青龙面板+nolan-依赖+拉库+企业微信推送(手把手喂饭,各版本通用)

一、服务器

阿里云传送门

腾讯云传送门

新手建议先一个月试试手,不想废财废力的可以直接上车
型号选 轻量应用服务器 
系统镜像:CentOS 7.6

 上车测试链接1(短信登录):点这里传送门 (推荐)

(上车后查阅动态方法)机器人抠抠裙:540344427 发送ck或者 登录 给机器人后,再发“查询”就可以获取动态(机器人不回复任何问题)不上车忽略这一步

阿里云设置

进入工作台>>安全>>防火墙>>右上角添加规则

应用类型选 全部TCP+UDP 然后确定

腾讯云设置

进入管理页面>>防火墙>>添加规则

应用类型选:ALL   >>确定

二:连接FinalShell

自己去网上搜索FinalShell进行下载,安装后打开看图操作

 到这里就需要自己去服务器管理面板重置一下服务器的密码|
主机ip在服务的控制面板可以看到


 三:青龙面板+nolan

 使用 root 权限登录 Centos

su root

 安装的yum工具集

sudo yum install -y yum-utils device-mapper-persistent-data lvm2

 安装docker-ce,执行后需要等几分钟左右

curl -sSL https://get.daocloud.io/docker | sh

启动docker并设置开机自启(一条一条的输入)

sudo systemctl start docker 
sudo systemctl status docker 
sudo systemctl enable docker

从github上下载docker-compose二进制文件安装

sudo curl -L https://get.daocloud.io/docker/compose/releases/download/1.25.1/docker-compose-`uname -s`-`uname -m` -o /usr/local/bin/docker-compose

添加可执行权限

sudo chmod +x /usr/local/bin/docker-compose

测试安装结果  (可以显示版本号)

docker-compose --version

安装容器

复制,一键运行全部

docker run -dit \
  -v $PWD/ql/config:/ql/config \
  -v $PWD/ql/log:/ql/log \
  -v $PWD/ql/db:/ql/db \
  -v $PWD/ql/repo:/ql/repo \
  -v $PWD/ql/raw:/ql/raw \
  -v $PWD/ql/scripts:/ql/scripts \
  -v $PWD/ql/jbot:/ql/jbot \
  -v $PWD/ql/ninja:/ql/ninja \
  -p 5700:5700 \
  -p 5701:5701 \
  --name qinglong \
  --hostname qinglong \
  --restart unless-stopped \
  whyour/qinglong:latest


浏览器地址栏输入  自己的服务器ip:5700  进去后网页一片白,更新或换浏览器)

在页面可以设置账号,密码

忘记密码 查看密码路径  root >>ql >>config >> auto.json 

 双引号内就是密码,需要改密码可以自己登陆面板就行修改


nolan登录器

拉源码

git clone https://ghproxy.com/https://github.com/NolanHzy/nvjdcdocker.git /root/nolanjdc

拉取基础镜像以后不需要拉取镜像了

sudo docker pull nolanhzy/nvjdc:latest
yum install wget unzip -y

创建一个目录放配置

cd /root/nolanjdc
mkdir -p  Config && cd Config
touch Config.json

   刷新

双击打开config.json,把下面的代码复制进去,根据自己的需求修改配置

复制代码,放进config.json里面修改并保存

{
  ///浏览器最多几个网页
  "MaxTab": "4",
  //网站标题
  "Title": "NolanJDCloud",
  //回收时间分钟 不填默认3分钟
  "Closetime": "5",
  //网站公告
  "Announcement": "为提高账户的安全性,请关闭京东免密支付。下载以下APP并登陆你的账号: 京东、京喜、京东金融、京东极速版。",
  ///开启打印等待日志卡短信验证登陆 可开启 拿到日志群里回复 默认不要填写
  "Debug": "",
  ///自动滑块次数5次 5次后手动滑块 可设置为0默认手动滑块
  "AutoCaptchaCount": "5",
  ///XDD PLUS Url  http://IP地址:端口/api/login/smslogin
  "XDDurl": "",
  ///xddToken
  "XDDToken": "",
  ///Push Plus官方网站:http": //www.pushplus.plus  只有青龙模式有用
  ///下方填写您的Token,微信扫码登录后一对一推送或一对多推送下面的token,只填" "PUSH_PLUS_TOKEN",
  "PUSH_PLUS_TOKEN": "",
  //下方填写您的一对多推送的 "群组编码" ,(一对多推送下面->您的群组(如无则新建)->群组编码)
  "PUSH_PLUS_USER": "",
  ///青龙配置  注意对接XDD 对接芝士 设置为"Config":[]
  "Config": [
    {
      //序号必填从1 开始
      "QLkey": 1,
      //服务器名称
      "QLName": "阿里云",
      //青龙地址
      "QLurl": "",
      //青龙2,9 OpenApi Client ID
      "QL_CLIENTID": "",
      //青龙2,9 OpenApi Client Secret
      "QL_SECRET": "",
      //CK最大数量
      "QL_CAPACITY": 40,
      //消息推送二维码链接
      "QRurl": ""
    }
  ]
}

