Apache OpenWhisk Python 客户端技术文档
2024-12-23 10:12:15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
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 StartedRust0191
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 Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
764
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
678
1.33 K
Ascend Extension for PyTorch
Python
719
876
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
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++
1.08 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 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 Notebook
302
117
昇腾LLM分布式训练框架
Python
178
220