Apache OpenWhisk Python 客户端技术文档
2024-12-23 23:42:44作者:邵娇湘
1. 安装指南
环境要求
- Python 3.6 或更高版本
requests库(用于发送 HTTP 请求)
安装步骤
-
安装 Python:确保你的系统上已经安装了 Python 3.6 或更高版本。你可以通过以下命令检查 Python 版本:
python3 --version -
安装
requests库:使用pip安装requests库,该库用于与 OpenWhisk 的 REST API 进行交互。pip install requests
2. 项目的使用说明
使用示例
以下是一个使用 Python 调用 OpenWhisk 中 echo 动作的示例代码:
import subprocess
import requests
APIHOST = 'https://openwhisk.ng.bluemix.net'
AUTH_KEY = subprocess.check_output("wsk property get --auth", shell=True).split()[2]
NAMESPACE = 'whisk.system'
ACTION = 'utils/echo'
PARAMS = {'myKey':'myValue'}
BLOCKING = 'true'
RESULT = 'true'
url = APIHOST + '/api/v1/namespaces/' + NAMESPACE + '/actions/' + ACTION
user_pass = AUTH_KEY.split(':')
response = requests.post(url, json=PARAMS, params={'blocking': BLOCKING, 'result': RESULT}, auth=(user_pass[0], user_pass[1]))
print(response.text)
代码说明
- APIHOST:OpenWhisk 的 API 主机地址。
- AUTH_KEY:通过
wsk命令获取的认证密钥。 - NAMESPACE:命名空间,通常为
whisk.system。 - ACTION:要调用的动作名称,例如
utils/echo。 - PARAMS:传递给动作的参数。
- BLOCKING 和 RESULT:控制请求的阻塞和结果返回方式。
3. 项目 API 使用文档
API 调用方式
OpenWhisk 提供了 REST API,可以通过 Python 的 requests 库进行调用。以下是一些常见的 API 调用方式:
调用动作
response = requests.post(url, json=PARAMS, params={'blocking': BLOCKING, 'result': RESULT}, auth=(user_pass[0], user_pass[1]))
获取动作列表
url = APIHOST + '/api/v1/namespaces/' + NAMESPACE + '/actions'
response = requests.get(url, auth=(user_pass[0], user_pass[1]))
print(response.text)
创建动作
url = APIHOST + '/api/v1/namespaces/' + NAMESPACE + '/actions/myAction'
response = requests.put(url, json=ACTION_CODE, auth=(user_pass[0], user_pass[1]))
print(response.text)
API 参数说明
- url:API 的完整 URL。
- json:传递给 API 的 JSON 数据。
- params:URL 参数。
- auth:认证信息,通常为
user:password格式。
4. 项目安装方式
通过 pip 安装
目前没有官方的 Python 客户端库,但你可以通过 pip 安装 requests 库来使用 OpenWhisk 的 REST API。
pip install requests
手动安装
如果你需要手动安装 requests 库,可以从其官方 GitHub 仓库下载源码并进行安装:
git clone https://github.com/psf/requests.git
cd requests
python setup.py install
通过以上步骤,你可以成功安装并使用 Python 与 OpenWhisk 进行交互。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218