chatgpt的联网功能

• 前置准备
• • 一个谷歌账号
  • 一个chatgpt的API key
  • python环境
• 设置谷歌Json API
• 编写代码
• • 配置环境变量
  • 调用gpt接口来过滤信息
  • 配置谷歌浏览器接口变量
  • 通过爬虫获取信息
  • 将获取的信息输入给gpt

  一个谷歌账号

  由于本项目调用的是谷歌浏览器的接口,所以必须要申请一个谷歌账号

  一个chatgpt的API key

  这个可点击 获取API key 这个链接,登录对应的gpt账号即刻获取。 点击里面的Create new secret key即可新建, 记得新建的key一定要保存好,他只能在新建时查看一次,以后就再也不能查看的,忘记的就只能再新建一个

  具体页面如下:
  

  python环境

  python环境最低要求必须支持langchain框架,
  需要用到的库有,langchain, request, re, bs4等

  设置谷歌Json API

  首先,我们调用谷歌搜索的api需要用到两个变量,一个是谷歌搜索引擎的API key,另一个自定义搜索引擎的ID
  接下来我将说明如何获取这两个值

  首先是谷歌的API key
  点击这个链接 ,进入谷歌的API服务中心,然后新建一个项目,这里点击上面的web service,这个是我创建的项目的名字,正常情况为空,可以自己创建一个项目
  
  
  这里名字随便写,然后创建

  接着,点击左侧的库,搜索Custom Search JSON API

  进入Custom Search JSON API页面,并点击启用
  
  之后回到开始页面,点击左侧的凭证,然后点击“创建凭据”并选择“API 密钥”。
  
  
  这时候就能获取你谷歌的API key了
  
  得到后先把它保存下来,接着我们获取个人引擎的ID

  访问可编程搜索引擎管理页面 ,创建一个新的搜索引擎或选择一个现有的搜索引擎。在搜索引擎设置页面中，找到“搜索引擎ID”并复制它
  
  这里记得创建时要选择在整个网络中搜索

  创建后点击这个引擎,一进去就可以看见你的ID了
  
  获取这两个后就可以开始我们代码编写了,需要注意的是,这个谷歌的JSON API 每天只有100次免费调用的额度,超过需要收费,调用需求大的可以考虑多建立几个谷歌账号,获取它们对应的ID和key然后循环使用

  我们整个代码的思路为:
  用户输入问题->调用gpt接口过滤一些无关信息->调用谷歌搜索引擎->得到对应的标题和网站->采用爬虫获取对应的内容->调用gpt接口回答问题

  配置环境变量

  在这里设置你的代理

  import os
  os.environ['HTTP_PROXY'] = "127.0.0.1:you proxy port"
  os.environ['HTTPS_PROXY']="127.0.0.1:you proxy port"
  调用gpt接口来过滤信息
   
  def fitter_inner(query):
      # 配置环境变量
      import os
      os.environ['HTTP_PROXY'] = "127.0.0.1:you proxy port"
      os.environ['HTTPS_PROXY']="127.0.0.1:you proxy port"
      os.environ["OPENAI_API_KEY"]="you-api-key"
      # 定义聊天模板
      from langchain.prompts import ChatPromptTemplate
      prompts ="""
      你现在是一个问题提取机器人,现在我会给你一段文本,这段文本是用户输入给你的内容,这段内容可能会有一些混淆
      的信息,你要做的就是提取里面可能需要联网才能查询到的信息出来,并且返回......(后面自己完善,建议加点例子)
  	(这一部分如果你懂langchain框架,可以自行修改,不懂建议不要改)
      接下来是用户输入的内容:
      {query}
      返回格式为:
      {response_schemas}
      ChatPrompt = ChatPromptTemplate.from_template(prompts)
      # 定义返回格式
      from langchain.output_parsers import ResponseSchema
      from langchain.output_parsers import StructuredOutputParser
      result_schema = ResponseSchema(name='result',
                                     description="返回一个字符串,这个字符串表示的是真正需要联网的功能")
      response_schemas = [result_schema]
      out_parse = StructuredOutputParser(response_schemas=response_schemas)
      format_instructions = out_parse.get_format_instructions() # format_instructions就是我们的格式
      # 定义gpt模型和生成链
      from langchain.chat_models import ChatOpenAI
      from langchain.chains import LLMChain
      llm = ChatOpenAI(model_name="gpt-3.5-turbo-16k", temperature=0)
      chain = LLMChain(llm=llm, prompt=ChatPrompt)
      # 调用链
      result = chain.run(query=query, response_schemas=format_instructions)
      return out_parse.parse(result)
  调用方法为:
   
