Nano Hash - криптовалюты, майнинг, программирование

Как получить заголовки дочерних элементов папки на Google Диске?

Похоже, что перечисление дочерних элементов папки на самом деле не возвращает названия указанных дочерних элементов в соответствии с Google Диском. документация.

Должен ли я запрашивать идентификатор каждого дочернего элемента, чтобы определить имя файла/папки?

Спасибо!

РЕДАКТИРОВАТЬ:

Мне только что пришло в голову, есть ли способ обойти это, чтобы выполнить поиск, где родительский идентификатор равен идентификатору папки, содержимое которой я хочу увидеть?

05.08.2012

Ответы:


1

Вы абсолютно правы, перечисление дочерних элементов папки дает вам только их идентификаторы, поэтому вам нужно отправить другие запросы для получения заголовков и других метаданных. Я согласен, что это не оптимально, и мы рассматриваем возможность внесения здесь некоторых изменений, чтобы улучшить опыт разработчиков.

А пока я бы порекомендовал принять ваш обходной путь и искать те файлы, чьим родителем является папка, содержимое которой вы хотите увидеть.

05.08.2012
  • Я думаю, имеет смысл, что поиск по файловому ресурсу возвращает файлы, а дочерний ресурс возвращает ссылки. 06.08.2012
  • А как насчет примера такого запроса? 30.01.2013
  • Без сомнения. Какой запрос необходим для получения имен папок? Мне нужно перечислить папки в определенном родительском элементе, проанализировать имена, затем переименовать/переместить (создание алфавитных контейнеров, поскольку Диск плохо масштабируется). Имея ОЧЕНЬ трудно понять, как сделать такую ​​простую задачу. 02.06.2015
  • Я не понимаю, почему имеет смысл не возвращать заголовки и другие метаданные вместе со списком детей. Есть ли вариант использования, когда кто-то запросит список детей, а не сразу запросит другую информацию? Вроде бы хотя бы заголовок надо вернуть. 10.06.2015

  • 2

    Если кто-то все еще ищет, как получить название дочерних папок, предполагая, что у вас уже есть идентификатор дочерних элементов (fileId)

    function getFileProps(fileId, callback) {
        var request = gapi.client.drive.files.get({
            'fileId': fileId
        });
    
        request.execute(function (resp) {
               callback(resp);
        });
    }
    
    16.10.2017

    3

    Вы должны использовать параметры запроса для метода files.list() для получения этих результатов,

    В моем примере на Python это было так:

    service.files().list(maxResults=1000, q="'{0}' in parents".format(root_id)).execute()
    

    все параметры запроса вы можете увидеть по по этой ссылке:

    19.10.2015
    Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..