【REST API】操作屏幕类[Inputs]-操作屏幕类[Inputs]

本文详细介绍了通过HTTP POST请求发送屏幕点击事件的API,包括如何指定设备、坐标及点击状态,适用于多设备控制,展示了使用TotalControlTOKEN进行身份验证的过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

描述:

发送点击事件,对坐标 (x, y) 进行点击操作(按下/弹起/滑动/点击)。

对应JS API:


var device = Device.getMain();
device.click(, , );

是否支持多设备:

支持

请求方式:

POST
http://IP:8090/TotalControl/v1/devices/:device/screen/inputs

参数:

参数名类型必选描述
tokenstringYTotal Control TOKEN
:devicestringY主控设备对象值 id
xintYx 坐标
yintYy 坐标
statestringN状态值(缺省press)
-down 按下
-up 弹起
-move 移动
-press 点击(按下+弹起)

请求示例:


示例一:
http://127.0.0.1:8090/TotalControl/v1/devices/device@1116106541/screen/inputs?token=270eq7lXQK8bXYsJ&x=100&y=200&state=press

示例二:
http://127.0.0.1:8090/TotalControl/v1/devices/device@1116106541/screen/inputs
{
    "token":"270eq7lXQK8bXYsJ",
    "x":100,
    "y":200,
    "state":"press"
}

返回示例:


{
    "status":true
}

返回字段说明:

字段类型描述
statusbooleantrue:成功; false:失败
### 构建基于Django的文本分系统 #### 项目初始化与环境配置 为了创建一个高效的文本分系统,首先需要设置好开发环境并安装必要的依赖包。确保Python版本不低于3.6,并通过pip工具来管理项目的依赖项。 ```bash $ python -m venv myvenv $ source myvenv/bin/activate (myvenv) $ pip install django djangorestframework scikit-learn pandas numpy ``` 上述命令用于建立虚拟环境以及激活它之后安装所需的库文件[^1]。 #### 创建Django应用 启动一个新的Django工程,并在此基础上添加专门处理文本数据的应用模块: ```bash (myvenv) $ django-admin startproject text_classifier_project (myvenv) $ cd text_classifier_project/ (myvenv) $ python manage.py startapp classifier_app ``` 这组指令完成了基础框架搭建工作,其中`classifier_app`将是负责具体业务逻辑的部分。 #### 数据集准备与预处理 对于任何机器学习任务而言,高质量的数据都是成功的关键因素之一。可以采用公开可用的数据源或是自行收集整理而成的小规模语料库作为训练样本集合。接着利用Pandas等工具完成初步清理、标记化等工作流程,以便后续能够顺利导入到算法模型当中去进行拟合操作[^2]。 #### 集成BERT模型实现高级特征提取 考虑到自然语言理解任务的特点,在此推荐选用预训练好的BERT架构来进行更深层次的语言表征获取。借助Hugging Face Transformers库的帮助,可以在短时间内加载指定版本的Transformer权重参数,并将其无缝集成至现有的Web应用程序之中。 ```python from transformers import BertTokenizer, TFBertForSequenceClassification import tensorflow as tf tokenizer = BertTokenizer.from_pretrained('bert-base-chinese') model = TFBertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=2) def predict(text): inputs = tokenizer.encode_plus( text, add_special_tokens=True, max_length=50, padding='max_length', truncation=True, return_attention_mask=True, return_tensors="tf" ) outputs = model(inputs["input_ids"], attention_mask=inputs['attention_mask']) prediction = tf.argmax(outputs.logits, axis=-1).numpy()[0] return 'Positive' if prediction == 1 else 'Negative' ``` 这段代码展示了如何定义一个简单的函数接口,接收待测字符串输入并通过调用已训练完毕的BERT模型得出最终的情感倾向别标签。 #### API设计与视图层构建 为了让前端页面或者其他第三方服务方便地访问后端提供的功能,应该精心规划RESTful风格API的设计思路。这里可以通过DRF(Django Rest Framework)快速建立起一套安全可靠的资源交互机制;与此同时还要注意编写清晰易懂且易于维护的View方法,从而更好地支持异步请求响应模式下的高效运作需求。 ```python from rest_framework.views import APIView from rest_framework.response import Response from .models import TextData from .serializers import TextSerializer class PredictText(APIView): def post(self, request): serializer = TextSerializer(data=request.data) if not serializer.is_valid(): return Response(serializer.errors, status=status.HTTP_400_BAD_REQUEST) result = predict(serializer.validated_data.get('content')) return Response({'prediction': result}, status=status.HTTP_200_OK) ``` 以上片段说明了怎样继承自APIView基来自定义特定用途的服务端制器组件,同时实现了POST HTTP动词对应的处理器逻辑——即接受客户端提交过来的新纪录实例对象经过序列化验证无误后再交给内部封装好了的方法去做进一步分析判断最后返回计算所得的结果给对方。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值