墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.5k累计阅读
3.6k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
数据校验通过json-schema定义接口返回格式，用于检测接口问题。当接口响应与预设格式不符，如content-type不正确时，会导致校验失败。在API设计阶段预定义响应期望能有效预防此类问题。
我们可以通过 json-schema 预先定义接口的数据返回格式，当接口完成后，我们可以通过匹配 实际响应结果 和 预先定义的接口格式 ，来发现接口问题。如下图：
数据校验的设置
我们可以通过在 API设计模块 - 预定义响应期望 - json-schema 预先定义接口的数据返回格式。如下图：
为什么我返回的内容明明是 json 格式，而数据校验提示 : 返回数据格式不是json？
这是因为虽然返回的内容是 JSON 字符串，但是返回的格式却是其他类型（可以具体查看响应头的 content-type）。相当于明明是一张图片内容，却保存为了 .txt 格式一样的道理。
如何解决后台传回的数据不是正常的json数据，例如是个List [ ]
最近做毕设碰到一个问题，我访问的接口，传回来的数据是 [{},{},{}]这个类型，还有[[{},{}],[{},{}]] 这个类型。 一开始没有注意，直接用Android studio 的插件GsonFormate。直接运行之后报错。 com.google.gson.JsonSyntaxException: java.lang.IllegalStateException: Expected BEGIN_OBJECT but was BEGIN_ARRAY at line 1 column 2 path $ 意思大概是说：期待的是个BEGIN_OBJECT类，但是得到的却是个BEGIN_AR
postman工具测试post接口，body格式为jason，接口返回的不是预期结果-解决方法
1.原因：body参数不符合jason格式（微信或者其他地方复制过来可能会有格式问题） 2.解决方法：百度搜索jason格式化，找到网站后，把body复制转化后再粘贴到postman就可以了 备注： 1）jason格式化网站：JSON在线校验格式化工具（Be JSON）在线,JSON,JSON 校验,格式化,xml转json 工具,在线工具,json视图,可视化,程序,服务器,域名注册,正则表达式,测试,在线json格式化工具,json 格式化,json格式化工具,json字符串格式化
基于TI MSPM0的PS2双轴按键摇杆模块ADC+GPIO驱动移植实战
本文详细介绍了在TI MSPM0微控制器上驱动PS2双轴按键摇杆模块的完整实战流程。通过SysConfig图形化工具配置ADC与GPIO引脚，并编写了包含ADC采样、按键检测及数据处理的驱动代码，实现了对摇杆X/Y轴模拟量及按键数字量的稳定读取，为嵌入式控制项目提供了可直接移植的解决方案。
关于使用ajax的post方法出现data数据不是json的情况
1.添加utf格式，避免未知错误 contentType: "application/json; charset=utf-8", 2.把json对象转为json字符串 data: JSON.stringify({ 名1:值1,名2:值2}),
嵌入式开发实战：LWIP中PPP协议配置全流程（含CHAP认证避坑指南）
本文是一份嵌入式开发实战指南，详细解析了如何在STM32平台上配置LWIP协议栈中的PPP协议，实现从串口到IP网络的完整连接。内容涵盖工程搭建、源码整合、关键配置、串口驱动绑定、状态管理以及CHAP认证等核心流程，并重点提供了CHAP认证失败的排查与避坑指南，帮助开发者高效打通嵌入式设备的网络连接。
用R语言做WGCNA分析全步骤一（附代码解读）【转载】
代码逐句分析一、文章来源二、基因共表达网络构建及模块识别1.数据导入、清洗及预处理2.检查过度缺失值和离群样本3.聚类做离群样本检测4.载入临床特征数据三、自动构建网络及识别模块1.确定合适的软阈值：网络拓扑分析2.一步构建网络和识别模块 一、文章来源 初学WGCNA，觉得博主的代码写的很不错，但其中很多代码在第一遍看的时候有很多地方不理解，后查阅了很多资料，终于看明白了，于是写了一篇笔记，记录自己的学习心得，有不准确的地方，还望各位大佬们不吝赐教~ 原文链接：WGCNA简明指南 二、基因共表达网络构建及模
让web API始终返回json格式的数据
web API只返回json格式的数据
汇川AM402、H3U和上位机C#ModebusTcp通讯
