Langchain 多模态输入和格式化输出

多模态输入

  1. 图片处理（最高频）
    1.1 URL形式（推荐大文件）
from langchain.schema import HumanMessage
from langchain.chat_models import ChatOpenAIchat = ChatOpenAI(model="gpt-4-vision-preview")message = HumanMessage(content=[{"type": "text", "text": "描述这张图片"},{"type": "image_url","image_url": {"url": "https://example.com/image.jpg","detail": "auto"  # 可选参数：low/high（控制token消耗）}}]
)
response = chat([message])

1.2 Base64形式（推荐小文件）

import base64
from PIL import Image
import io# 图像预处理
def process_image(image_path, max_size=512):img = Image.open(image_path)img.thumbnail((max_size, max_size))buffered = io.BytesIO()img.save(buffered, format="JPEG")return base64.b64encode(buffered.getvalue()).decode('utf-8')base64_image = process_image("local_image.jpg")message = HumanMessage(content=[{"type": "text", "text": "分析这张医学影像"},{"type": "image_url","image_url": {"url": f"data:image/jpeg;base64,{base64_image}","detail": "high"}}]
)
  1. 音频处理
    2.1 URL形式（推荐长音频）
audio_message = HumanMessage(content=[{"type": "text", "text": "总结这段会议录音"},{"type": "audio_url","audio_url": {"url": "https://example.com/meeting.mp3","transcription_format": "srt"  # 可选字幕格式}}]
)

2.2 Base64形式（推荐短音频）

with open("audio.mp3", "rb") as audio_file:base64_audio = base64.b64encode(audio_file.read()).decode('utf-8')audio_message = HumanMessage(content=[{"type": "text", "text": "转写这段语音"},{"type": "audio_url","audio_url": {"url": f"data:audio/mp3;base64,{base64_audio}","duration": 30  # 单位：秒（帮助模型优化处理）}}]
)
  1. 视频处理（需分帧处理）
    3.1 关键帧提取方案
from moviepy.editor import VideoFileClip
import numpy as npdef extract_key_frames(video_path, interval=10):clip = VideoFileClip(video_path)frames = []for t in np.arange(0, clip.duration, interval):frame = clip.get_frame(t)# 转换为base64（参考图片处理部分）return frameskey_frames = extract_key_frames("video.mp4")video_message = HumanMessage(content=[{"type": "text", "text": "分析这段教学视频"},*[{"type": "image_url", "image_url": frame} for frame in key_frames],{"type": "text","text": f"视频总时长：{clip.duration}秒，采样间隔：{interval}秒"}]
)
  1. 多图处理策略
multi_image_message = HumanMessage(content=[{"type": "text", "text": "比较这三款产品的设计差异"},*[{"type": "image_url","image_url": {"url": url,"detail": "low"  # 多图时建议使用low模式}} for url in ["https://example.com/product1.jpg","data:image/png;base64,...","https://example.com/product3.jpg"]],{"type": "text","text": "从左到右依次是产品A、B、C，请重点分析色彩搭配"}]
)

最佳实践建议：

  1. 格式选择：
  • URL更适合：文件>1MB、需要复用、云端存储
  • Base64更适合：文件<1MB、临时处理、需要加密
  1. 性能优化：
  • 图片：调整分辨率（推荐512px）、选择WEBP格式
  • 音频：采样率控制在16kHz、单声道
  • 视频：关键帧间隔建议10-30秒
  1. 上下文管理：
# 多模态消息组合示例
combined_message = [HumanMessage(content=[...]),  # 用户问题AIMessage(content=[...]),     # 历史回答HumanMessage(content=[...])   # 新输入
]
  1. 错误处理：
try:response = chat(messages)
except openai.BadRequestError as e:if "content" in str(e):print("建议：1. 降低图片分辨率 2. 减少多模态元素数量 3. 简化文字指令")

注意事项：

  1. 模型支持验证：确认使用的模型版本支持多模态输入
  2. 成本控制：图片high detail模式消耗更多token（base image: 85 tokens + 85*detail）
  3. 隐私保护：敏感信息建议使用临时URL+访问控制

