Google Analytics(Google 分析)是 Google 的一款免费的网站分析服务，Google Analytics 功能非常强大，只要在网站的页面上加入一段代码，就可以提供丰富详尽的图表 式报告。并且显示人们如何找到和浏览相关网站以及如何改善访问者的体验。提高网站投 资回报率、增加转换，在网上获取更多收益。可对整个网站的访问者进行跟踪，并能持续 跟踪营销广告系列的效果，利用此信息将了解到哪些关键字真正起作用、哪些广告词最有 效，访问者在转换过程中从何处退出。自从其诞生以来，即广受好评。 

沙龙主题:如何利用 Google Analytics 搭建 (Google )最个性化转化漏斗

活动时间:1 月 19 日 14:15-17:00

活动地点: 深圳市南山区中国地质大学产学研基地 2 楼 A208 科技寺

如果你满足以下其中之一的条件，欢迎你参加:

1. 想利用工具提升网站转化效率的同学;

2. 对 Google Analytics 工具感兴趣或想进阶学习的同学;

3. 想要了解 Aftership 的同学;

注:

1.现场将进行 Coding 教学，有兴趣的小伙伴记得带上个人电脑，参与 Coding 环节将有机会获得主办方准备精美奖品;

2.现场将提供稳定的网络环境供用户体验;

活动流程:

14:00-14:15 签到 14:15-14:30 主持人开场 14:30-15:00 Fifty-five (智博)share GA and GTM features 15:00-15:30 AfterShip share our use case 15:30-15:45 Tea Break 15:45-16:30 Live coding and demo 16:30-17:00 Demo 点评及颁奖环节 17:00-17:00 自由交流时间

具体的出来了后将在活动行上进行发布。欢迎各位报名参加！

是为了做视频配音。然后一句句去下载很麻烦嘛，就想搞个轮子。
自动识别多行文本，或者 excel，然后每段落单独下载为 mp3，这样比较方便。

方法

目前是直接去摸了 gcloud 官方的 api 啦，传送门：
Quickstart: Using the Client Libraries  |  Cloud Text-to-Speech API  |  Google Cloud

问题

现在全局开着飞机，但跑 sample.py 还是会 504 超时。（访问 google 或 youtube 或 g trans 都 ok 的）
想请问有没有人用过 google 这个接口？

或者有其它轮子也可以推荐一下

Hi xxx, My name is Sarah and I ’ d like to personally connect with you about maximizing your trial and to understand any customer feedback you might have to share. I can also help connect you and your team with support or our developer communities if needed. If you're open to it, let me know a quick time to chat later this week or next, or you can book some time on my calendar directly here. Thanks, Sarah Barbour | Cloud Sales & Customer Growth | sbarbour@google.com | 404-400-8203 "Google Cloud, changing how people compute, not just where" 

各位能帮我解释一下吗？
免费增值？要写反馈？

后端服务 

后端服务

1. instance-2

端点协议：HTTPS 已命名的端口： https 超时：30 秒 运行状况检查： https-kk 会话粘性：无 Cloud CDN：已停用

高级配置 实例组 地区 运行状况良好 自动调节 平衡模式 容量 instance-group-1 asia-east1-b 1 / 1 关闭 CPU 利用率上限：80% 100% 主机和路径规则

主机 路径 后端 所有不匹配的项（默认） 所有不匹配的项（默认） instance-2 前端

协议 IP:端口 证书 HTTP 135.10.167.69:80 — HTTPS 135.10.167.69:443 js-ca1

• 不再使用额外的 security manager
• 不再有 Java7 里的 class 白名单限制
• 使用 Jetty9
• 支持 Servlet 3.1/2.5
• 可以用 Java 自带的 Thread 类创建新 thread，不用再使用 GAE SDK 里的 ThreadManager

Java8 只是开始:-)

我弄了个 GCE

asia-northeast1-a 和 asia-east1-a

日本的 ping 在 100 左右 台湾在 60 左右（北方联通）

手贱把 asia-northeast1-a 删了重新建了一个悲剧发生了

第一次分配的 ip 是 104 开头的 延迟 100 左右……

第二次分配的就是 3x 开头的 ip 了……延迟直接 200+

重试了好多次都是这样了……看了下绕路美国了……怎么破

谢谢

比如，开了代理，想测试 ping facebook.com 的延迟情况，怎么测？

心里只有一万个WTF，一万个草泥马。

GAE的Datastore收费方法简直令人恶心，一个App的开发过程中，想着怎么优化write/read Op，浪费的时间和精力，你定可以转换为很多创新点子...特别是对于一个不存在code review的个人App来说。

如果app自用且足够小，放到GAE上追求个稳定，还是可以接受的，但理由也仅限如此了...

