GAPIC Generator Python 使用教程
1. 项目介绍
GAPIC Generator Python 是一个用于生成 Python API 客户端库的工具,适用于通过 Protocol Buffers 描述的 API。该项目的主要目的是替代传统的单体生成器,提供更轻量级、更明确的 API 规范格式,并支持在 Python 3 中生成客户端库。
主要特点
- 轻量级: 专注于生成 Python API 客户端库。
- Bazel 支持: 可以通过 Bazel 进行调用,适合在持续集成和自动化管道中使用。
- Protocol Buffers: 支持通过 Protocol Buffers 描述的 API。
2. 项目快速启动
2.1 安装
首先,确保你已经安装了 Python 3.7 或更高版本。然后,使用 pip 安装 gapic-generator:
pip install gapic-generator
2.2 克隆 Google APIs 仓库
为了生成客户端库,你需要克隆 Google APIs 仓库:
git clone https://github.com/googleapis/googleapis.git
2.3 创建 Bazel 目标
在你的 BUILD.bazel 文件中添加以下目标:
load("@gapic_generator_python//rules_python_gapic:py_gapic.bzl", "py_gapic_library")
load("@gapic_generator_python//rules_python_gapic:py_gapic_pkg.bzl", "py_gapic_assembly_pkg")
py_gapic_library(
name = "documentai_py_gapic",
srcs = [":documentai_proto"],
)
py_gapic_assembly_pkg(
name = "documentai-v1beta2-py",
deps = [
":documentai_py_gapic",
],
)
2.4 编译 API
使用 Bazel 编译 API:
bazel build //google/cloud/documentai/v1beta2:documentai-v1beta2-py
3. 应用案例和最佳实践
3.1 自动化生成客户端库
在持续集成(CI)环境中,可以使用 Bazel 自动化生成客户端库。通过配置 CI 工具(如 GitHub Actions),在每次代码提交时自动生成和测试客户端库。
3.2 自定义 API 生成
通过修改 Protocol Buffers 文件中的注释和结构,可以自定义生成的客户端库。例如,添加自定义方法或修改现有方法的参数。
4. 典型生态项目
4.1 Google Cloud APIs
GAPIC Generator Python 主要用于生成 Google Cloud 服务的客户端库。例如,Google Cloud Vision、Google Cloud Document AI 等服务的客户端库都可以通过该项目生成。
4.2 Protocol Buffers
Protocol Buffers 是 Google 开发的一种数据序列化格式,广泛用于定义 API 和服务。GAPIC Generator Python 依赖于 Protocol Buffers 来生成客户端库。
4.3 Bazel
Bazel 是一个开源构建工具,支持大规模软件项目的构建和测试。GAPIC Generator Python 推荐使用 Bazel 进行自动化构建和集成。
通过以上步骤,你可以快速上手并使用 GAPIC Generator Python 生成 Python API 客户端库。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00