完整示例（图片分析+音频转写）：

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage# 初始化多模态模型
multimodal_chat = ChatOpenAI(model="gpt-4-vision-preview",max_tokens=4096
)# 构建多模态消息
message = HumanMessage(content=[{"type": "text","text": "请分析这张设计图，并根据录音反馈改进建议"},{"type": "image_url","image_url": {"url": "https://example.com/design.jpg","detail": "high"}},{"type": "audio_url","audio_url": {"url": "data:audio/mp3;base64,...","transcription_format": "text"}}]
)# 获取响应
response = multimodal_chat([message])
print(response.content)
```<think>
嗯，用户正在学习LangChain，想了解如何在大模型交互中处理多模态输入，包括音频、视频、图片，以及URL和Base64两种形式，还有多张图片的情况。需要根据实际使用优先级来介绍，并提供最佳实践代码。首先，我需要整理多模态输入的优先级。通常，图片处理在LangChain中最常见，其次是音频，视频处理可能较少，因为大模型对视频的支持可能有限。不过，还是需要涵盖所有类型。然后，关于输入形式，URL和Base64都是常用的。URL更节省资源，适合大文件，而Base64适合小文件或需要内联数据的场景。需要分别说明这两种方法。对于多张图片的情况，可能需要考虑模型是否支持多图输入，或者需要将多图信息合并处理，比如用CLIP模型提取特征再综合。接下来需要分步骤详细讲解每种模态的处理方式，包括代码示例。代码部分需要使用最新的LangChain库，可能需要结合OpenAI的API或其他多模态模型，如GPT-4V。需要注意用户可能对如何构造消息、处理不同格式不太熟悉，所以代码要尽量详细，并解释关键步骤。同时，要提醒用户注意费用和模型支持情况，比如GPT-4V是否可用，或者是否需要其他模型如CLIP。可能需要提到使用PIL库处理图片，requests库获取URL内容，base64编码转换，以及如何处理音频和视频的转录或摘要。对于视频，可能建议提取关键帧或使用Whisper进行音频转录，再结合处理。还要检查是否有遗漏的部分，比如多张图片的最佳实践，是否要分别编码还是合并，可能需要举例说明。另外，确保代码示例正确，特别是base64编码的部分，可能需要演示如何正确读取文件并编码。最后，总结最佳实践，强调根据模型能力选择输入方式，优先使用URL减少传输负担，处理大文件时注意分块或使用适合的模型。可能还要提醒用户处理多模态时的上下文管理，比如在LangChain中使用不同的消息类型组合。可能还需要验证代码示例是否正确，比如使用OpenAI的ChatCompletion时，是否正确传递了multipart/form-data的数据结构，或者是否需要使用特定的LangChain模块，如ChatOpenAI和HumanMessage、AIMessage等。总之，结构应该是先介绍图片处理（URL和Base64），然后是音频，视频，多张图片的情况，每个部分都给出代码示例，并解释注意事项和最佳实践。确保回答全面，覆盖用户的问题点，同时提供可操作的代码。</think>以下是关于在LangChain中实现大模型多模态输入的实践指南，按实际使用优先级排序：1. 图片处理（最高频）
1.1 URL形式（推荐大文件）
```python
from langchain.schema import HumanMessage
from langchain.chat_models import ChatOpenAIchat = ChatOpenAI(model="gpt-4-vision-preview")message = HumanMessage(content=[{"type": "text", "text": "描述这张图片"},{"type": "image_url","image_url": {"url": "https://example.com/image.jpg","detail": "auto"  # 可选参数：low/high（控制token消耗）}}]
)
response = chat([message])