青龙面板>>应用设置>>添加应用

创建应用

需要修改三个值 
//青龙地址
//青龙2,9 OpenApi Client ID
//青龙2,9 OpenApi Client Secret

青龙地址为:你的ip+端口     然后再把对应的值填过来保存

回到nolanjdc目录创建chromium文件夹并进入

cd /root/nolanjdc && mkdir -p  .local-chromium/Linux-884014 && cd .local-chromium/Linux-884014

下载 chromium

wget https://mirrors.huaweicloud.com/chromium-browser-snapshots/Linux_x64/884014/chrome-linux.zip && unzip chrome-linux.zip

删除刚刚下载的压缩包, 回到刚刚创建的目录

rm -f chrome-linux.zip
cd /root/nolanjdc

 创建nolan容器

sudo docker run   --name nolanjdc -p 5703:80 -d  -v  "$(pwd)":/app \
-v /etc/localtime:/etc/localtime:ro \
-it --privileged=true  nolanhzy/nvjdc:latest

重启nolan

docker restart nvjdc

浏览器输入ip:5703查看显示页面

更新

cd /root/nolanjdc
docker stop nolanjdc
git pull
docker start nolanjdc

四、依赖库修复

FinalShell重新链接服务器后  输入以下全部命令(一条条的输入)

cd && docker exec -it qinglong bash -c "apk add --no-cache build-base g++ cairo-dev pango-dev giflib-dev && cd scripts && npm install canvas --build-from-source"

若是在输入命令时出现Error: No such container: QL报错,就把命令里面的QL改为qinglong在执行一遍(QL为容器名,改成你自己的容器名就好了)

 适用于JDHelloWorld的宠汪汪二代目和宠汪汪兑奖品二代目

docker exec -it qinglong bash -c "cd scripts && npm i -S png-js"

全部依赖

docker exec -it qinglong bash -c "npm install -g typescript"

docker exec -it qinglong bash -c "npm install axios date-fns"

docker exec -it qinglong bash -c "npm install crypto -g"

docker exec -it qinglong bash -c "npm install jsdom"

docker exec -it qinglong bash -c "npm install png-js"

docker exec -it qinglong bash -c "npm install -g npm"

docker exec -it qinglong bash -c "pnpm i png-js"

docker exec -it qinglong bash -c "pip3 install requests"

docker exec -it qinglong bash -c "apk add --no-cache build-base g++ cairo-dev pango-dev giflib-dev && cd scripts && npm install canvas --build-from-source"

docker exec -it qinglong bash -c "apk add python3 zlib-dev gcc jpeg-dev python3-dev musl-dev freetype-dev"

docker exec -it qinglong bash -c "cd /ql/scripts/ && apk add --no-cache build-base g++ cairo-dev pango-dev giflib-dev && npm i && npm i -S ts-node typescript @types/node date-fns axios png-js canvas --build-from-source"


五、Faker仓库一键配置


1.执行代码

2、一直按回车

docker exec -it qinglong bash -c "$(curl -fsSL https://ghproxy.com/https://github.com/shufflewzc/VIP/blob/main/Scripts/sh/1customCDN.sh)"

3.添加定时任务

名字:faker

值:

ql repo https://ghproxy.com/https://github.com/shufflewzc/faker2.git "jd_|jx_|gua_|jddj_|getJDCookie" "activity|backUp" "^jd[^_]|USER|function|utils|ZooFaker_Necklace.js|JDJRValidator_Pure|sign_graphics_validate|ql"

