七牛云工具的使用

使用七牛云进行文件上传 一、七牛云入门测试 1、注册七牛云账号,完成后选择对象存储 2、在里面创建空间,一个空间相当于一个文件夹,就是将对象上传到的地方 创建完成后,后期上传的静态资源,可以根据域名+文件名直接访问,自定义域名必须是备案域名 3、查看个人秘钥,注册完成账号后,会有一个秘钥,上传文件的时候进行授权和认证。 4、文件上传测试 进入七牛云开发者中心 测试代码: package c... 阅读详情

使用七牛云进行图片存储

1. 什么是七牛云?

七牛云(隶属于上海七牛信息技术有限公司)是国内领先的以视觉智能和数据智能为核心的企业级云计算服务商,同时也是国内知名智能视频云服务商,累计为70 多万家企业提供服务,覆盖了国内80%网民。围绕富媒体场景推出了对象存储、融合 CDN 加速、容器云、大数据平台、深度学习平台等产品、并提供一站式智能视频云解决方案。为各行业及应用提供可持续发展的智能视频云生态,帮助企业快速上云,创造更广阔的商业价值。

七牛云官网:传送门

七牛云官网向用户提供了多种服务,我们可以使用七牛云官网提供的对象存储服务来实现图片的存储。

2.实现图片存储的途径

在实际开发中,我们会接触到许多不同功能的服务器,它们各司其职,为前台应用提供相应的功能,从而服务于用户。常见的服务器有:

  • 应用服务器:负责部署我们的应用
  • 数据库服务器:运行我们的数据库
  • 文件服务器:负责存储用户上传文件的服务器

分服务器处理的方式降低了更服务器的压力,让各个服务器各司其职,使项目运行的效率得到一定程度的提高。
下图是用户通过客户端发起一次请求中,各个服务器所提供的职能:
在这里插入图片描述

3.常用的图片存储方案

  1. 使用开源的分布式文件存储系统,例如Fastdfs 、HDFS等。
  2. 使用Nginx搭建图片服务器。
  3. 使用云存储,例如阿里云、七牛云。

3.1 使用云存储的优点:

  • 使用云存储的方案能够使减轻开发人员的开发压力。
  • 成熟的存储方案能够带来更加稳定的体验,这是十分重要的。
  • 减轻开发的成本。

4.七牛云的注册和使用

要注册成为会员才能使用七牛云,提供的服务:
会员注册地址:传送门

4.1 注册、登录

1.进入登录界面
在这里插入图片描述2.登录成功
在这里插入图片描述3.进入控制台
在这里插入图片描述注意:登录之后要进行实名认证才能进行相关的操作

4.2 新建存储空间

** 1.添加存储空间**
在这里插入图片描述2.填写信息并点击确认
在这里插入图片描述可以创建多个存储空间,存储空间之间是独立的。

4.3 看存储空间的信息

存储空间创建后,会在左侧的存储空间列表菜单中展示创建的存储空间名称,点击存储空间名称可以查看当前存储空间的相关信息。
在这里插入图片描述

4.4 进入开发者中心

开发者可以进入七牛云提供的开发者中心,根据官网提供的操作文档学习如何使用七牛云。
开发者中心地址:开发者中心
1.进入开发者中心,并点击对象存储
在这里插入图片描述
2.找到JavaSDK选项
在这里插入图片描述

4.5 使用SDK实现文件上传操作

1.在项目中导入相应的jar包
在这里插入图片描述
2.进行鉴权
在进行合法的授权之后,才能使用七牛云提供的Java SDK中的功能。授权凭证的签算需要七牛云账号下的一对有效的Access Key和Secret Key,其获取步骤如下:
在这里插入图片描述
点击管理控制台,待页面跳转之后,点击右上角的图标,点击秘钥管理选项。
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

