如何配置openai的返回Stream数据并转发到h5页面按markdown格式流式输出(最新推荐)

如何配置openai返回数据，保持流式输出，可以分段加载

可以使用OpenAI API的stream参数来实现流式输出，并且可以使用max_tokens参数控制每次返回数据的长度。以下是一个示例代码，演示如何使用OpenAI API来实现流式输出并分段加载：

import openai
# 连接 OpenAI API openai.api_key = \”YOUR_API_KEY\”
# 设置 OpenAI API 参数
model_engine = \”davinci\”
# 模型引擎
prompt = \”你好，我需要帮助进行自然语言处理任务。\” # 请求语句
temperature = 0.5 # 温度参数
max_tokens = 100 # 每次最大输出长度 # 获取 OpenAI 返回数据
completions = openai.Completion.create( engine=model_engine, prompt=prompt, temperature=temperature, max_tokens=max_tokens, n=1, stream=True ) # 分段获取数据
for i, text in enumerate(iter(completions.choices), start=1):
print(f\”============== 第 {i} 段输出 ==============\”)
print(text.text)

在这个示例中，我们将stream参数设置为True，这样OpenAI API将会实时地将数据传输回调用方，并且将返回一个生成器对象(iter(completions.choices))，使得我们可以逐段获取数据并打印出来。同时，我们使用max_tokens参数来控制每次返回的数据长度，这样也可以有效的避免返回数据过长导致内存不足的问题。注意，这里的YOUR_API_KEY需要替换为您在OpenAI申请的API密钥。【请求时间：14秒】

openai 返回stream流，是UDP还是TCP，接收stream数据代码DEMO

OpenAI GPT-3 API 返回的是 HTTPS 流，使用的是 TCP 协议。如果您需要处理从 OpenAI GPT-3 API 返回的数据流，您可以使用 Python 中的 requests 库来处理它。以下是一个可以接收并处理由 OpenAI GPT-3 API 返回的数据流的示例代码：

import requests
def process_stream(stream):
for line in stream.iter_lines():
if line: # 处理返回的数据
print(line.decode(\’utf-8\’)) # 发起 API 请求并处理返回的数据流
response = requests.post(url, headers=headers, data=data, stream=True)
process_stream(response.iter_lines())

在上面的代码中，我们使用 requests.post 方法发起了一个带有 stream=True 参数的 POST 请求，并将响应保存到 response 变量中。接着，我们调用 process_stream 函数来处理从 API 返回的数据流。在 process_stream 函数中，我们使用 iter_lines 迭代器来逐行处理数据流，并将每行转换为 UTF-8 编码字符串。在这个简单的示例中，我们只是将数据打印到控制台上，但您可以根据实际需求来编写相应的逻辑来处理数据。

接收stream数据的PHP代码示例如下：

<?php $ch = curl_init();
curl_setopt($ch, CURLOPT_URL, \’STREAM_URL\’);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_WRITEFUNCTION, function($curl, $data)
{ // 处理获得的数据
echo $data;
return strlen($data); });
curl_exec($ch);
curl_close($ch); ?>

其中，STREAM_URL 代表 OpenAI 的 stream URL 地址。这段代码会将数据逐步地写到屏幕上。相应的，接收stream数据的Java代码示例如下：

import java.net.*;
import java.io.*;
public class StreamReceiver {
public static void main(String[] args) throws Exception
{ URL streamURL = new URL(\”STREAM_URL\”);
try (
BufferedReader reader = new BufferedReader( new InputStreamReader(streamURL.openStream())))
{ String line;
while ((line = reader.readLine()) != null)
{ // 处理获得的数据 System.out.println(line);
}
}
}
}

同样的，STREAM_URL 代表 OpenAI 的 stream URL 地址。这段代码会将数据逐步地输出到命令行界面上

PHP代码示例：

<?php // 请求OpenAI接口获取stream数据，并转发到H5页面端
$openAIUrl = \’https://api.openai.com/v1/engines/davinci-codex/completions\’; $headers = array( \’Content-Type: application/json\’, \’Authorization: Bearer <YOUR_API_KEY>\’ );
$data = array( \’prompt\’ => \’Hello, world!\’, \’max_tokens\’ => 5, \’temperature\’ => 0.7 );
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $openAIUrl);
curl_setopt($ch, CURLOPT_POST, true);
curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($data));
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_HTTPHEADER, $headers);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
$output = fopen(\’php://output\’, \’w\’);
curl_setopt($ch, CURLOPT_WRITEFUNCTION, function ($ch, $chunk) use ($output) { fwrite($output, $chunk);
return strlen($chunk); });
curl_exec($ch);
fclose($output); // 将stream数据转发给H5页面端
header(\’Content-Type: text/event-stream\’);
header(\’Cache-Control: no-cache\’);
header(\’Connection: keep-alive\’);
header(\’Access-Control-Allow-Origin: *\’);
fpassthru($output);

