h5跳转微信小程序方案及注意事项(vue方向)

1、准备

在正式开发工作之前,请优先熟读并查看微信开发文档

2、绑定域名 (在微信公众平台设置)

需提前登录微信公众平台进入“公众号设置”的“功能设置”的“JS接口安全域名”、“业务域名”、“网页授权域名”内依次配置h5页面的相关域名地址(例如:www.baidu.com)这里不包含协议名称和端口,同时可在根目录上传MP_verify_cZv0a41uGOH2UNym.txt文件,如图:

![在这里插入图片描述](https://img-blog.csdnimg.cn/96d6fce2a041469eaf7e57d9c0ef769e.png

3、IP白名单(在微信公众平台设置)

如图:

![](https://img-blog.csdnimg.cn/02ddb45aff2a45b6b0885f556825a27a.png

4、将小程序和H5公众号进行关联 (在微信公众平台设置)

不会的可以参考教程:https://jingyan.baidu.com/article/7908e85c70685bee481ad2b1.html

5、引入JS文件

在需要调用JS接口的页面(index.html)引入如下JS文件:
http://res.wx.qq.com/open/js/jweixin-1.6.0.js (支持https)
如需进一步提升服务稳定性,当上述资源不可访问时,可改访问:http://res2.wx.qq.com/open/js/jweixin-1.6.0.js (支持https)如图:

在这里插入图片描述

6、通过config接口注入权限验证配置并申请所需开放标签

与使用JS-SDK配置方式相同,所有需要使用开放标签的页面必须先注入配置信息,并通过openTagList字段申请所需要的开放标签,否则将无法使用(同一个url仅需调用一次)。开放标签的申请和JS接口的申请相互独立,因此是可以同时申请的。

wx.config({
  debug: true, // 开启调试模式,调用的所有api的返回值会在客户端alert出来,若要查看传入的参数,可以在pc端打开,参数信息会通过log打出,仅在pc端时才会打印
  appId: '', // 必填,公众号的唯一标识
  timestamp: , // 必填,生成签名的时间戳
  nonceStr: '', // 必填,生成签名的随机串
  signature: '',// 必填,签名
  jsApiList: ['showMenuItems'], // 必填,需要使用的JS接口列表,不能为空,为空的话安卓会有问题
  openTagList: ['wx-open-launch-weapp'] // 可选,需要使用的开放标签列表,例如['wx-open-launch-app']
});

记得在main.js页面添加相关配置

Vue.config.ignoredElements = ['wx-open-launch-weapp']

7、传参(VUE、小程序页面)

如图:

在这里插入图片描述
在这里插入图片描述

8、全部代码

<template>
  <div class="app">
    <p class="test-text" v-if="isWxBtn">点击打开微信小程序</p>
    <wx-open-launch-weapp
      id="launch-btn"
      :username="wx_username"
      :path="wx_path"
      v-if="isWxBtn"
    >
      <script type="text/wxtag-template">
        <style>
          .test-btn {
            position:fixed;
            margin:auto;
            left:0;
            right:0;
            top:0;
            bottom:0;
            display: block;
            width: 80%;
            font-size: 18px;
            color: #2973ba !important;
            height: 48px;
            line-height: 48px;
            background-color: #fff;
            border-top: 1px solid #ddd;
            border-bottom-left-radius: 5px;
            border-bottom-right-radius: 5px;
            text-align: center;
          }
        </style>
        <div class="test-btn">确定</div>
      </script>
    </wx-open-launch-weapp>
  </div>
</template>
<script>
export default {
  data() {
    return {
      form: {
        username:'',
        password:''
      },

      isWxBtn:false,
      wx_username: 'gh_xxxxxxxxxxxx', // gh_ 开头的原始小程序ID
      wx_path: 'pages/index/index.html', // 一定要以 .html 结尾
      token: 'xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx',
    }
  },
  created() {},
  methods:{
	getShopWxConfig() {
      let that = this;
      let url = window.location.href.split('#')[0];
      api.getWxConfig(url).then(res => {
        wx.config({
          debug: true, // 验证结果弹窗控制(成功或者失败)
          appId: res.data.appId, // 公众号唯一appid
          nonceStr: res.data.noncestr,
          timestamp: res.data.timestamp,
          signature: res.data.signature,
          jsApiList: [''], // 必填,需要使用的JS接口列表
          openTagList: ['wx-open-launch-weapp'],
        });
        wx.ready(function () {
          that.isWxBtn = true;
          console.log('111111',success);
        });
        wx.error(function (err) {
          // config信息验证失败会执行error函数,如签名过期导致验证失败,具体错误信息可以打开config的debug模式查看,也可以在返回的res参数中查看,对于SPA可以在这里更新签名。
          console.log('000000', error);
        });
      });
    },
  },
  mounted() {
    this.wx_path = this.wx_path + "?token=" + this.token;
	this.getShopWxConfig();
  }
</script>