目录一、测试任务二、测试环境三、PLC工程1、组态配置2、ip地址、端口号 3、全局变量定义四、C#端Winform程序创建1创建主界面 2、创建子窗口 3、运行生成，界面效果4、Modebus协议说明5、Modebus操作说明六、测试1、寄存器读测试 2、MW1300寄存器的BIT位3、写寄存器测试4、PLC断电或者断网 七、工程下载连接1、PLC作为ModebusTCP端，端口号都是502，PC端上位机软件作为TcpClient去连接多台PLC。PC端读写PLC寄存器。2、PC端在有的PLC断电、断网的
apifox或者网页显示不了json数据，apifox显示返回数据结构与接口定义不一致，返回的数据格式不是 JSON
使用springboot或者ssm框架开发时遇到获取不到json数据的问题
QGIS效率提升神器：qgis_mcp插件+VSCode联合工作流配置全解析
本文详细解析了如何通过配置qgis_mcp插件与VSCode的联合工作流，实现语音控制和代码自动化来大幅提升QGIS操作效率。该方案将自然语言交互与现代编辑器生态结合，为地理信息专业人士构建了智能、高效的全新工作模式，彻底改变传统GIS操作方式。
PyQt5混搭qfluentwidgets实战：用FramelessWindow快速打造现代化界面
本文详细介绍了如何将PyQt5与qfluentwidgets组件库结合，利用FramelessWindow快速打造现代化无边框界面。通过环境配置、核心特性解析、组件混用技巧及高级样式定制，帮助开发者提升桌面应用的用户体验和美观度，特别适合需要现代UI设计的Python开发者。
全网详细接口测试ApiPost详细教程（实战），吐血整理
一、前言 二、API 请求响应 三、返回Headers 四、响应结果分屏展示 五、使用断言 ApiPost不仅仅是一个调试工具，更是一个接口文档快速生成工具 针对测试人员 接口调试 利用ApiPost进行常规的接口调试功能 接口自动化测试 利用ApiPost提供的断言和流程测试功能，进行接口的流程化测试 后端人员可以通过ApiPost在编写、测试接口的同时快速的、自动生成漂亮、规范的接口文档。相同的时间完成2件事情，大大提升后端开发效率
分享一个完整的KANO问卷（包含正反问题和选项设置）
本文介绍了KANO模型问卷的设计与应用，用于评估功能需求优先级。问卷包含基本信息、功能评估（正反问题设计）、界面评估及开放问题，选项定义明确（如"非常喜欢"到"很不喜欢"）。数据清洗规则包括剔除矛盾回答和注意力检验。通过量化编码和矩阵分析，将需求分为魅力型、期望型、必备型等类别。示例数据显示健康监测为必备型（72%），电子围栏为期望型（45%），适老化改造为无差异型（38%）。该模型为产品决策提供客观量化依据。
2024年最新最全面的接口测试实战教学--apipost
协作开发，版本升级，服务器升级，接口返回有可能因为一些bug，和我们预期结果不一致。为了便于开发&测试人员能够更快的发现bug，有利于整个产品质量以及进度的保证。我们推出断言功能。2023最新自动化测试自学教程新手小白26天入门最详细教程,目前已有300多人通过学习这套教程入职大厂！！_哔哩哔哩_bilibili2023最新合集Python自动化测试开发框架【全栈/实战/教程】合集精华，学完年薪40W+_哔哩哔哩_bilibili也方便你下次能够快速查找。
PyTorch实战：卷积神经网络详解+Python实现卷积神经网络Cifar10彩色图片分类
PyTorch可以说是三大主流框架中最适合初学者学习的了，相较于其他主流框架，PyTorch的简单易用性使其成为初学者们的首选。这样我想要强调的一点是，框架可以类比为编程语言，仅为我们实现项目效果的工具，也就是我们造车使用的轮子，我们重点需要的是理解如何使用Torch去实现功能而不要过度在意轮子是要怎么做出来的，那样会牵扯我们太多学习时间。以后就出一系列专门细解深度学习框架的文章，但是那是较后期我们对深度学习的理论知识和实践操作都比较熟悉才好开始学习，现阶段我们最需要的是学会如何使用这些工具。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
APIPOST 常见设置项
ApiPost官方免费下载地址：👇👇👇Apipost-基于协作，不止于API文档、调试、Mockhttps://console.apipost.cn/register?utm_source=10008 APIPOST 常见设置项 APIPOST 的设置 APIPOST 支持对一些常用功能场景进行自定义设置，操作路径如下图： 各个设置项的含义 发送设置 这里是针对接口从创建到发送的一些功能的设置。 1、默认请求超时时间： 此项决定了发送后，过多长时间返回超时。0 为不限
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
利用ApiPost接口管理工具校验/测试API返回结果是否符合预期
