【免费下载】 eary/bing项目解析:必应壁纸API接口使用指南
2026-02-04 04:47:30作者:卓炯娓
项目概述
eary/bing是一个提供必应(Bing)每日壁纸的API服务项目,开发者可以通过简单的HTTP请求获取必应每日更新的精美壁纸。该项目提供了多种接口形式,支持获取当日壁纸、随机壁纸以及经过高斯模糊处理的壁纸,非常适合需要高质量壁纸资源的应用场景。
核心功能接口详解
1. 获取当日壁纸接口
接口路径:/v1{d,w,h,p,size,callback}
这是项目中最基础的接口,用于获取必应当日的壁纸数据。接口设计灵活,支持多种参数组合:
- 基本用法:直接请求
/v1将返回当日壁纸的完整JSON数据 - 日期参数(d):可以获取历史壁纸,d=1表示昨天的壁纸,d=2表示前天的壁纸,以此类推
- 分页参数(p/size):支持分页获取壁纸数据
- 图片尺寸参数(w/h):指定宽度和高度将直接返回图片二进制流而非JSON数据
- JSONP支持(callback):前端开发者可以通过callback参数实现跨域请求
典型使用场景:
- 网站每日自动更换背景
- 移动应用壁纸推荐功能
- 桌面壁纸自动更新工具
2. 随机壁纸接口
接口路径:/v1/rand{w,h,type,callback}
这个接口提供了从必应壁纸库中随机获取一张壁纸的功能:
- 图片尺寸(w/h):可以指定返回图片的宽度和高度
- 返回类型(type):默认返回图片二进制流,设置type=json可获取壁纸的元数据
- 跨域支持(callback):同样支持JSONP调用方式
开发建议: 此接口非常适合需要随机展示不同壁纸的场景,如屏保程序、应用启动画面等。由于是随机获取,每次请求都可能得到不同的结果,为应用增添变化性。
3. 高斯模糊壁纸接口
接口路径:/v1/blur{d,w,h,r}
这是一个特色功能接口,能够返回经过高斯模糊处理的必应壁纸:
- 模糊半径(r):取值范围1-50,数值越大模糊效果越强
- 日期参数(d):可以获取历史壁纸的模糊版本
- 分辨率限制:必须指定w和h参数,且必须是预设分辨率之一
技术细节: 该接口目前支持14种常见屏幕分辨率,从手机屏幕到高清显示器都有覆盖。模糊处理是在服务端完成的,客户端只需简单请求即可获得专业效果。
分辨率支持说明
高斯模糊接口支持以下分辨率(宽x高,单位像素):
- 1920x1200
- 1920x1080
- 1366x768
- 1280x768
- 1024x768
- 800x600
- 800x480
- 768x1280
- 720x1280
- 640x480
- 480x800
- 400x240
- 320x240
- 240x320
这些分辨率覆盖了从手机到桌面显示器的常见尺寸,开发者可以根据目标设备的屏幕特性选择合适的尺寸。
最佳实践建议
- 缓存策略:由于壁纸每日更新,客户端应实现合理的缓存机制,避免频繁请求
- 错误处理:当请求的分辨率不受支持时,服务端会返回错误,客户端应做好兼容处理
- 性能优化:对于移动应用,建议根据设备屏幕尺寸请求合适的分辨率,避免下载过大图片
- 用户体验:使用随机壁纸接口时,可以考虑本地保存用户偏好,提供更个性化的推荐
总结
eary/bing项目提供的必应壁纸API接口简单易用但功能强大,无论是获取当日精美壁纸、随机壁纸还是特殊效果的模糊壁纸,都能通过简单的HTTP请求实现。开发者可以轻松地将这些接口集成到自己的应用中,为用户提供高质量的壁纸服务。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
React Native鸿蒙化仓库
JavaScript
312
365
Ascend Extension for PyTorch
Python
397
474
🎉 (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
1.39 K
787
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++
902
706
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
360
219
昇腾LLM分布式训练框架
Python
122
148
暂无简介
Dart
814
200
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161
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
124
161