如何在Viz Ticker Feed中实现对xml数据源的自动导入

首先看一下Viz Ticker Feed可以直接使用的xml(Viz Ticker 3D的文档中有针对xml DTD的介绍),下面的是Flipping的例子:

<?xml version="1.0" encoding="utf-8"?>
<tickerfeed version="2.4">
  <playlist type="flipping_carousel" name="STOCK" target="pool">
    <element>
	<template>STOCK</template>
      	<field name="1">美盛文化</field>
     	 <field name="2">新疆浩源</field>
      	<field name="3">奥瑞金</field>
    </element>
  </playlist>
</tickerfeed>

其中的Type是指属于scroll还是flipping,name是指在Viz Ticker 3D 中对应的Carousel的名字,target是指直接导入到备播池(pool)还是播出池(carousel),template里面是指使用的模板的名字,不同的field是指你定义的控制字段的名字。

下面看一下Scrolling的例子:

<?xml version="1.0" encoding="utf-8"?>
<tickerfeed version="2.4">
  <playlist type="scrolling_carousel" name="news" target="pool">
    <element>
	<template>news</template>
      	<field name="1">2013年股市勇攀6000点</field>
    </element>
  </playlist>
</tickerfeed>


如果你的xml数据源满足Ticker要求的DTD,那么你可以直接使用该源,如果不是,我推测一般不会有直接可以用的,维斯在中国目前还没有这么好的市场。

言归正传,你可以使用xsl来转换你的xml,具体xsl怎么写,就看你的数据源是什么样子的了,如果有幸你写出了xsl,那么修改Viz Ticker Feed的配置文件(default.ini),参照下面的定义:

source=file:///c|/David/我是中文文件.xml
transformation=xsl:c:\David\me.xsl

如果你使用不了中文文件名的xml,哥们在这儿奉献独自一人寻找近一周的解决方案,QNM的开发,别用windows自带的记事本,找个notepad ++什么的文本编辑软件,把default.ini保存为无BOM的utf-8格式。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Superset支持使用存储过程作为数据源,但是需要注意的是,存储过程返回的结果必须符合Superset的数据源要求,即必须是类似于表格的结构,并且每列必须有一个唯一的列名。如果存储过程返回的结果不符合要求,Superset将无法正确地解析数据。 在Superset,您可以使用SQLAlchemy来连接和查询数据库,并使用查询结果来生成图表。如果您希望使用存储过程作为数据源,您可以使用SQLAlchemy的execute()函数来执行存储过程并获取结果。然后,您可以将结果转换为Pandas数据帧,并将其用作Superset数据源。 以下是一个示例代码片段,演示如何使用存储过程作为Superset的数据源: ``` from sqlalchemy import create_engine import pandas as pd # 创建数据库连接 engine = create_engine('your_database_connection_string') # 执行存储过程并获取结果 result = engine.execute('CALL your_stored_procedure()').fetchall() # 将结果转换为Pandas数据帧 df = pd.DataFrame(result, columns=['column1', 'column2', 'column3']) # 将数据帧用作Superset的数据源 from superset import db from superset.models.core import Database from superset.models.slice import Slice from superset.views.utils import SliceQuery database = db.session.query(Database).filter_by(database_name='your_database_name').one() slice = Slice( slice_name='your_slice_name', viz_type='your_viz_type', datasource_type='table', datasource_id=database.id, params={}, description='', ) db.session.add(slice) db.session.commit() slicequery = SliceQuery( slice_id=slice.id, database_id=database.id, datasource_type='table', datasource_id=database.id, groupby=['column1'], metrics=['column2'], row_limit=100, ) df = slicequery.query_df() ``` 在这个示例,我们首先使用SQLAlchemy执行存储过程,并获取结果。然后,我们将结果转换为Pandas数据帧,并将其用作Superset的数据源。最后,我们创建了一个新的Superset切片,并使用SliceQuery查询了数据帧的数据。
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