4.6 编写测试的代码

1.查找文件上传内容的官方文档
在这里插入图片描述
2.根据官方文档,然后编写测试类

import com.google.gson.Gson;
import com.qiniu.common.QiniuException;
import com.qiniu.common.Zone;
import com.qiniu.http.Response;
import com.qiniu.storage.BucketManager;
import com.qiniu.storage.Configuration;
import com.qiniu.storage.UploadManager;
import com.qiniu.storage.model.DefaultPutRet;
import com.qiniu.util.Auth;
import org.junit.Test;
/**
 * 七牛云文件上传测试类
 * Zone.zone0:华东
 * Zone.zone1:华北
 * Zone.zone2:华南
 * Zone.autoZone:自动识别上传的区域
 */
public class TestQiniu {
    //删除七牛云上面的文件
    @Test
    public void deleteFile(){
        //构造一个带指定Zone对象的配置类
        Configuration cfg = new Configuration(Zone.zone2());
        //...其他参数参考类注释
        String accessKey = "mGHhiktfq0_MoVLRhW_tMe0j1YkZYogNfqWXUQok";
        String secretKey = "gYwsKVwNlKQVCeLzQCZclkhK3TEy4OfQshIGZEd9";
        String bucket = "lijianswu";
        String key = "Fl89vp93ozd-ff-b0xJdIxfuQ2xK";//文件名称
        Auth auth = Auth.create(accessKey, secretKey);
        BucketManager bucketManager = new BucketManager(auth, cfg);
        try {
            bucketManager.delete(bucket, key);
        } catch (QiniuException ex) {
            //如果遇到异常,说明删除失败
            System.err.println(ex.code());
            System.err.println(ex.response.toString());
        }
    }
    /**
     * 上传本地的文件
     */
    @Test
    public void Test() {
        //构造一个带有指定Zone对象的配置类
        Configuration cfg = new Configuration(Zone.zone2());
        //..其他参数参考注释
        UploadManager uploadManager = new UploadManager(cfg);
        //...生成上传凭证,然后准备上传
        String accessKey = "修改成自己的accessKey";
        String secretKey = "修改成自己的secretKey";
        String bucket = "存储空间的名称";
        //如果是Windows情况下,格式是 D:\\qiniu\\test.png,可支持中文
        String localFilePath = "C:\\Users\\27710\\Pictures\\a.png";
        //默认不指定key的情况下,以文件内容的hash值作为文件名
        String key = null;
        Auth auth = Auth.create(accessKey, secretKey);
        String upToken = auth.uploadToken(bucket);
        try {
            Response response = uploadManager.put(localFilePath, key, upToken);
            //解析上传成功的结果
            DefaultPutRet putRet = new Gson().fromJson(response.bodyString(), DefaultPutRet.class);
            System.out.println(putRet.key);//FpebMDrEfxUPEoPPYdyxZ2LIJQEW 
            System.out.println(putRet.hash);//FpebMDrEfxUPEoPPYdyxZ2LIJQEW 
        } catch (QiniuException ex) {
            Response r = ex.response;
            System.err.println(r.toString());
            try {
                System.err.println(r.bodyString());
            } catch (QiniuException ex2) {
                //ignore
            }
        }
    }
}

3.查看测试的结果
在这里插入图片描述
经过测试我们可以在自己的存储空间中查看成功上传的图片文件

5 引用

https://developer.qiniu.com/kodo

七牛云的对象存储区域和访问域名对应表Region ID 阅读详情

相关推荐

调用七牛云对象存储,附工具类

最近在研究七牛云的对象存储,这里做个记录。这里通过 Java 的方式进行调用。记得备案个域名,七牛云提供的测试域名只有三十天。

studio_1的博客 1492

七牛云的使用(图片超详讲解)

AK,SK,bucket要保密,不能直接在 OSSTest类中写。为了安全要从配置文件汇总读取到他们的值。3.7、OSSTest(主要修改6个地方 + 读取application.xml配置文件)3.6、上传本机一张名为111.jpg的图片到七牛云上。3.9、想创建一个2022目录,目录下放111.png。一、为什么要使用七牛云的OSS(对象存储服务)?3.8、运行测试类,图片上传成功。因为代码没有设置key值。

风也温柔☆的博客 1万+

七牛云文件上传、处理工具类

概述 项目需要,后台所有图片需要上传到七牛云。 以下是自己写的工具类 实现 /** * 七牛云工具类 */ public class QiNiuUtils { private Logger log = LoggerFactory.getLogger(QiNiuUtils.class); private static UploadManager uploadManager;...

kris 1562

什么是七牛云?七牛云的使用

七牛云的介绍,使用

qq222568的博客 6938

S32K344 Bootloader实战:一个按键实现从Boot到App的无缝跳转(附完整代码)

