Zencoder API PHP 库使用指南
2024-12-20 14:38:18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
kernelopenEuler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。C030
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
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
425
3.26 K
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++
689
334
暂无简介
Dart
686
161
Ascend Extension for PyTorch
Python
231
264
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
React Native鸿蒙化仓库
JavaScript
266
326
🎉 (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
1.22 K
667
🔥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
65
19
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
19
30