  question = """
  123+ee42
  广东天气怎样
  query = fitter_inner(question)
  print(query)
  这里的query返回值应该是一个json数据格式,你想获取直接的值的话,可通过query[‘result’]来获取
   
  配置谷歌浏览器接口变量
   
  # Google搜索函数
  def google_search():
      # 你的API密钥和自定义搜索引擎ID
      api_key = "之前获取的谷歌API key"
      cse_id = "之前获取的个人搜索引擎key"
      url = "https://www.googleapis.com/customsearch/v1"
      params = {
          "q": query,
          "key": api_key,
          "cx": cse_id
      response = requests.get(url, params=params)
      return response.json()
  通过这个json接口返回的是一个带有浏览器搜索的一个标题和链接,如下图
   
   
  通过爬虫获取信息
   
  接下来就要提取这些信息,并通过爬虫获取这些信息
   
      def extract_content(self, query):
      	#这里调用了上面的谷歌接口
          results = self.google_search(query)
          inner = []
          # 提取指定数量的链接的信息
          for item in results["items"][:self.num_links]:
              url = item['link']
              try:
                  timeout_seconds = 10
                  # 使用requests库获取链接的内容，并设置超时时间
                  response = requests.get(url, timeout=self.timeout_seconds)
                  # 检查是否成功获取
                  if response.status_code == 200:
                      # 获取字符编码
                      encoding = response.encoding if 'charset' in response.headers.get('content-type', '').lower() else None
                      # 使用BeautifulSoup解析HTML
                      soup = BeautifulSoup(response.content, 'html.parser', from_encoding=encoding)
                      # 使用get_text()方法提取所有文本内容
                      text_content = soup.get_text()
                      # 对文本进行加工处理
                      cleaned_text = self.clean_text(text_content)
                      inner.append(cleaned_text)
                      # 打印提取的文本内容
                  else:
                      print(f"无法访问网页：{url}")
              except requests.Timeout:
                  print(f"请求超时，超过了{self.timeout_seconds}秒的等待时间。链接：{url}")
          return inner
      def clean_text(self, text):
          # 使用正则表达式替换连续的空白字符为单个空格
          return re.sub(r'\s+', ' ', text).strip()
  这样就能获取全部的内容了,如果考虑到gpt的api接口可能会有tokens限制,可以自行修改代码,让他能够人为的进行控制,具体代码我稍后会发在另一篇文章中
   
  将获取的信息输入给gpt
   
  from langchain.chat_models import ChatOpenAI
  from langchain.chains import LLMChain
  from langchain.prompts import PromptTemplate
  os.environ["OPENAI_API_KEY"]="you-api-key"
  llm = ChatOpenAI(temperature=0.7, model_name='gpt-3.5-turbo-16k')
  prompt = """
      现在你是一个问答机器人,我会给你一段来自互联网的文本,你根据这段文本和用户的问题来进行回答,如果文本提供的内容回答不了用户的问题,那么则回答我无法提供正确的回答
      网络资料:
      ------------------------------------------
      {inner}
      -------------------------------------------
      用户问题:
      --------------------------------------------
      {question}
      ---------------------------------------------
  prompts = PromptTemplate.from_template(prompt)
  chain = LLMChain(llm=llm, prompt = prompts)
  print(chain.run(question=query, inner = '\n'.join(inner)))
  最后就可以得到结果:
   
