`edx-dl` 使用与安装指南
一、安装指南
edx-dl 是一个简单的工具,用于从基于 Open edX 的网站下载视频和讲义材料。它需要一个 Python 解释器(版本 >= 2.7)和很少的其他依赖项。它是跨平台的,可以在 Unix(Linux、BSDs 等)、Windows 或 Mac OS X 上正常工作。
如果您还没有安装 Python 解释器,我们强烈建议您安装 Python >= 3.6,因为通常情况下它表现更好。
推荐安装
要安装 edx-dl,请运行以下命令:
pip install edx-dl
手动安装
要安装所有依赖项,请执行以下命令:
pip install -r requirements.txt
安装 youtube-dl
edx-dl 最重要的依赖之一是 youtube-dl。上述安装步骤已经为您拉取了 youtube-dl 的最新版本。
由于许多 Open edX 网站将视频存储在 YouTube 上,而 YouTube 会不时更改其布局,因此可能需要升级您的 youtube-dl 副本。最简单的方法是使用以下命令:
pip install --upgrade youtube-dl
二、项目使用说明
在安装完所有内容之后,要使用 edx-dl.py,让它发现您已报名的课程,请执行以下命令:
edx-dl -u user@user.com --list-courses
然后,选择您感兴趣的课程,复制其 URL 并在以下命令中使用:
edx-dl -u user@user.com COURSE_URL
将 COURSE_URL 替换为您在第一步复制的 URL。它应该看起来像这样:
https://courses.edx.org/courses/edX/DemoX.1/2014/info
下载的视频将被放置在当前目录下名为 Downloaded 的新目录中,但您也可以使用 -o 参数选择其他目的地。
要查看所有可用选项及其简要说明,只需执行:
edx-dl --help
重要提示: 如果要使用除 <edx.org> 以外的网站,您必须指定网站以及 -x 选项。例如,如果要获取斯坦福大学的课程,可以使用 -x stanford。
三、项目API使用文档
项目不提供特定的 API 文档,但所有命令行选项和参数在执行 edx-dl --help 时都有说明。
四、项目安装方式
除了上述的 pip install 方式外,您还可以使用 Docker 容器运行此应用程序。只需安装 Docker 并运行以下命令:
docker run --rm -it \
-v "$(pwd)/edx/:/Downloaded" \
strm/edx-dl -u <USER> -p <PASSWORD>
在报告任何问题之前,请确保您运行的是所有程序(包括 edx-dl 和 youtube-dl)的最新版本。如果在怀疑,请使用以下命令:
pip install --upgrade edx-dl
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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