ArcGIS Python API 中生成使用报告时的常见问题解析
2025-07-05 02:23:11作者:范靓好Udolf
问题背景
在使用ArcGIS Python API的gis.admin.usage_reports.generate_report()功能时,开发者可能会遇到"Specified output format not supported"的错误提示。这个问题主要出现在尝试生成特定类型的报告时,如"content"、"activity"、"credits"和"serviceUsages"等报告类型。
问题分析
经过深入调查,我们发现这个问题与API版本和参数设置有关。虽然官方文档中曾提到这个问题在"当前版本"中已修复,但实际上在多个较新版本(包括2.3.0.3和2.4.0)中仍然存在。
解决方案
要成功生成使用报告,需要注意以下几点关键因素:
-
必须参数:对于"activity"、"credits"和"serviceUsages"等报告类型,必须指定
start_time参数。这个参数应该设置为报告周期的起始时间。 -
时间计算:建议使用Python的datetime模块计算合适的起始时间。例如,要生成两周前的周报,可以使用以下代码计算起始时间:
from datetime import datetime, timedelta start_time = datetime.now() - timedelta(days=datetime.now().weekday() + 14) -
完整示例:以下是生成各种类型报告的正确代码示例:
from arcgis.gis import GIS from datetime import datetime, timedelta gis = GIS(profile="your_online_profile") report_types = ["content", "users", "activity", "credits", "serviceUsages"] start_time = datetime.now() - timedelta(days=datetime.now().weekday() + 14) for rtype in report_types: try: report_job = gis.admin.usage_reports.generate_report( report_type = rtype, duration = 'weekly', start_time=start_time, future = False ) print(f"成功生成{rtype}报告") except Exception as e: print(f"生成{rtype}报告失败: {e}")
注意事项
-
对于"itemUsages"报告类型,目前还需要额外的
timeAggregate参数,这个问题将在下一个API版本中修复。 -
建议始终检查API文档中的最新参数要求,因为随着版本更新,参数要求可能会发生变化。
-
如果遇到错误,可以尝试捕获异常并输出详细错误信息,这有助于更准确地定位问题原因。
总结
通过正确设置参数,特别是确保为特定报告类型提供必要的start_time参数,可以成功生成各种使用报告。开发者应该注意不同报告类型可能有不同的参数要求,并在代码中做好异常处理,以确保程序的健壮性。
登录后查看全文
热门项目推荐
相关项目推荐
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
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
422
3.25 K
Ascend Extension for PyTorch
Python
230
261
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
331
暂无简介
Dart
686
160
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
🔥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
🎉 (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
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869