   
  import requests
  import re
  from bs4 import BeautifulSoup
  import time
  class GoogleSearchExtractor:
      def __init__(self, api_key, cse_id, num_links=3, timeout_seconds=10):
          self.api_key = api_key
          self.cse_id = cse_id
          self.num_links = num_links
          self.timeout_seconds = timeout_seconds
      def google_search(self, query):
          url = "https://www.googleapis.com/customsearch/v1"
          params = {
              "q": query,
              "key": self.api_key,
              "cx": self.cse_id
          response = requests.get(url, params=params)
          return response.json()
      def clean_text(self, text):
          # 使用正则表达式替换连续的空白字符为单个空格
          return re.sub(r'\s+', ' ', text).strip()
      def extract_content(self, query):
          results = self.google_search(query)
          inner = []
          # 提取指定数量的链接的信息
          for item in results["items"][:self.num_links]:
              url = item['link']
              try:
                  # 使用requests库获取链接的内容，并设置超时时间
                  response = requests.get(url, timeout=self.timeout_seconds)
                  # 检查是否成功获取
                  if response.status_code == 200:
                      # 获取字符编码
                      encoding = response.encoding if 'charset' in response.headers.get('content-type', '').lower() else None
                      # 使用BeautifulSoup解析HTML
                      soup = BeautifulSoup(response.content, 'html.parser', from_encoding=encoding)
                      # 使用get_text()方法提取所有文本内容
                      text_content = soup.get_text()
                      # 清理文本
                      cleaned_text = self.clean_text(text_content)
                      inner.append(cleaned_text)
                      # 打印提取的文本内容
                  else:
                      print(f"无法访问网页：{url}")
              except requests.Timeout:
                  print(f"请求超时，超过了{self.timeout_seconds}秒的等待时间。链接：{url}")
          return inner
  # 使用示例
  api_key = ""
  cse_id = ""
  query = "今天广东天气怎样"
  extractor = GoogleSearchExtractor(api_key, cse_id)
  inner = extractor.extract_content(query)
  from langchain.chat_models import ChatOpenAI
  from langchain.chains import LLMChain
  from langchain.prompts import PromptTemplate
  import os
  os.environ["OPENAI_API_KEY"]="you-api-key"
  llm = ChatOpenAI(temperature=0.7, model_name='gpt-3.5-turbo-16k')
  prompt = """
      现在你是一个问答机器人,我会给你一段来自互联网的文本,你根据这段文本和用户的问题来进行回答,如果文本提供的内容回答不了用户的问题,那么则回答我无法提供正确的回答
      网络资料:
      ------------------------------------------
      {inner}
      -------------------------------------------
      用户问题:
      --------------------------------------------
      {question}
      ---------------------------------------------
  prompts = PromptTemplate.from_template(prompt)
  chain = LLMChain(llm=llm, prompt = prompts)
  print(chain.run(question=query, inner = '\n'.join(inner)))
  这个是不调用过滤的情况下,如果需要过滤的话,请自行将上面处理过滤信息的代码添加进去
   
  以上就是利用python实现chatgpt联网功能的代码了,如果有好的建议欢迎在评论区留言
  				
  python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现python实现自由落体功能效果实现
  
  
  
  
      
  
  				