<style lang="scss" scoped>
.app{
  background: url(../../assets/images/img.jpg) no-repeat center center;
  position: fixed;
  background-size:cover;
  top: 0;
  left: 0;
  width: 100%;
  height: 100%;
  .test-text {
    position: fixed;
    margin: auto;
    left: 0;
    right: 0;
    top: -108px;
    bottom: 0;
    text-align: center;
    width: 80%;
    height: 60px;
    line-height: 60px;
    font-size: 18px;
    color: #2b2b2b;
    z-index: 99999;
    background: #fff;
    border-top-left-radius: 5px;
    border-top-right-radius: 5px;
  }
  #launch-btn {
    position: fixed;
    left: 0;
    top: 0;
    width: 100%;
    height: 100vh;
    line-height: 100vh;
    text-align: center;
    background: rgba(0, 0, 0, 0.5);
    display: block;
  }
}
</style>

9、注意事项 ( 按钮不显示、点击按钮没反应,请对照以下事项逐一排查 )

  • username为小程序原始ID。
  • path为跳转至小程序的路径,一定要加后缀.html。还能携带参数,在微信小程序中通过 onLoadoptions接收。(代码如下)
  • <wx-open-launch-weapp>中必须用<template>标签包裹。
  • config配置中一定要加入openTagList: ['wx-open-launch-weapp']
  • 微信版本要求为:7.0.12及以上。 系统版本要求为:iOS 10.3及以上、Android 5.0及以上。
  • 引入js至少是1.6以上版本。
  • 若按钮不显示,多半是wx.config配置不正确。
### 回答1: 好的,这是一个非常有趣的项目!我将向您介绍如何使用Python编写基于RNN的股票价格预测模型。 首先,您需要收集股票历史数据。您可以使用Yahoo Finance或Alpha Vantage等API来获取数据。在这个项目中,我们将使用Alpha Vantage API来获取股票价格数据。您需要注册一个免费的API密钥,然后使用Python的requests库来获取数据。 以下是获取股票价格数据的代码: ```python import requests import json url = "https://www.alphavantage.co/query" params = { "function": "TIME_SERIES_DAILY_ADJUSTED", "symbol": "AAPL", "apikey": "<your_api_key>" } response = requests.get(url, params=params) data = json.loads(response.text) ``` 在获取数据后,我们需要对数据进行预处理。在这个项目中,我们将使用Min-Max标准化来缩放股票价格数据。我们将使用前60天的股票价格数据来预测未来5天的股票价格。因此,我们需要对数据进行适当的划分。 以下是数据预处理的代码: ```python import numpy as np # Extract daily adjusted closing prices prices = [] for date, price_data in data["Time Series (Daily)"].items(): prices.append(float(price_data["5. adjusted close"])) # Normalize prices max_price = max(prices) min_price = min(prices) normalized_prices = [(p - min_price) / (max_price - min_price) for p in prices] # Prepare data for training X = [] y = [] lookback_days = 60 prediction_days = 5 for i in range(len(normalized_prices) - lookback_days - prediction_days): X.append(normalized_prices[i:i+lookback_days]) y.append(normalized_prices[i+lookback_days:i+lookback_days+prediction_days]) X = np.array(X) y = np.array(y) ``` 接下来,我们需要构建RNN模型。在这个项目中,我们将使用LSTM层。我们将使用Keras库来构建模型。 