本文详细介绍了基于NXP S32K344微控制器的Bootloader开发实战,重点解析如何通过一个硬件按键实现从Boot到App的可靠跳转。内容涵盖内存分区规划、中断向量表重映射、外设初始状态管理等核心要素,并提供了完整的代码示例和调试技巧,适用于汽车电子和工业控制等高可靠性应用场景。

weixin_29192365的博客 307

十三、FLUENT蒸发/冷凝模型实战:从沸腾模拟到常温蒸发的UDF进阶

本文深入探讨FLUENT蒸发/冷凝模型的应用实践,从沸腾模拟到常温蒸发的UDF进阶。通过分析相变模型的核心逻辑、关键陷阱及UDF动态饱和温度场的实现,帮助工程师准确模拟不同场景下的蒸发/冷凝过程。结合太阳能蒸馏器等工程案例,提供优化方案和常见问题解决方案,显著提升模拟精度与效率。

weixin_42548893的博客 571

七牛云的工具类使用

七牛云工具类 使用步骤: <1>:引入依赖 使用七牛云最新SDK 需要导的坐标 <dependency> <groupId>com.qiniu</groupId> <artifactId>qiniu-java-sdk</artifactId> <version>[7.2.0, 7....

huihuixiaokeai的博客 398

QMT vs Ptrade:量化交易新手如何根据需求选择券商系统(附实战案例)

本文对比了QMT和Ptrade两大券商量化交易系统的核心差异,帮助量化交易新手根据需求选择合适的平台。QMT适合技术面策略开发,执行效率高;Ptrade则提供全面的财务数据和复杂策略支持。通过实战案例,展示了如何结合两平台优势实现高效量化交易。

weixin_42683394的博客 527

使用七牛云上传文件

使用七牛云进行文件上传

HxQAAaa的博客 1968

全网最全医学图像数据汇总

本仓库汇总了多个领域的医学图像开源数据集,涵盖CT、MRI、超声、内窥镜、病理、多模态、PET、OCT以及皮肤镜等多种成像技术。每个数据集均详细列出了任务类型、部位、格式、数量及下载链接,旨在为医学图像研究者提供便捷的资源导航。⚠️:这些数据集仅适用于学术研究用途。

2401_83173765的博客 3319

Python趣学篇:用Pygame打造绚烂流星雨动画

这是一个基于Pygame开发的流星雨动画项目,具有以下特效:🌠多彩流星:8种不同颜色的流星随机生成,每颗都有独特的轨迹✨粒子尾迹:每个流星都带有动态的粒子拖尾效果,增强视觉冲击力🌟闪烁星空:150颗背景星星营造真实的夜空氛围🌌渐变背景:深蓝到黑色的自然渐变,模拟夜空色彩💫斜向轨迹:所有流星都以30-60度角自然斜向下运动🎨中文显示:完美支持中文字体,显示"斜向流星雨来啦!"等文字整个程序运行流畅,达到60FPS的丝滑体验,让你仿佛置身于真实的流星雨之中!

Code_流苏:在代码中寻诗意,在实践中觅真知 6060

七牛云的介绍与使用_七牛云文件上传的工具类

一、图片存储方案 介绍 在实际开发中,我们会有很多处理不同功能的服务器。例如: 应用服务器:负责部署我们的应用 数据库服务器:运行我们的数据库 文件服务器:负责存储用户上传文件的服务器 各个服务器的作用 分服务器处理的目的是让服务器各司其职,,从而提高我们项目的运行效率。 常见的图片存储方案: 方案一:使用nginx搭建图片服务器 ...

weixin_44013807的博客 1593

BP神经网络回归预测+SHAP可解释分析+新数据预测(MATLAB完整源码)

BP神经网络回归预测+SHAP可解释分析+新数据预测(MATLAB完整源码)

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 390

七牛云OSS的使用

七牛云的OSS的使用

有时间就写写代码 1329

Python爬虫实战:逆向解析天猫商品详情API,精准捕获规格、SKU与促销活动

及浏览器开发者工具),绕过前端渲染的复杂性,直接逆向分析并调用其内部数据接口,从而高效、稳定地抓取商品的关键信息,包括商品规格、多维度SKU信息以及复杂的促销活动。print(f"SKU ID: {sku.sku_id}, 价格: ¥{sku.price}, 库存: {sku.stock}, 规格: {sku.props}")当你访问一个商品链接时,浏览器首先会加载一个几乎为空的HTML骨架,然后通过执行大量的JavaScript代码,向后台服务器发起多个异步请求,最终将获取到的数据填充到页面中。

2201_76125261的博客 1129

华为FusionCompute之计算虚拟化

华为FusionCompute之虚拟化

jks212454的博客 2452

laravel 中使用七牛云

laravel 中使用七牛云: 安装配置 在laravel中使用composer 安装: composer require zgldh/qiniu-laravel-storage 然后在config/app.php中注册服务提供者: zgldh\QiniuStorage\QiniuFilesystemServiceProvider::class 在config/filesystems.php里...