本文主要讲解接口管理工具ApiPost的预执行脚本和后执行脚本里，怎么校验/测试接口返回结果是否符合预期？ ApiPost简介： ApiPost是一个支持团队协作，并可直接生成文档的API调试、管理工具。它支持模拟POST、GET、PUT等常见请求，是后台接口开发者或前端、接口测试人员不可多得的工具 。 检测返回JSON中的某个值是否等于预期的值 apt.assert('response.json.hasOwnProperty("errcode")'); // 检测返回json对象的是否含有err
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
apipost下载安装教程、脚本详细使用教程
本期文章主要围绕脚本实现模拟第三方推送接口讲解 主要原因：项目涉及到需要对接第三方接口，暴露接口出去给第三方调用。每次项目订单状况节点，需要等待第三方开单后，在推送下单状态回来，每次多人操作时候，都需要登录同一账号，过程等待比较缓慢，效率比较低。
国产接口管理工具APIPOST中的常见设置项
APIPOST常见设置项 APIPOST的设置 APIPOST支持对一些常用功能场景进行自定义设置，操作路径如下图： 各个设置项的含义 发送设置 这里是针对接口从创建到发送的一些功能的设置。 1、默认请求超时时间： 此项决定了发送后，过多长时间返回超时。0为不限。注意：请勿将此值设置过大或者过小，否则都会导致 TIMEOUT 错误！ 2、请求自动重定向： 当您的接口有302或者301重定向时，建议开启此项。 3、新建接口默认请求method： 系统默认新建接口的method为P
分享——怎么利用ApiPost接口管理工具校验/测试接口返回结果是否符合预期？
本文主要讲解接口管理工具ApiPost的预执行脚本和后执行脚本里，怎么校验/测试接口返回结果是否符合预期？ ApiPost简介： ApiPost是一个支持团队协作，并可直接生成文档的API调试、管理工具。它支持模拟POST、GET、PUT等常见请求，是后台接口开发者或前端、接口测试人员不可多得的工具 。 检测返回JSON中的某个值是否等于预期的值 apt.assert(‘response.json.hasOwnProperty(“errcode”)’); // 检测返回json对象的是否含有errcode字
怎么利用ApiPost接口管理工具校验/测试接口返回结果是否符合预期？
本文主要讲解接口管理工具ApiPost的预执行脚本和后执行脚本里，怎么校验/测试接口返回结果是否符合预期？ ApiPost简介： ApiPost是一个支持团队协作，并可直接生成文档的API调试、管理工具。它支持模拟POST、GET、PUT等常见请求，是后台接口开发者或前端、接口测试人员不可多得的工具 。 检测返回JSON中的某个值是否等于预期的值 apt.assert(‘response.json.hasOwnProperty(“errcode”)’); // 检测返回json对象的是否含有errcode字
mysql触发器怎么返回结果集_怎么利用ApiPost接口管理工具校验/测试接口返回结果是否符合预期？...
本文主要讲解接口管理工具ApiPost的预执行脚本和后执行脚本里，怎么校验/测试接口返回结果是否符合预期？ApiPost简介：ApiPost是一个支持团队协作，并可直接生成文档的API调试、管理工具。它支持模拟POST、GET、PUT等常见请求，是后台接口开发者或前端、接口测试人员不可多得的工具 。检测返回JSON中的某个值是否等于预期的值apt.assert('response.json.has...
ApiPost自动化测试基础之：如何使用测试校验（测试用例）？
我们在《ApiPost的环境变量的定义和使用》和《ApiPost自动化测试基础之：接口参数依赖的情景处理》分别讲解了ApiPost环境变量的定义、使用以及基于环境变量的接口参数依赖的情景处理。 本文主要讲解如何使用ApiPost的测试校验（测试用例）。 ApiPost简介： ApiPost是一个支持团队协作，并可直接生成文档的API调试、管理工具。它支持...
[分享] ApiPost如何使用测试校验？
什么是测试校验？ 协作开发，版本升级，服务器升级，接口返回有可能因为一些bug，和我们预期结果不一致。为了便于开发&测试人员能够更快的发现bug，有利于整个产品质量以及进度的保证。我们推出测试校验功能。 如何使用测试校验？ 定义测试用例 验证测试用例 例： 接口返回： { “errcode”: 0, “errstr”: “success”, “post”: [], “get”: [], “request”: [], “put”: “”, “header”: { “Host”: “echo.a.
【Apipost】常用预（后）执行脚本方法
整理收集Apipost预执行和后执行脚本的一些使用技巧。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3535
扫一扫