1.2 Base64形式（推荐小文件）

import base64
from PIL import Image
import io# 图像预处理
def process_image(image_path, max_size=512):img = Image.open(image_path)img.thumbnail((max_size, max_size))buffered = io.BytesIO()img.save(buffered, format="JPEG")return base64.b64encode(buffered.getvalue()).decode('utf-8')base64_image = process_image("local_image.jpg")message = HumanMessage(content=[{"type": "text", "text": "分析这张医学影像"},{"type": "image_url","image_url": {"url": f"data:image/jpeg;base64,{base64_image}","detail": "high"}}]
)
  1. 音频处理
    2.1 URL形式（推荐长音频）
audio_message = HumanMessage(content=[{"type": "text", "text": "总结这段会议录音"},{"type": "audio_url","audio_url": {"url": "https://example.com/meeting.mp3","transcription_format": "srt"  # 可选字幕格式}}]
)

2.2 Base64形式（推荐短音频）

with open("audio.mp3", "rb") as audio_file:base64_audio = base64.b64encode(audio_file.read()).decode('utf-8')audio_message = HumanMessage(content=[{"type": "text", "text": "转写这段语音"},{"type": "audio_url","audio_url": {"url": f"data:audio/mp3;base64,{base64_audio}","duration": 30  # 单位：秒（帮助模型优化处理）}}]
)
  1. 视频处理（需分帧处理）
    3.1 关键帧提取方案
from moviepy.editor import VideoFileClip
import numpy as npdef extract_key_frames(video_path, interval=10):clip = VideoFileClip(video_path)frames = []for t in np.arange(0, clip.duration, interval):frame = clip.get_frame(t)# 转换为base64（参考图片处理部分）return frameskey_frames = extract_key_frames("video.mp4")video_message = HumanMessage(content=[{"type": "text", "text": "分析这段教学视频"},*[{"type": "image_url", "image_url": frame} for frame in key_frames],{"type": "text","text": f"视频总时长：{clip.duration}秒，采样间隔：{interval}秒"}]
)
  1. 多图处理策略
multi_image_message = HumanMessage(content=[{"type": "text", "text": "比较这三款产品的设计差异"},*[{"type": "image_url","image_url": {"url": url,"detail": "low"  # 多图时建议使用low模式}} for url in ["https://example.com/product1.jpg","data:image/png;base64,...","https://example.com/product3.jpg"]],{"type": "text","text": "从左到右依次是产品A、B、C，请重点分析色彩搭配"}]
)

最佳实践建议：

  1. 格式选择：
  • URL更适合：文件>1MB、需要复用、云端存储
  • Base64更适合：文件<1MB、临时处理、需要加密
  1. 性能优化：
  • 图片：调整分辨率（推荐512px）、选择WEBP格式
  • 音频：采样率控制在16kHz、单声道
  • 视频：关键帧间隔建议10-30秒
  1. 上下文管理：
# 多模态消息组合示例
combined_message = [HumanMessage(content=[...]),  # 用户问题AIMessage(content=[...]),     # 历史回答HumanMessage(content=[...])   # 新输入
]
  1. 错误处理：
try:response = chat(messages)
except openai.BadRequestError as e:if "content" in str(e):print("建议：1. 降低图片分辨率 2. 减少多模态元素数量 3. 简化文字指令")

注意事项：

  1. 模型支持验证：确认使用的模型版本支持多模态输入
  2. 成本控制：图片high detail模式消耗更多token（base image: 85 tokens + 85*detail）
  3. 隐私保护：敏感信息建议使用临时URL+访问控制

完整示例（图片分析+音频转写）：

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage# 初始化多模态模型
multimodal_chat = ChatOpenAI(model="gpt-4-vision-preview",max_tokens=4096
)# 构建多模态消息
message = HumanMessage(content=[{"type": "text","text": "请分析这张设计图，并根据录音反馈改进建议"},{"type": "image_url","image_url": {"url": "https://example.com/design.jpg","detail": "high"}},{"type": "audio_url","audio_url": {"url": "data:audio/mp3;base64,...","transcription_format": "text"}}]
)# 获取响应
response = multimodal_chat([message])
print(response.content)

格式化输出(Parser)

