【亲测免费】 Ketcher 技术文档
1. 安装指南
1.1 通过 npm 安装
Ketcher 可以通过 npm 安装为 React 组件库。首先,确保你已经安装了 Node.js 和 npm。然后,在你的项目目录下运行以下命令:
npm install ketcher-react
1.2 下载预构建的应用程序
你也可以下载预构建的 Ketcher 应用程序。访问 GitHub Releases 页面,选择你需要的版本,下载对应的压缩包。解压后,你可以将应用程序嵌入到你的网页中,或者作为一个独立的页面运行。
2. 项目的使用说明
2.1 嵌入 React 组件
在你的 React 项目中,你可以通过以下方式嵌入 Ketcher:
import React from 'react';
import { Ketcher } from 'ketcher-react';
function App() {
return (
<div style={{ width: '100%', height: '600px' }}>
<Ketcher />
</div>
);
}
export default App;
2.2 使用预构建的应用程序
如果你下载了预构建的应用程序,你可以将其嵌入到你的网页中,或者作为一个独立的页面运行。例如,你可以通过 iframe 嵌入:
<iframe src="path/to/ketcher/index.html" width="100%" height="600px"></iframe>
3. 项目 API 使用文档
Ketcher 提供了丰富的 API,允许你与编辑器进行交互。以下是一些常用的 API 方法:
3.1 获取结构表示
-
getSmiles(isExtended = false): Promise<string>
返回绘制的结构在 SMILES 格式中的字符串表示。 -
getMolfile(molfileFormat): Promise<string>
返回绘制的结构在 MOL 格式中的字符串表示。 -
getRxn(molfileFormat): Promise<string>
返回绘制的结构在 RXN 格式中的字符串表示。
3.2 设置结构
-
setMolecule(structure: string): Promise<void>
在画布上绘制传入的结构。当前结构将被移除。 -
addFragment(structure: string): Promise<void>
在画布上添加传入的结构。当前结构不会被改变。
3.3 其他功能
-
layout(): Promise<void>
对绘制的结构执行布局算法。 -
recognize(image: Blob, version?: string): Promise<Struct>
从图像中识别结构。
4. 项目安装方式
Ketcher 可以通过以下两种方式安装:
4.1 作为 React 组件库安装
通过 npm 安装:
npm install ketcher-react
4.2 下载预构建的应用程序
访问 GitHub Releases 页面,下载你需要的版本,解压后即可使用。
通过以上步骤,你可以轻松地将 Ketcher 集成到你的项目中,并利用其强大的功能进行化学结构的编辑和处理。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0237
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
JoyAI-VL-Interaction-Preview京东开源首个开源、视觉驱动的实时交互模型——它能实时监控视频流,并自主决定何时发言、保持沉默或委托任务。Jinja00
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0166
kornia🐍 空间人工智能的几何计算机视觉库Python03
PaddleParallel Distributed Deep Learning: Machine Learning Framework from Industrial Practice (『飞桨』核心框架,深度学习&机器学习高性能单机、分布式训练和跨平台部署)C++02