Legato:Ruby 客户端用于 Google Analytics 核心报告和管理 API
1. 安装指南
1.1 安装 Ruby 环境
在安装 Legato 之前,确保你的系统已经安装了 Ruby 环境。你可以通过以下命令检查 Ruby 是否已安装:
ruby -v
如果未安装 Ruby,请参考 Ruby 官方安装指南 进行安装。
1.2 安装 Legato Gem
Legato 是一个 Ruby Gem,可以通过 Bundler 或直接使用 gem 命令进行安装。
使用 Bundler 安装
在你的 Gemfile 中添加以下内容:
gem 'legato'
然后运行以下命令安装 Gem:
bundle install
使用 gem 命令安装
你也可以直接使用 gem 命令安装 Legato:
gem install legato
2. 项目的使用说明
2.1 获取 OAuth2 访问令牌
首先,你需要从 Google 获取一个 OAuth2 访问令牌。你可以参考 Google OAuth2 文档 获取访问令牌。
access_token = OAuth2 Access Token # 从 Google 获取
2.2 创建用户
使用获取到的访问令牌创建一个新的用户:
user = Legato::User.new(access_token)
2.3 列出账户和配置文件
你可以列出用户有权访问的所有账户和配置文件:
user.accounts
user.accounts.first.profiles
2.4 获取配置文件
你可以获取用户有权访问的配置文件:
profile = user.profiles.first
2.5 使用配置文件
配置文件可以用于查询 Google Analytics 数据。例如,你可以定义一个模型来查询退出率和页面浏览量:
class Exit
extend Legato::Model
metrics :exits, :pageviews
dimensions :page_path, :operating_system, :browser
end
profile.exit # 返回一个 Legato::Query 对象
profile.exit.each {} # 任何可枚举的操作都会触发对 GA 的请求
3. 项目 API 使用文档
3.1 指标和维度
你可以使用 metrics 和 dimensions 方法来定义查询的指标和维度:
metrics :exits, :pageviews
dimensions :page_path, :operating_system, :browser
3.2 过滤
你可以使用 filter 方法来定义查询过滤器:
filter(:high_exits) { gte(:exits, 2000) }
filter(:low_pageviews) { lte(:pageviews, 200) }
3.3 使用和链式过滤
你可以将配置文件作为参数传递给过滤器,并链式调用多个过滤器:
Exit.for_browser("Safari", profile)
Exit.high_exits.low_pageviews(profile)
3.4 实时报告
你可以使用 realtime 方法进行实时报告查询:
Exit.results(profile).realtime
4. 项目安装方式
4.1 使用 Bundler 安装
在你的 Gemfile 中添加以下内容:
gem 'legato'
然后运行以下命令安装 Gem:
bundle install
4.2 使用 gem 命令安装
你也可以直接使用 gem 命令安装 Legato:
gem install legato
4.3 验证安装
安装完成后,你可以通过以下命令验证 Legato 是否安装成功:
irb
require 'legato'
如果没有报错,说明 Legato 已成功安装。
总结
Legato 是一个强大的 Ruby 客户端,用于与 Google Analytics 核心报告和管理 API 进行交互。通过本文档,你可以了解如何安装、配置和使用 Legato 来查询和管理 Google Analytics 数据。希望本文档能帮助你更好地理解和使用 Legato。
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-X1-7BSpark-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