1. PydanticOutputParser (最高优先级)

适用场景：结构化数据输出、API交互、数据库存储
优势：类型安全、自动验证、支持复杂嵌套结构

实现代码：
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import PromptTemplate
from langchain.chat_models import ChatOpenAI
from pydantic import BaseModel, Field# 定义数据结构模型
class MovieInfo(BaseModel):title: str = Field(description="电影名称")year: int = Field(description="上映年份", gt=1900)genres: list[str] = Field(description="类型列表")rating: float = Field(description="豆瓣评分", ge=0, le=10)directors: list[str] = Field(description="导演列表")# 创建解析器
parser = PydanticOutputParser(pydantic_object=MovieInfo)# 构建提示词模板
prompt = PromptTemplate(template="""根据用户输入提取电影信息，严格使用如下格式：
{format_instructions}
用户输入：{query}""",input_variables=["query"],partial_variables={"format_instructions": parser.get_format_instructions()}
)# 完整调用流程
model = ChatOpenAI(temperature=0)
chain = prompt | model | parser# 执行调用
result = chain.invoke({"query": "诺兰导演的星际穿越2014年上映，科幻题材，评分9.4"
})print(result.dict())
# 输出：{'title': '星际穿越', 'year': 2014, 'genres': ['科幻'], 'rating': 9.4, 'directors': ['诺兰']}
高级技巧：
  • 字段约束增强：
# 在Pydantic模型中使用Field添加约束
rating: float = Field(..., ge=0, le=10, description="必须保留一位小数")
  • 自定义验证：
from pydantic import validator@validator('genres')
def validate_genres(cls, v):allowed = ['科幻', '动作', '爱情']if not all(g in allowed for g in v):raise ValueError(f"包含非法类型，允许值：{allowed}")return v

2. JsonOutputParser (第二优先级)

适用场景：灵活JSON输出、快速原型开发
优势：无需预定义结构、适合动态字段

实现代码：
from langchain.output_parsers import JsonOutputParser
from langchain.prompts import PromptTemplate
from langchain.chat_models import ChatOpenAI# 自定义JSON Schema提示
json_schema = {"type": "object","properties": {"name": {"type": "string"},"ingredients": {"type": "array", "items": {"type": "string"}},"cooking_time": {"type": "number"}},"required": ["name", "ingredients"]
}parser = JsonOutputParser()prompt = PromptTemplate(template="""将菜谱转换为JSON格式，遵循以下schema：
{schema}
当前输入：{input}
只返回JSON，不要额外说明""",input_variables=["input"],partial_variables={"schema": str(json_schema)}
)chain = prompt | ChatOpenAI() | parserresult = chain.invoke({"input": "鱼香肉丝需要猪肉、木耳、胡萝卜，烹饪时间20分钟"
})print(result)
# 输出：{'name': '鱼香肉丝', 'ingredients': ['猪肉', '木耳', '胡萝卜'], 'cooking_time': 20.0}
增强方案：
  • JSON Schema验证：
from jsonschema import validate# 结果验证
schema = {"type": "object","properties": {"name": {"type": "string", "minLength": 2},"steps": {"type": "array", "minItems": 3}}
}try:validate(instance=result, schema=schema)
except Exception as e:print(f"验证失败：{e}")

3. XMLOutputParser (第三优先级)

适用场景：企业遗留系统对接、特定标签格式要求
优势：标签结构清晰、支持命名空间

实现代码：
from langchain.output_parsers import XMLOutputParser
from langchain.prompts import PromptTemplate# 自定义标签配置
xml_template = """生成产品数据XML，要求：
1. 根标签为<Products>
2. 每个产品用<Product>包裹
3. 必须包含字段：ID（属性）、名称、价格、库存
输入：{input}"""parser = XMLOutputParser(tags=["Products", "Product"])prompt = PromptTemplate(template=xml_template + "\n{format_instructions}",input_variables=["input"],partial_variables={"format_instructions": parser.get_format_instructions()}
)chain = prompt | ChatOpenAI() | parserresult = chain.invoke({"input": "苹果手机库存50台，售价6999；华为笔记本库存30台，售价5999"
})print(result)
# 输出：
"""
<Products><Product ID="1"><名称>苹果手机</名称><价格>6999</价格><库存>50</库存></Product><Product ID="2"><名称>华为笔记本</名称><价格>5999</价格><库存>30</库存></Product>
</Products>
"""
高级用法：
  • XPath解析：
from lxml import etreexml_data = etree.fromstring(result)
# 提取所有价格
prices = xml_data.xpath("//Product/价格/text()")
print(prices)  # 输出：['6999', '5999']
  • 命名空间支持：
xml_template += """
<Products xmlns:ns="http://example.com/ns"><ns:Product ns:id="1">...</ns:Product>
</Products>"""

