdebug.remote_host = host.docker.internal
xdebug.remote_port=9000
  • 这几行的作用是:
开启xdebug远程调试
调试方式用dggp
远程地址用host.docker.internal,也就是docker容器所在的主机。如果主机是Linux系统,

host.docker.internal可能用不了,需要改用PHP容器和主机同一虚拟网络下的IP,在主机中用docker network inspect dnmp_default命令可找到,其中dnmp_default是容器的所在的网络。

这里我们没有配置xdebug.remote_port,因为xdebug默认使用9000,与我们FPM一致了,不用再设置。如果FPM使用其他端口,remote_port也要改成相应端口。
  • 注意,php7.3之后的配置有些区别 文档
[XDebug]
xdebug.mode = debug
xdebug.remote_handler = "dbgp"
xdebug.client_host = host.docker.internal
xdebug.client_port = 9013

3 phpstorm 中的配置

在这里插入图片描述

  • 服务器上的绝对地址 这个是手动填写的,我本地是docker配置的宝塔,进入宝塔复制后面的根目录即可。
  • bd.test.com 是我们在宝塔面板中新建的域名,这里需要在本机的 hosts 文件中修改一下 dns.

在这里插入图片描述
在这里插入图片描述

sudo vim /etc/hosts

  • 添加如下

127.0.0.1 bd.test.com

3 vscode中配置

{
    // 使用 IntelliSense 了解相关属性。 
    // 悬停以查看现有属性的描述。
    // 欲了解更多信息,请访问: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "Listen for Xdebug",
            "type": "php",
            "request": "launch",
            "port": 9002,
            "pathMappings": {
                "/www/wwwroot/bd.test3.com":"${workspaceRoot}"
            }
        },
        {
            "name": "Launch currently open script",
            "type": "php",
            "request": "launch",
            "program": "${file}",
            "cwd": "${fileDirname}",
            "port": 9002
        }
    ]
}
  • 以上 port 要与服务器中php中设置的xdebug.remote_port 一致
  • pathMappings 是 docker 中的绝对地址。 后面的 "${workspaceRoot}" 是自己的vscode 中的目录。或者用“/Users/zqmac/Desktop/08-docker/01-www/bd.test3.com” 这里注意,必须是绝对路径。
4 配置postman远程xdebug调试

在 postman 请求中的 COOKIE 里加入XDEBUG_SESSION=PHPSTORM 则可调起phpstrom的调试功能

在Headers中新增key:COOKIE,Value:XDEBUG_SESSION=PHPSTORM

在这里插入图片描述

XDEBUG_SESSION=PHPSTORM :打开xdebug功能

XDEBUG_PROFILE=XDEBUG_PFOFILER : 打开profile功能

XDEBUG_TRACE=XDEBUG_TRACE :打开trace功能

宝塔面板 LNMP 环境安装 Xdebug 习惯了 wamp 以及框架的某些输出,在看原始的 var_dump难免很不适应,所以这里我们需要 xdebug 好像以前宝塔的扩展里有这一项的,但是我并没有看到,所以选择手动安装: 常见的扩展不需要手动安装,可以在这里点击安装: 下面我们手动开始安装 Xdebug 进入面板,依次如下操作: 至于下载那个xdebug版本,简单的方法是,手动用鼠标复制整页内容,然后进入:ht... 阅读详情

相关推荐

xdebug 安装,调试

1,首先要获取phpinfo(); 2,打开https://xdebug.org/wizard 3, Downloadphp_xdebug-2.9.6-7.3-vc15-nts.dll Move the downloaded file to D:\PHPCUSTOM\PHPCUSTOM\phpcustom\server\php-7.3.6-nts-x86-web\ext EditD:\PHPCUSTOM\PHPCUSTOM\phpcustom\server\php-7.3.6-nts-x...

xxpxxpoo8的专栏 3472

宝塔PHP环境安装配置Xdebug

宝塔PHP配置Xdebug

qq_42982191的博客 1560

php7.X+PhpStorm2019.X+宝塔linux xdebug远程调试环境的安装及设置

关于xdebug的安装及设置网上教程很多,通过实践发现网上的很多信息有误,特记录一个相对简单清晰的说明,希望能帮助到有需要的人。

phpstudy/宝塔+phpstorm+xdebug实现远程调试

前提 服务器: 192.168.48.135 ubuntu phpstudy 客户端: 192.168.48.1 windows phpstorm 步骤 服务端配置 phpstudy增加xdebug扩展 写配置文件php.ini,在末尾添加即可 [xdebug] xdebug.default_enable = On xdebug.collect_params = On xdebug.remote_connect_back = On xdebug.remote_host = 192.168.48

b1ackc4t的博客 1492

phpstudy自定义安装mysql8.3并启动

下载压缩包文件然后按下面的图片一步一步操作选择版本,选择第一个压缩包文件,下载下载完成后,解压到phpstudy环境目录下

互联网碎碎念 2801

基于FPGA的DDS信号发生器

之前的博客讲到了DDS的基本原理,现在用Verilog代码实现DDS,能够产生四种波形,方波,三角波,正弦波,锯齿波,用按键来控制频率和选择波形。其中按键消抖模块来自小梅哥的FPGA自学笔记设计与验证这本书。 module DDS_Module( Clk, Rst_n, EN, Fword, Key1, Pword, DA_Clk, DA_Data ); input Clk...