  在Python中安装和使用第三方库有几种方法。一种是使用pip命令在线安装，另一种是使用离线安装包进行安装。
  使用pip命令在线安装是最常用的方法。首先，你需要确保你的机器有联网环境。然后，你可以在命令行中使用"pip install"命令来安装指定的第三方库。比如，如果你想安装一个叫做"requests"的库，你可以运行"pip install requests"命令。这个命令会自动从PyPI（Python Package Index）中下载并安装这个库。
  另一种方法是使用离线安装包进行安装。如果你需要给不能联网的机器安装第三方库，你需要从指定的网站下载离线安装包。你可以访问PyPI网站，在该网站上搜索你需要安装的第三方库，并下载对应的离线安装包。下载后，你可以将离线安装包传输到不能联网的机器上，并使用命令行或其他安装工具进行安装。具体的安装步骤可能会因库的不同而有所差异。
  总结起来，Python安装和使用第三方库的方法有两种。一种是在线安装，通过pip命令从PyPI下载并安装。另一种是离线安装，需要下载离线安装包并手动安装。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
  #### 引用[.reference_title]
  -  *1* [Python第三方库安装——使用vscode、pycharm安装Python第三方库](https://blog.csdn.net/qq_53381910/article/details/129868758)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
  -  *2* *3* [Python离线安装第三方库](https://blog.csdn.net/sinat_41482627/article/details/128212037)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
  [ .reference_list ]
                      CSDN-Ada助手: 
                      恭喜您写了关于KNN近邻算法的第7篇博客！您的持续创作真是令人钦佩。在这篇博客中，您详细介绍了KNN算法的原理和应用。我对您的深入研究和扎实的写作能力表示由衷的敬佩。
  在下一步的创作中，我建议您可以考虑扩展一下KNN算法的应用领域，或者对算法的优化方法进行进一步的探索。此外，您也可以尝试将KNN与其他机器学习算法进行对比，分析它们之间的异同以及在不同场景下的适用性。
  希望我的建议对您有所启发。再次祝贺您，并期待您未来更多精彩的创作！
                  用python实现chatgpt的联网功能
                      CSDN-Ada助手: 
                      恭喜您写了第6篇博客！标题“用python实现chatgpt的联网功能”真是让人期待不已。您的文章内容一定非常有趣和实用。在下一步的创作中，或许您可以考虑分享一些关于chatgpt在实际应用中的案例，或者深入探讨一些chatgpt的性能优化方法。期待您继续创作，谦虚地说，我相信您一定会给我们带来更多有价值的内容！
                  机器学习(西瓜书)&南瓜书学习笔记
                      CSDN-Ada助手: 
                      恭喜您开始博客创作！标题中提到的《机器学习(西瓜书)&南瓜书学习笔记》听起来非常有趣。我很期待阅读您的学习笔记，相信您一定会为读者们带来很多新的知识和见解。在下一步的创作中，或许您可以尝试加入一些个人的实践经验或案例分析，这样读者们更能从您的博客中获得实际应用的启示。继续努力，期待您更多的精彩文章！
  推荐【每天值得看】：https://bbs.csdn.net/forums/csdnnews?typeId=21804&utm_source=csdn_ai_ada_blog_reply1
                  机器学习之支持向量机
                      CSDN-Ada助手: 
                      恭喜您撰写了第5篇博客！标题“机器学习之支持向量机”让我着实感到您对机器学习的深入研究。您的文章内容很有见地，深入浅出地介绍了支持向量机的原理和应用。我非常期待您的下一篇博客，希望您能继续分享更多关于机器学习的知识。或许您可以考虑深入探讨支持向量机在实际问题中的应用场景，或者与其他机器学习算法进行对比分析。谦虚地说，我相信您的下一篇博客一定会给读者带来更多的启发和收获。
                  机器学习第三章总结
                      CSDN-Ada助手: 
                      评论：非常感谢您对《机器学习第三章总结》的分享！通过您的总结，读者们可以更好地理解《西瓜书》第三章中的复杂公式。您的示例也为我们提供了实际应用的参考，这对于我们更深入地掌握机器学习知识非常有帮助。
  除了您在标题和摘要中提到的内容外，还有一些与该博文相关但未在标题和摘要中出现的扩展知识和技能可以进一步深入学习。例如，您可以探索不同的机器学习算法和模型，如决策树、支持向量机和神经网络等。此外，了解特征工程和模型评估方法也是深入学习机器学习的重要一步。
  希望您能继续分享您的学习总结和经验，我们期待看到更多有关机器学习的内容。谢谢您的努力和分享！
  如何写出更高质量的博客，请看该博主的分享：https://blog.csdn.net/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2