定时:0 */6 * * *


六、日志动态推送

1.手机登录企业微信

 

 

 

 

 把地址到的webhook地址后面的key=之后的编码提取出来

 

 打开青龙面板

 把提取的key填进去,点右上角保存

ChatGLM是一个基于图神经网络的聊天机器人,而Neo4j是一个图数据库。将它们结合起来可以实现更加复杂的聊天机器人应用。以下是一个ChatGLM+Neo4j的应用示例: 假设我们要创建一个聊天机器人,它可以回答用户关于电影的问题。我们可以使用Neo4j存储电影信息和关系,然后使用ChatGLM作为聊天机器人引擎。 首先,我们需要将电影信息存储到Neo4j数据库中。我们可以使用Cypher语言来执行以下命令: ``` CREATE (:Movie {title: "The Shawshank Redemption", year: 1994, director: "Frank Darabont"}) CREATE (:Movie {title: "The Godfather", year: 1972, director: "Francis Ford Coppola"}) CREATE (:Movie {title: "The Dark Knight", year: 2008, director: "Christopher Nolan"}) ``` 这样我们就创建了三部电影的节点,并且每个节点都有标题、年份和导演属性。 接下来,我们需要将这些电影节点连接起来。我们可以使用以下命令: ``` MATCH (m1:Movie {title: "The Shawshank Redemption"}), (m2:Movie {title: "The Godfather"}) MERGE (m1)-[:SIMILAR_TO]->(m2) MATCH (m1:Movie {title: "The Shawshank Redemption"}), (m2:Movie {title: "The Dark Knight"}) MERGE (m1)-[:SIMILAR_TO]->(m2) ``` 这样我们就创建了两条关系,表示这三部电影之间的相似性。 现在我们已经将电影信息存储到Neo4j数据库中,我们可以使用ChatGLM作为聊天机器人引擎。ChatGLM可以使用Python编写,可以使用pytorch-geometric库来连接Neo4j数据库。以下是一个ChatGLM+Neo4j的Python示例代码: ``` import torch from torch_geometric.nn import MessagePassing from torch_geometric.utils import add_self_loops, degree # Define the ChatGLM model class ChatGLM(MessagePassing): def __init__(self, in_channels, out_channels): super(ChatGLM, self).__init__(aggr='add') self.lin = torch.nn.Linear(in_channels, out_channels) def forward(self, x, edge_index): # Add self-loops to the adjacency matrix edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0)) # Compute the degree of each node row, col = edge_index deg = degree(row, x.size(0), dtype=x.dtype) # Apply the linear transformation x = self.lin(x) # Propagate the messages across the graph return self.propagate(edge_index, x=x, deg=deg) def message(self, x_j, deg): # Normalize the messages by the degree of the source node return x_j / deg.view(-1, 1) # Connect to the Neo4j database from neo4j import GraphDatabase driver = GraphDatabase.driver(uri="bolt://localhost:7687", auth=("neo4j", "password")) # Define a function to query the Neo4j database def query_database(query): with driver.session() as session: result = session.run(query) return [dict(record) for record in result] # Define a function to get similar movies def get_similar_movies(movie_title): query = f"MATCH (m1:Movie {{title: '{movie_title}'}})-[:SIMILAR_TO]->(m2:Movie) RETURN m2.title" result = query_database(query) return [record['m2.title'] for record in result] # Define a function to generate a response from the ChatGLM model def generate_response(text): # Convert the text to a vector using a pre-trained language model vector = # code to convert text to vector using pre-trained language model # Query the Neo4j database to get similar movies similar_movies = get_similar_movies(text) # Convert the similar movies to vectors using the same pre-trained language model similar_vectors = # code to convert movies to vectors using pre-trained language model # Compute the similarity between the input vector and the similar movie vectors similarity = # code to compute similarity between input vector and movie vectors # Compute the response using the ChatGLM model response = # code to compute response using ChatGLM model return response # Test the ChatGLM+Neo4j model text = "What movies are similar to The Shawshank Redemption?" response = generate_response(text) print(response) ``` 这个示例代码演示了如何使用ChatGLM和Neo4j来实现一个电影聊天机器人。它可以接收用户的问题,并生成一个相应的回答。在这个例子中,我们使用Neo4j来存储电影信息和关系,并使用ChatGLM来处理自然语言输入和生成回答。
评论 29
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