Java代码示例：

import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import javax.servlet.AsyncContext;
import javax.servlet.ServletException;
import javax.servlet.annotation.WebServlet;
import javax.servlet.http.HttpServlet;
import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpServletResponse;
@WebServlet(asyncSupported = true, urlPatterns = {\”/stream\”})
public class StreamServlet extends HttpServlet
{
private static final ExecutorService executor = Executors.newCachedThreadPool();
@Override
protected void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
// 创建异步上下文
AsyncContext asyncContext = request.startAsync(); // 提交任务到线程池
executor.submit(() -> { try {
// 请求OpenAI接口获取stream数据
URL url = new URL(\”https://api.openai.com/v1/engines/davinci-codex/completions\”);
HttpURLConnection conn = (HttpURLConnection) url.openConnection();
conn.setRequestMethod(\”POST\”);
conn.setRequestProperty(\”Content-Type\”, \”application/json\”);
conn.setRequestProperty(\”Authorization\”, \”Bearer <YOUR_API_KEY>\”); conn.setDoOutput(true);
OutputStream out = conn.getOutputStream();
out.write(\”{\\\”prompt\\\”: \\\”Hello, world!\\\”, \\\”max_tokens\\\”: 5, \\\”temperature\\\”: 0.7}\”.getBytes());
out.flush();
out.close();
InputStream in = conn.getInputStream();
response.setContentType(\”text/event-stream\”);
response.setHeader(\”Cache-Control\”, \”no-cache\”);
response.setHeader(\”Connection\”, \”keep-alive\”);
response.setHeader(\”Access-Control-Allow-Origin\”, \”*\”);
byte[] buffer = new byte[1024];
int count;
while ((count = in.read(buffer)) != -1) {
// 将stream数据转发给H5页面端
OutputStream outputStream = asyncContext.getResponse().getOutputStream();
String data = new String(buffer, 0, count);
outputStream.write((\”data: \” + data + \”\\n\\n\”).getBytes());
outputStream.flush(); } in.close(); }
catch (IOException e) { e.printStackTrace(); }
finally { asyncContext.complete(); } }); } }

Python代码示例：

import requests from flask
import Flask, Response app = Flask(__name__) @app.route(\’/stream\’)
def stream(): # 请求OpenAI接口获取stream数据
url = \’https://api.openai.com/v1/engines/davinci-codex/completions\’
headers = { \’Content-Type\’: \’application/json\’, \’Authorization\’: \’Bearer <YOUR_API_KEY>\’ }
data = { \’prompt\’: \’Hello, world!\’, \’max_tokens\’: 5, \’temperature\’: 0.7 } res = requests.post(url, headers=headers, json=data, stream=True)
# 将stream数据转发给H5页面端
def generate():
for chunk in res.iter_content(chunk_size=1024):
if chunk: yield \’data: \’ + chunk.decode() + \’\\n\\n\’
return Response(generate(), mimetype=\’text/event-stream\’, headers={ \’Cache-Control\’: \’no-cache\’, \’Connection\’: \’keep-alive\’, \’Access-Control-Allow-Origin\’: \’*\’ })
if __name__ == \’__main__\’:
app.run()

注意：以上代码仅供参考，具体实现需要根据自己的业务需求进行适当修改。

如何让前端Html能显示mardown格式

要在前端HTML中显示Markdown格式，您可以使用一个叫做Markdown解析器的库或工具。下面是一个简单的例子：1.首先，通过CDN或将其下载到本地文件夹中，引入一个Markdown解析器库，比如marked.js。

在页面上添加一个textarea标签用于输入Markdown格式的文本，添加一个div标签用于显示解析后的HTML内容。

在JavaScript中获取textarea的值，将其传递给Markdown解析器，并将输出的HTML代码插入到div中。

var markdown = document.getElementById(\’mdInput\’).value;
var html = marked(markdown);
document.getElementById(\’htmlOutput\’).innerHTML = html;

这样就可以在浏览器中显示Markdown格式的文本了。

类似于ChatGPT网站使用Node.js中的流（Stream）处理技术将输出转换成markdown格式。流是一种在处理大量数据时很有用的技术，它允许以逐块的方式处理数据而不必等待加载整个数据集。在ChatGPT网站中，可能使用了类似于以下代码的方法来将输出流转换为markdown格式：

const markdown = require(\’markdown\’).markdown;
const stream = require(\’stream\’);
const outputStream = new stream.Writable({
write(chunk, encoding, callback) {
const text = chunk.toString();
const markdownText = markdown.toHTML(text);
process.stdout.write(markdownText);
callback(); },
});
// Stream output to markdown formatter
originalOutputStream.pipe(outputStream);

在这个代码示例中，markdown库用于将输入的纯文本转换为Markdown格式。一个Writable可写流用于接收输出，并将其转换为Markdown格式并将其发送到标准输出流（process.stdout.write()）。最后将原始输出流（originalOutputStream）连接到新的可写流（outputStream），并通过该管道输出到标准输出流。这只是一个简单的示例，实际上，ChatGPT网站可能使用更复杂的技术来流式处理并转换输出到Markdown格式

到此这篇关于如何配置openai的返回Stream数据并转发到h5页面按markdown格式流式输出的文章就介绍到这了,更多相关openai返回Stream数据内容请搜索悠久资源网以前的文章或继续浏览下面的相关文章希望大家以后多多支持悠久资源网！

您可能感兴趣的文章: