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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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