当初冲动的原因

本来是一个py3+Django写的小程序，跑在我的Linode JP VPS上。在优化扶墙的过程中，想将debian8换成debian7，然后想想为了未来省事，感觉把几个app移到gae上去吧，以后折腾vps也无所谓了。

软件成品在此，实现也很简单，每五分钟抓一些feed，然后jieba分词，然后推送消息...已经超免费配额了,大家随便看看就好，我不是职业写代码的，也就不敢开源出来献丑了。

坑和填坑

免费的GAE配额，以及一些坑

• CPU：600 Mhz， 内存：128 MB， 28个执行小时。

  • 占用过多的cpu和内存，会导致你的程序跑不满24小时就额度用尽。
  • 当CPU占用高时，GAE会再起新Instance来应对新的请求，多个Instance多倍扣CPU时间。
  • 当内存超限时，app可能直接被stop，不会死掉。
  • 这对于jieba分词简直是灾难，在不修改代码的情况下，jieba初始化时就内存超限了，并且初始化词库需要高达12秒。

• 5万次数据库读作业，5万次写作业。

  • 大坑！这里要特别注意索引，可能倍翻你的配额用量。

• 不支持Python3：处理中文，要花费大量时间在utf-8上。

• 不支持tempfile：很多库需要改造。

• 免费配额不支持socket：无法使用外部数据库。收费配额皆不可socket listen。

相比之下，其他的配额对应用的影响微不足道：Memcache是免费的。UrlFetch除非抓来的数据不做任何处理，Mail除非用来滥发邮件。

NDB配额优化

GAE的数据库额度存在3个关键：

1. 激活账单后，Small Op目前是免费的不限量的，keys_Only=True可以随便用。
2. get()和get_multi()查询会被自动memcache。
3. indexed会倍增write Op

提取单条数据，使用get_by_key_name()，而不是fetch(1) / first()

user = User.query(User.username = "tom").first() 

替换为

user = User.get_by_key_name("tom") 

原方法会消耗1 Fetch Op + 1 Query Op = 2 read Op，修改后，会产生1 Small Op + 1 read Op，而且这个read Op会被自动memcache。

提取多条数据时，使用keys_only + get_multi()

比如一个表有，我想一次取出N条数据时，常规ORM的写法：

feeds = Feed.query().fetch(N) 

每次查询，都会消耗1+N Read Op，为了优化额度，可以修改成：

q = Feed.query() feeds = ndb.get_multi(q.fetch(N,keys_Only=True)) 

首次查询，消耗1 Small Op + N Read Op，但是在重复查询是，则只消耗1 Small Op + m*N Read Op，m是memcache未命中的概率，理想情况是0。

至于性能，可以参看这里,大概75%缓存命中是性能的分界线。

Memcache hit ratio: 100% (everything was in cache) Query for entities: 3755 ms Query/memcache/ndb: 3239 ms Keys-only query: 834 ms Memcache.get_multi: 2387 ms ndb.get_mutli: 0 ms Memcache hit ratio: 75% Query for entities: 3847 ms Query/memcache/ndb: 3928 ms Keys-only query: 859 ms Memcache.get_multi: 1564 ms ndb.get_mutli: 1491 ms Memcache hit ratio: 50% Query for entities: 3507 ms Query/memcache/ndb: 5170 ms Keys-only query: 825 ms Memcache.get_multi: 1061 ms ndb.get_mutli: 3168 ms Memcache hit ratio: 25% Query for entities: 3799 ms Query/memcache/ndb: 6335 ms Keys-only query: 835 ms Memcache.get_multi: 486 ms ndb.get_mutli: 4875 ms Memcache hit ratio: 0% (no memcache hits) Query for entities: 3828 ms Query/memcache/ndb: 8866 ms Keys-only query: 836 ms Memcache.get_multi: 13 ms ndb.get_mutli: 8012 ms 

尽可能的禁用索引。

• 为所有不需要的被query()和order()的字段，使用indexed=False

• 当你插入一条数据时，每个索引字段都会产生write Op，特别当操作对象是ListProperty，会根据list的数量，倍数消耗写配额。

• 对于一些查询，有些和实际逻辑需求相左，但能大幅节约Op的手段。。

  class EntryCollect(ndb.Model): apublished = ndb.DateTimeProperty() need_collect_word = ndb.BooleanProperty(default=True, indexed=False) key_word = ndb.StringProperty(repeated=True, indexed=False) 