4. YAMLOutputParser (特殊场景)

适用场景：配置文件生成、DevOps工具链集成

实现代码：
from langchain.output_parsers import YamlOutputParser
from langchain.prompts import PromptTemplateyaml_template = """生成Kubernetes部署配置：
{format_instructions}
应用需求：
- 名称：frontend
- 副本数：3
- 镜像：nginx:1.25
- 端口：80"""parser = YamlOutputParser()prompt = PromptTemplate(template=yaml_template,input_variables=[],partial_variables={"format_instructions": parser.get_format_instructions()}
)chain = prompt | ChatOpenAI() | parserresult = chain.invoke({})
print(result)
# 输出：
"""
apiVersion: apps/v1
kind: Deployment
metadata:name: frontend
spec:replicas: 3template:spec:containers:- name: nginximage: nginx:1.25ports:- containerPort: 80
"""

最佳实践技巧

  1. 混合模式输出：
# 结合JSON和Pydantic
class BaseResponse(BaseModel):code: intdata: dicterror: str = Nonechain = prompt | model | JsonOutputParser() | BaseResponse.parse_obj
  1. 错误处理机制：
from langchain.schema import OutputParserExceptiontry:result = chain.invoke(...)
except OutputParserException as e:print(f"解析失败，建议：{e.advice}")# 自动修复流程fixed_result = repair_json(e.llm_output)
  1. 格式强化提示：
# 在提示词中加入示例
prompt_template += """
示例：
输入：今天北京晴转多云，气温25-32度
输出：{"city": "北京", "weather": "晴转多云", "temp_range": [25, 32]}"""
  1. 大模型参数优化：
ChatOpenAI(model="gpt-4",temperature=0.3,  # 降低随机性top_p=0.9,frequency_penalty=0.5  # 减少重复
)

输出解析器对比表

解析器适用场景优点缺点
PydanticOutputParserAPI响应/数据库存储强类型验证/自动文档生成需要预定义模型
JsonOutputParser快速原型/动态结构灵活/无需预定义无自动验证
XMLOutputParser企业系统对接结构清晰/支持复杂层级冗余标签/解析复杂度高
YamlOutputParser配置文件/DevOps可读性强/适合配置管理生态工具较少

根据实际需求选择：

  • 优先使用Pydantic保证数据可靠性
  • 需要灵活结构时使用Json
  • 对接传统系统使用XML
  • 生成配置文件使用YAML

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/74531.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Excel多级联动下拉菜单的自动化设置（使用Python中的openpyxl模块）

Excel多级联动下拉菜单的自动化设置（使用Python中的openpyxl模块）

1 主要目的 在Excel中&#xff0c;经常会遇到需要制作多级联动下拉菜单的情况&#xff0c;要求单元格内填写的内容只能从指定的多个选项中进行选择&#xff0c;并且需要设置多级目录&#xff0c;其中下级目录的选项内容要根据上级目录的填写内容确定&#xff0c;如下图所示&am…
阅读更多...
3.25-1 postman执行+弱网测试

3.25-1 postman执行+弱网测试

1.导出json脚本 2.打包json文件 3.下载的文件 二 .导入脚本 选择文件 点击导入 导入的接口 三.多接口运行 &#xff08;1&#xff09;集合右键&#xff0c;点击run &#xff0c;运行多个接口 2.编辑环境&#xff0c;集合&#xff0c;执行次数等 运行多个接口 四.运行多个接口…
阅读更多...
Pear Admin Flask 开发问题

