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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
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- 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