Zencoder API PHP 库使用指南
2024-12-20 22:55:04作者:温玫谨Lighthearted
1. 安装指南
首先,您需要从 GitHub 下载 Zencoder API PHP 库。您可以通过访问 Zencoder API PHP 库 GitHub 仓库 来获取库的副本。
下载后,将库文件 Zencoder.php 放置在您的服务器上,确保您的脚本可以访问该文件。
git clone https://github.com/zencoder/zencoder-php.git
2. 项目使用说明
要开始使用 Zencoder API PHP 库,您需要创建 Services_Zencoder 类的新实例,并传递您的 API 密钥作为第一个参数。
$zencoder = new Services_Zencoder('您的API密钥');
一旦创建了对象,您就可以使用它来与 API 进行交互。以下是一些可以调用的函数的快速概览:
$zencoder->accounts->create($array);
$zencoder->jobs->create($array);
$zencoder->jobs->progress($job_id);
$zencoder->inputs->details($input_id);
$zencoder->outputs->details($output_id);
$zencer->notifications->parseIncoming();
任何错误都将抛出 Services_Zencoder_Exception。您可以在异常上调用 getErrors() 方法,它将返回从 Zencoder API 接收到的任何错误。
3. 项目API使用文档
Zencoder API PHP 库使用 cURL 来发送 JSON 格式的参数到 Zencoder 的编码 API。
创建编码任务
第一步
访问您的 Zencoder 账户中的 API 构建器,并执行一个成功的编码任务。
第二步
复制成功的 JSON 字符串(以第一个花括号 { 开头),并将其作为新 ZencoderJob 对象的参数。在您的服务器上执行此脚本来测试它是否正常工作。
try {
$zencoder = new Services_Zencoder('您的API密钥');
$encoding_job = $zencoder->jobs->create(
array(
"input" => "s3://bucket-name/file-name.avi",
"outputs" => array(
array(
"label" => "web"
)
)
)
);
echo "成功!\n";
echo "任务 ID: " . $encoding_job->id . "\n";
echo "输出 ID: " . $encoding_job->outputs['web']->id . "\n";
} catch (Services_Zencoder_Exception $e) {
echo "失败 :(\n";
foreach ($e->getErrors() as $error) {
echo $error . "\n";
}
}
第三步
修改上述脚本来满足您的需求。
通知处理
ZencoderOutputNotification 类用于捕获和解析当输出文件完成时从 Zencoder 发送到您的应用程序的 JSON 数据。
第一步
创建一个用于接收通知的脚本,并将其上传到服务器上的一个公共可访问位置。
try {
$zencoder = new Services_Zencoder('您的API密钥');
$notification = $zencoder->notifications->parseIncoming();
// 根据通知状态进行处理
} catch (Services_Zencoder_Exception $e) {
echo "失败 :(\n";
foreach ($e->getErrors() as $error) {
echo $error . "\n";
}
}
第二步
在编码任务的参数中,为每个您想要接收到通知的输出添加脚本的 URL。
$encoding_job = $zencoder->jobs->create(
array(
"outputs" => array(
array(
"label" => "web",
"notifications" => array("http://example.com/encoding/notification.php")
)
)
)
);
第三步
修改上述脚本来满足您的需求。
4. 项目安装方式
请参考上述的安装指南来安装 Zencoder API PHP 库。确保您已经将库文件放置在服务器上,并且您的脚本可以访问到它。
登录后查看全文
热门项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
265
2.54 K
deepin linux kernel
C
24
6
Ascend Extension for PyTorch
Python
98
126
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++
597
150
暂无简介
Dart
555
124
React Native鸿蒙化仓库
JavaScript
221
301
仓颉编译器源码及 cjdb 调试工具。
C++
117
93
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.02 K
603
仓颉编程语言测试用例。
Cangjie
34
84
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
357
1.83 K