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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust015
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00