qq_43534451的博客 9949

postman里面使用 xdebug 断点调试

postman里面使用 xdebug 断点调试 [Xdebug] zend_extension=D:/phpstudy_pro/Extensions/php/php7.3.4nts/ext/php_xdebug.dll xdebug.collect_params=1 xdebug.collect_return=1 xdebug.collect_vars = 1 xdebug.auto_trace=1 xdebug.trace_output_dir=D:/phpstudy_pro/Extensions/php

qq_27878777的博客 1286

【讯飞星火大模型AI】SpringBoot整合星火API:从零构建智能数据分析助手

本文详细介绍了如何使用SpringBoot框架整合讯飞星火大模型API,从零构建一个智能数据分析助手。通过清晰的步骤,指导开发者完成API密钥申请、项目搭建、SDK集成与核心代码编写,实现用户通过自然语言指令和CSV数据,即可自动获得ECharts图表代码与专业数据分析结论,极大降低数据分析与可视化的门槛。

neovim7hacker的博客 275

宝塔面板,php8.2 + xdebug远程调试。

php代码在云服务器。通过远程(隧道/SSH)连接服务器开发。安装p配置xdebug。

sweet0112的博客 484

使用MATLAB进行灰色预测 GM(1,1)

使用MATLAB进行灰色预测 GM(1,1)

Hou_____的博客 997

电机驱动器MP6540H应用设计

/ ... 其他初始化函数(SystemClock_Config, MX_GPIO_Init, MX_TIM1_Init, MX_TIM2_Init)需要你根据STM32CubeMX生成或手动编写。// 假设霍尔传感器引脚是 GPIO_PIN_8, GPIO_PIN_9, GPIO_PIN_10。// 低侧U相GPIO引脚。

zhusl6688的博客 659

在Docker中使用Xdebug

时间:2020-08-13 17:26:21我们经常会使用 PhpStorm 结合 Xdebug 进行代码断点调试,这样能追踪程序执行流程,方便调试代码和发现潜在问题。博主将开发环境迁入 Docker 后,Xdebug 调试遇到了些问题,在这里整理出 Docker 中使用 Xdebug 的方法和注意事项。

springdk2009的博客 1276

微信小程序 - 获取当前日期时间(函数封装)

效果图 前言 摘自微信小程序demo程序中utils.js方法。 普通newDate()出来的日期时间,并不是我们想要的格式,所以要进行格式整理。 解决方案 打开utils.js文件(随意),复制以下代码: /** *获取当前时间 *@description自定义日期分钟秒数 *@param{Object}date-newData()对象 *@returnString */ functionformatTime(date){ //年月日

🏆 前端领域优质创作者 2843

phpstorm + postman + Xdebug配置

tips:如果本地配置的php版本的7.3.4(及phpinfo输出的版本) 那么就下载放到对应的版本下。当你xdebug.idekey = test时。4.放到对应的php版本的ext目录下。1.首先输出 phpinfo ();那么你需要取配置一个cookie。注意请求是要携带cookie的。3.下载对应的xdebug。6.设置phpstorm。5.设置php.ini。当然扩展也是需要打开的。7.配置cookie。

He195501的博客 1077

openclaw通俗入门系列4——智能体工作区

工作区 = 智能体的家,存放它的性格、记忆、技能。默认不是牢笼(可以用沙箱隔离)。建议放到私有 Git 备份,但绝对不要提交密钥!