Pear Admin Flask 开发问题

下载代码请复制以下命令到终端执行 git clone https://gitee.com/pear-admin/pear-admin-flask 于是我下载git 完成安装后&#xff1a; 安装 Git 后出现的页面是 “Git for Windows 的版本发布说明&#xff08;Release Notes&#xff09;”&#xff0c;通常会在安装完成后自动弹…
阅读更多...
12-scala样例类（Case Classes）

12-scala样例类（Case Classes）

例类&#xff08;Case classes&#xff09;和普通类差不多&#xff0c;只有几点关键差别&#xff0c;接下来的介绍将会涵盖这些差别。样例类非常适合用于不可变的数据。 定义一个样例类 一个最简单的样例类定义由关键字case class&#xff0c;类名&#xff0c;参数列表&#…
阅读更多...
cmakelist中添加opencv

cmakelist中添加opencv

版本选择 qt的msvc&#xff0c;版本2019 opencv版本 4.5.3 配置了环境变量 x64下的v14中的bin 配置头文件 {"configurations": [{"name": "Win32","includePath": ["${workspaceFolder}","d:\\QT\\6.5.3\\msvc20…
阅读更多...
【C语言】文件操作（详解）

【C语言】文件操作（详解）

个人主页 今天我们来讲一下有关文件的相关操作&#xff0c;希望看完这篇文章对你有所帮助&#xff0c;大力感谢你对博主的支持&#xff01; 文章目录 ⭐一、为什么使用文件&#x1f389;二、什么是文件2.1 程序文件2.2 数据文件2.3 文件名 &#x1f3a1;三、二进制文件和文本…
阅读更多...
基于web的家政服务网站

基于web的家政服务网站

内容摘要 由于互联网的使用&#xff0c;人们在管理、应用、服务等领域使用数据更加简洁、方便&#xff0c;大大提高了工作效率。互联网正逐渐融入我们的生活&#xff0c;影响和改变我们的生活。 家政服务管理系统是典型的信息管理系统&#xff08;MIS&#xff09;。其开发主要…
阅读更多...
【leetcode hot 100 739】每日温度

【leetcode hot 100 739】每日温度

解法一&#xff1a;暴力解法 class Solution {public int[] dailyTemperatures(int[] temperatures) {int ntemperatures.length; // 指向要找下一个更高温度的地方int[] result new int[n];for(int left0;left<n;left){int rightleft1; // 指向正在找最高温度的地方wh…
阅读更多...
蓝桥杯C++基础算法-0-1背包（优化为一维）

蓝桥杯C++基础算法-0-1背包（优化为一维）

这段代码实现了0-1 背包问题的动态规划解法&#xff0c;并且使用了滚动数组来优化空间复杂度。以下是代码的详细思路解析&#xff1a; 1. 问题背景 给定 n 个物品&#xff0c;每个物品有其体积 v[i] 和价值 w[i]&#xff0c;以及一个容量为 m 的背包。目标是选择物品使得总价值…
阅读更多...
算法 ｜ 麻雀搜索算法原理，公式，改进算法综述，应用场景及matlab完整代码

算法 ｜ 麻雀搜索算法原理，公式，改进算法综述，应用场景及matlab完整代码

一、麻雀搜索算法（SSA）原理 1. 算法基础 麻雀搜索算法（Sparrow Search Algorithm, SSA）是2020年提出的一种群体智能优化算法，灵感来源于麻雀群体的觅食与反捕食行为。算法将麻雀分为三类角色：发现者（Producer）：适应度最高，负责探索全局最优区域；加入者（Follower）…
阅读更多...
SQL 版本历史

SQL 版本历史

SQL&#xff08;Structured Query Language&#xff09;是一种用于管理和操作关系数据库的标准语言。SQL标准由多个组织制定和维护&#xff0c;主要包括以下几个版本&#xff1a; SQL-86 (SQL-87): 这是SQL的第一个官方标准&#xff0c;由ANSI&#xff08;美国国家标准协会&…
阅读更多...
CAT1模块 EC800M HTTP 使用后续记录