以下是构建模型的代码: ```python from keras.models import Sequential from keras.layers import Dense, LSTM # Build LSTM model model = Sequential() model.add(LSTM(256, input_shape=(lookback_days, 1))) model.add(Dense(prediction_days)) model.compile(loss="mse", optimizer="adam") ``` 然后,我们可以使用准备好的数据来训练模型。 以下是训练模型的代码: ```python model.fit(X.reshape(X.shape[0], X.shape[1], 1), y, epochs=50, batch_size=32) ``` 最后,我们可以使用训练好的模型来预测未来的股票价格。 以下是预测股票价格的代码: ```python # Use model to predict future prices last_60_days = normalized_prices[-lookback_days:] X_test = np.array([last_60_days]) X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1) predicted_prices = model.predict(X_test) # Denormalize predicted prices predicted_prices = [p * (max_price - min_price) + min_price for p in predicted_prices[0]] ``` 最后,我们可以使用Matplotlib库来可视化股票价格数据和预测结果。 以下是可视化结果的代码: ```python import matplotlib.pyplot as plt # Plot actual prices and predicted prices plt.plot(prices[-60:], label="Actual Prices") plt.plot(range(60, 65), predicted_prices, label="Predicted Prices") plt.legend() plt.show() ``` 这就是使用Python编写基于RNN的股票价格预测模型的完整过程。希望这可以帮助您开始这个项目! ### 回答2: 要使用Python编写基于RNN的股票价格预测模型,可以按照以下步骤进行: 1. 数据预处理:首先,需要收集或下载股票的历史价格数据。然后,对数据进行适当的预处理,例如使用平滑技术(如滑动平均)去除噪声,处理缺失值,标准化数据等。 2. 构建RNN模型:使用Python中的深度学习库(如TensorFlow,PyTorch或Keras)构建RNN模型。可以选择不同的RNN模型,如简单循环神经网络(Simple Recurrent Neural Network)或长短期记忆网络(Long Short-Term Memory)。 3. 划分训练集和测试集:将预处理后的股票价格数据划分为训练集和测试集,通常按照80-20的比例划分。训练集用于训练模型,测试集用于评估模型的性能。 4. 模型训练和优化:使用训练集对RNN模型进行训练,并进行参数优化。可以使用适当的损失函数(如均方误差)和优化器(如随机梯度下降)来优化模型。 5. 未来股票价格预测:使用训练好的模型对未来的股票价格进行预测。可以将预测结果与测试集中的真实价格进行比较,评估模型的准确性。 6. 可视化分析:使用Python中的数据可视化工具(如Matplotlib或Seaborn)对实验结果进行可视化分析。可以绘制预测结果的曲线和真实价格的曲线,并进行比较和分析。 通过以上步骤,可以使用Python编写基于RNN的股票价格预测模型,并对实验结果进行可视化分析,以评估模型的性能和准确性。 ### 回答3: 使用Python编写基于RNN的股票价格预测模型需要以下步骤。 首先,我们需要进行适当的数据预处理技术处理股票历史数据,然后训练模型,并使用训练好的模型对未来的股票价格进行预测,最后对实验结果进行可视化分析。 首先,对于数据预处理,我们可以采用以下技术: 1. 数据收集:从可靠的金融数据源获取股票历史数据。 2. 数据清洗:处理缺失值和异常值,确保数据的准确性和完整性。 3. 数据归一化:将所有特征值缩放到相同的范围,可以使用MinMaxScaler或StandardScaler等方法。 4. 数据转换:将时间序列数据转换为监督学习问题,以便输入RNN模型。 其次,我们可以使用Python中的深度学习库如TensorFlow或Keras来构建基于RNN的股票价格预测模型。模型的架构可以是多种形式的RNN,如LSTM(长短时记忆网络)或GRU(门控递归单元),这些模型都能捕捉到时间序列数据中的模式和趋势。 然后,我们将使用历史数据来训练模型。我们将数据集分为训练集和验证集,用于模型的训练和调优。可以使用交叉验证或早停技术来防止过拟合。模型的性能可以使用评估指标如均方根误差(RMSE)进行衡量。 最后,使用训练好的模型对未来的股票价格进行预测。我们可以使用最新的数据作为输入,通过模型来预测下一个时间步的股票价格。同时,还可以计算预测价格与实际价格之间的误差,以评估模型的准确性。 对于实验结果的可视化分析,可以使用Python的数据可视化库如matplotlib或seaborn来绘制预测结果的时间序列图。这样可以直观地看到模型对未来股票价格的预测,以及与实际价格之间的差异。可以使用其他图表类型如散点图或误差图来进一步分析模型的性能和精度。 总之,使用Python编写基于RNN的股票价格预测模型需要进行数据预处理,训练模型并对未来价格进行预测,并使用可视化工具对实验结果进行分析。这个过程需要使用适当的技术和库,确保模型的准确性和鲁棒性。
评论 1
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