m0_60605453的博客 462

14、深入解析Sigma - Delta调制算法:从原理到应用

本博客深入解析了Sigma-Delta调制(SDM)算法的原理与应用,特别是在Super Audio CD(SA-CD)音频编码中的作用。文章探讨了传统SDM的局限性,并介绍了一系列改进型前瞻式SDM技术,如Trellis Sigma-Delta调制、高效网格Sigma-Delta调制和修剪树Sigma-Delta调制。这些技术通过降低计算复杂度和提升信号转换质量,在音频处理和无损数据压缩领域展现出巨大潜力。此外,博客还对不同SDM技术进行了性能比较,并分析了如何实现最大信噪比(SNR),为未来音频技术和数

tgb34567890的博客 421

官方文档中docker安装php插件xdebug,并使用PHPStorm调试

根据官方文档安装php拓展插件 xdebug

fendouweiqian的博客 1475

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")

phpstorm+Xdebug+宝塔调试项目

phpstorm+Xdebug+宝塔调试项目

weixin_70924487的博客 1246

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

如何使用 Docker 安装宝塔面板

隔离性好:Docker 的轻量级容器化技术可以帮助您将应用程序打包成一个独立的容器,这个容器包含了您所需要的环境和配置。这样,无论在哪个环境中运行,您的应用程序都会保持一致,不会受到其他应用程序或环境的干扰,有利于您的应用程序的安全和稳定性。通过以上步骤的介绍,您可以轻松地安装和使用宝塔面板,为您的 Web 服务提供良好的运行环境和管理服务。部署方便:Docker 安装宝塔面板,只需几个命令即可完成,避免了繁琐的安装和配置过程,对于新手用户而言,这减轻了很大的负担,也缩短了他们使用宝塔面板的时间。

weixin_45480174的博客 1万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

宝塔 开启xdebug_vscode 宝塔面板windows版 php xdebug调试

一、安装xdebug插件宝塔面板php.ini xdebug 设置[XDebug]xdebug.profiler_append=0xdebug.profiler_enable=1xdebug.profiler_enable_trigger=0xdebug.profiler_output_dir="e:\BtSoft\WebSoft\temp\xdebug";临时跟踪信息输出xdebu...

weixin_42668301的博客 869

docker安装使用xdebug

1.1 到https://pecl.php.net/package/xdebug下载tgz文件,下载当前最新稳定版本的文件。文档地址:https://www.jetbrains.com/help/phpstorm/2021.3/configuring-xdebug.html。2、右键点击 Xdebug 图标选择选项点击进入配置页面将 IDE Key 设置完整保存。2、安装xdebug不同版本对应填写在php.ini的参数是不一样的。1、需要先安装PHP xdebug扩展。3、编辑项目的debug配置。

weixin_38155824的博客 1353

使用宝塔+xdebug+vscode远程调试代码

背景 php运行程序在远程服务器上,想在本地调试远程代码。 vscode配置 1、远程打开项目代码,需要安装remote development进行远程连接,连接后输入远程项目代码路径就可以连接上。 2、php调试需要安装phpdebug插件 3、在项目代码launch.json配置调试信息 { // 使用 IntelliSense 了解相关属性。 // 悬停以查看现有属性的描述。 // 欲了解更多信息,请访问: https://go.microsoft.com/fwlink/?l

bee-factory 2257

docker环境中配置phpstorm php xdebug调试工具

docker-compose 增加开启xdebug的环境变量,host.docker.internal是宿主机的地址,也就是你本地局域网的ip,也可以直接写成 ip:9100。有的安装环境是放在php.ini里的道理一样,就是吧xdebug的配置写入docker容器的配置文件里。第一步:在php镜像中安装phpxdebug扩展,比如php7.4对应的是xdebug3.1.6。第二步:设置项目中的docker-compose.yml。第三步:配置startuop.sh,添加如下代码。完成,可以正常打印了。

༺墨༒眉༻ 2029

Windows 10 下使用 PHPStorm 在docker环境中配置xdebug(sdebug)

到github上把sdebug下载下来,在容器中创建一个目录 mkdir -p /www/softs,把下截的zip 上传到镜像中并且解压;也可以 在 Cookie 中添加 XDEBUG_SESSION=PHPSTORM 也可以触发调试。可以用原来的映像卷,如果用新的映像卷,把项目复制到新的/www/wwwroot目录下。在 www/server/php/73/etc 目录的php.ini中增加。三、配置phpstorm(这里用的phpstorm2020)11.用新的镜像,新运行一个容器。

huangyongcsdn的专栏 846

宝塔 xdebug idea 调试 php

宝塔 xdebug idea 调试 php

qq_31683775的博客 1578

宝塔 开启xdebug_XDebug的配置和使用

1 Xdebug介绍Xdebug是一个开放源代码的PHP程序调试器(即一个Debug工具)可以用来跟踪,调试和分析PHP程序的运行状况。XDebug其实是一个.dll文件,将它放置到PHP程序的目录,并在PHP的配置文件中填入相关参数,就可以使用了。当你每次访问一个页面,他都会在指定的目录下生成一个文档,文档里详细的记录了相关变量和函数的运行时间、源文件等等。可以通过此文件,得知PHP的运行状况、...

weixin_30386973的博客 1290
上一篇: 记录测试
下一篇: laravel日常笔记
自娱自乐22
博客等级 码龄18年 241粉丝 135原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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