CAT1模块 EC800M HTTP 使用后续记录

记录一下 CAT1 模块EC800 HTTP 使用后续遇到的问题 by 矜辰所致目录 前言一、一些功能的完善1.1 新的交互指令添加1.2 连不上网络处理 二、问题出现三、分析及解决3.1 定位问题3.2 问题分析与解决3.2.1 查看变量在内存中的位置 3.3 数据类型说明3.3.1 常用格式化输出符号…
阅读更多...
单纯形法之大M法

单纯形法之大M法

1. 问题背景与标准化 在求解某些线性规划问题时&#xff0c;往往难以直接找到初始的基本可行解。特别是当约束中存在等式或 “≥” 类型的不等式时&#xff0c;我们需要引入人工变量来构造一个初始可行解。 考虑如下标准形式问题&#xff08;假设为最大化问题&#xff09;&am…
阅读更多...
Springboot集成Debezium监听postgresql变更

Springboot集成Debezium监听postgresql变更

1.创建springboot项目引入pom <dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>io.debezium</groupI…
阅读更多...
报错 standard_init_linux.go:228: exec user process caused: exec format error

报错 standard_init_linux.go:228: exec user process caused: exec format error

docker logs 容器名 报错&#xff1a; standard_init_linux.go:228: exec user process caused: exec format error 或者 standard_init_linux.go:228: exec user process caused: input/output error 排查思路 1、检查源镜像的框架是否正确&#xff0c;是否amd64&#x…
阅读更多...
Go 代理爬虫

Go 代理爬虫

现在注册&#xff0c;还送15美金注册奖励金 --- 亮数据-网络IP代理及全网数据一站式服务商 使用代理服务器&#xff0c;通过 Colly、Goquery、Selenium 进行网络爬虫的基础示例程序 本仓库包含两个分支&#xff1a; basic 分支包含供 Go Proxy Servers 这篇文章改动的基础代码…
阅读更多...
STM32实现智能温控系统（暖手宝）：PID 算法 + DS18B20+OLED 显示，[学习 PID 优质项目]

STM32实现智能温控系统（暖手宝）：PID 算法 + DS18B20+OLED 显示，[学习 PID 优质项目]

一、项目概述 本文基于 STM32F103C8T6 单片机&#xff0c;设计了一个高精度温度控制系统。通过 DS18B20 采集温度&#xff0c;采用位置型 PID 算法控制 PWM 输出驱动 MOS 管加热Pi膜&#xff0c;配合 OLED 实时显示温度数据。系统可稳定将 PI 膜加热至 40℃&#xff0c;适用于…
阅读更多...
neo4j知识图谱常用命令

neo4j知识图谱常用命令

1. 查看所有节点和关系 如果你想查看图数据库中的所有节点和关系&#xff0c;可以使用以下查询&#xff1a; Cypher 深色版本 MATCH (n)-[r]->(m) RETURN n, r, m n 和 m 表示节点。r 表示两个节点之间的关系。这条命令会返回所有节点及其直接相连的关系。 2. 查看所有节…
阅读更多...
从零开始：使用Luatools工具高效烧录Air780EPM核心板项目的完整指南

从零开始：使用Luatools工具高效烧录Air780EPM核心板项目的完整指南

本文将深入讲解如何使用Luatools工具烧录一个具体的项目到Air780EPM开发板中。如何使用官方推荐的Luatools工具&#xff08;一款跨平台、命令行驱动的烧录利器&#xff09;&#xff0c;通过“环境配置→硬件连接→参数设置→一键烧录”四大步骤&#xff0c;帮助用户实现Air780E…
阅读更多...
2024年认证杯SPSSPRO杯数学建模C题(第二阶段)云中的海盐全过程文档及程序

2024年认证杯SPSSPRO杯数学建模C题(第二阶段)云中的海盐全过程文档及程序

2024年认证杯SPSSPRO杯数学建模 C题 云中的海盐 原题再现&#xff1a; 巴黎气候协定提出的目标是&#xff1a;在2100年前&#xff0c;把全球平均气温相对于工业革命以前的气温升幅控制在不超过2摄氏度的水平&#xff0c;并为1.5摄氏度而努力。但事实上&#xff0c;许多之前的…
阅读更多...
最新文章

Copyright @ 2022~2023