钚该钚想 1231

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

七牛云使用笔记

1创建七牛云(申请账号,实名认证,然后创建对象存储) 网站:https://www.qiniu.com/ 2个人中心(获取秘钥) 3操作数据(内容管理) 我的文件存储格式为: 文档:https://developer.qiniu.com/kodo/sdk/1239/java#1 自己写一个七牛云工具类 import com.qiniu...

weixin_37786768的博客 1220

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

七牛云上传工具

三年前刚接触七牛云的时候,由于官方没有客户端上传工具,就用 Java 写了一个图形化的上传工具,纯属个人兴趣。后来公司项目使用了七牛云,就重新调整了一下代码,分享给有需要的人。 一、开发初衷 看到 Mac 上有几个不错的支持七牛上传的工具,发现 Windows 下并没有,而且七牛官方有现成的 API,就想自己尝试做一个出来,正好自己是安卓开发,就用 Java 写了一个,不管什么系统,只要装了 ...

juemuren444的博客 1351

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【七牛云】使用PHP把文件上传到七牛云

先从官网下载SDK,然后新建一个文件,里面包括上传,下载,删除 <?php header("Content-Type:text/html; charset=utf8"); require_once __DIR__ . './autoload.php'; // 引入鉴权类 use Qiniu\Auth; use Qiniu\Storage\BucketManager; // 引入上传类...

qq_25285531的博客 846

QSunSync 七牛云文件同步工具使用教程

QSunSync 七牛云文件同步工具使用教程 1、项目介绍 QSunSync 是一个使用 C# + WPF 开发的 Windows 客户端,用于将本地文件同步到七牛云端空间。该工具的特点是简单易用,方便进行增量同步。QSunSync 需要 .NET Framework 4.0 支持,并使用 SQLite 数据库记录本地文件的 hash 值。 2、项目快速启动 安装步骤 下载并安装 .NET F...

gitblog_01192的博客 757

七牛云的使用

1、https://www.qiniu.com/用qq或者微信登入七牛云2、添加一个对象存储3、在个人中心获取appkey和appsecret4、绑定一个域名5、把sdk放在自己的项目中封装一个上传的类&lt;?php require 'vendor/autoload.php'; class qiniuYunInit { /** * @var string */ ...

一路向前ylc 4060

七牛云使用教程

1.登录2.创建对象存储3.查看创建好的空间4.文件上传,复制文件链接

渣渣潘的博客 9682

七牛云大文件存储

1.注册七牛云账号 1.1 注册七牛云 https://sso.qiniu.com/ 1.2 注册完成登录即可跳转到七牛云管理界面 2.七牛云快速入门 参考官方地址:https://developer.qiniu.com/kodo/manual/1233/console-quickstart 2.1 创建空间 1.登录 七牛开发者平台 2.存储空间 管理界面 3.新建存储空间 4.创建成功后页面 2.2 上传文件 1.空间管理—》文件 2.上传文件 3.上传后就

weixin_53614310的博客 1670

七牛云批量下载删除文件工具包介绍:轻松管理七牛云数据

七牛云批量下载删除文件工具包介绍:轻松管理七牛云数据 【下载地址】七牛云批量下载删除文件工具包介绍 这个开源工具包专为七牛云用户设计,提供高效的数据管理解决方案。它包含两大核心功能:一是通过qshell实现七牛云数据的批量下载,用户只需简单配置即可快速获取所需文件,极大提升了下载效率;二是利用Python脚本批量删除七牛...

gitblog_06791的博客 1009

七牛云 上传图片到七牛云并返回图片URL

七牛云 上传图片到七牛云并返回图片URL 鸣谢'追逐盛夏流年':https://blog.youkuaiyun.com/j1231230/article/details/80061834 1 在开发项目的时候,经常会用到上传图片的功能,如果把图片全都存放在项目路径下,会导致项目越来越臃肿,因此可以考虑把图片上传交给第三方处理,此处我们采用七牛云进行图片存储。 一.七牛云准备工作 1.七牛云注册登录 ...

七天不过夜的专栏 2408
上一篇: 【Failed to execute goal org.apache.maven.plugins:maven-war-plugin:2.2】
下一篇: AnotherRedisDesktopManager的安装步骤
lijian_365
博客等级 码龄7年 9粉丝 14原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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