对于原先是in(List)的查询：

keys = EntryCollect.query().order(-EntryCollect.published) entrys = ndb.get_multi(keys.fetch(PER_PAGE*2, keys_Only=True)) new_entry = [] for entry in entrys: if keyword.decode('utf-8') in entry.key_word: new_entry.append(entry) 

对于原先是list.IN(other_list)的查询：

keys = EntryCollect.query().order(-EntryCollect.published) entrys = ndb.get_multi(keys.fetch(PER_PAGE*2, keys_Only=True)) top_entry = [] for entry in entrys: if set(other_list).intersection(set(entry.key_word)): top_entry.append(entry) 

对于原先是Boolean的字段：

keys = EntryCollect.query().order(-EntryCollect.published) entrys = ndb.get_multi(kesy.fetch(CONT*2, keys_Only=True)) for entry in entrys: if entry.need_collect_word: # do something 

projected()的利弊权衡

• 使用projected()的字段，必须被indexed。
• 使用projected()的查询，算一次small Op。

这里就有个权衡，如果read Op紧张，write Op富裕，那么就可以使用projected()。

绞尽脑汁使用Memcache

• Memcache是免费的！ Memcache是免费的！ 这个必须说两遍，Query太贵了。
• Query.get()会自动被缓存。

• 将查询的参数作为key，取md5，查询的结果用json存储起来。

  json_data = memcache.get('{}:XXXXXXX'.format(md5sum)) if json_data is None: # do something.... json_data = json.dumps(data) memcache.add('{}:Analyse'.format(md5sum), json_data, MEMCACHE_TIMEOUT) 

TextProperty 和 StringProperty的区别

• 在管理后台，你无法添加TextProperty的字段，StringProperty可以。
• TextProperty无法生成索引，StringProperty可以。
• StringProperty的最大长度是 1500 bytes。

拆分App

一个App拆分成多个App，是最简单的，倍翻利用app engine的方法。

应用间通信，使用什么格式最效率？

根据我自己的测试结果:

marshal取胜，而且处理utf-8更简便一些，但切记marshal不能用于两个不同版本的python之间序列化数据，不适用于开放的api。

如果使用json，要随时注意编码：

form_fields = { "something": self.request.get("something", default_value="").encode("utf-8"), } form_data = urllib.urlencode(form_fields) result = urlfetch.fetch(url=SOME_URL, payload=form_data, method=urlfetch.POST, follow_redirects=False, headers={'Content-Type': 'application/x-www-form-urlencoded'}) self.response.headers['Content-Type'] = 'application/json' self.response.out.write(result.content) 

节省各种配额

• 在一个Instance内，不管cpu占有率高低，cpu time都一样计费。
• 删除数据库也占用write Op，没用的资源尽早删除。
• 绞尽脑汁优化内存和cpu使用。

节省CPU配额：使用asynchronous urlfetch

为节约网络延迟而浪费的cputime，使用异步urlfetch就十分重要。 官方手册在这里，例如：在抓取多个feed时：

q = Feed.query() results = ndb.get_multi(q.fetch(keys_Only=True)) rpcs = [] for f in results: rpc = urlfetch.create_rpc() urlfetch.make_fetch_call(rpc, f.url) rpcs.append(rpc) for rpc in rpcs: rpc.wait() result = rpc.get_result() d = feedparser.parse(result.content) for e in d['entries']: #　do something.... 

节省CPU配额：需要初始化的资源，在本地进行序列化，GAE上直接读取序列化的资源。

以jieba词库为例：默认情况，jieba每次初始化，都会将本地词库dict.txt进行readline操作，生成字典，这个过程在GAE默认的CPU上需要将近6秒。先将这个字典在本地使用marshal.dump，在GAE中在load，初始化阶段则只消耗1.x秒。

try: with open(cache_file, 'rb') as cf: object_a, object_b = marshal.load(cf) except : for line in open(dict, 'rb').read().decode('utf-8').splitlines(): # do something.... with open(cache_file, 'wb') as cf: marshal.dump((object_a, object_b), cf) 

节省CPU配额：不使用memcache，如何缓存一个页面

能省则省，虽然memcache免费的，但还想省掉cpu怎么办？

self.response.headers['Cache-Control'] = 'public, max-age:300' self.response.headers['Pragma'] = 'Public' 

资源优化：删掉过时的数据

节约数据库存储空间最简单的方法，就是删掉过时的数据，而对于ndb，不存在Object.query().del() 这样的方法，需要使用：

earliest = datetime.datetime.now() - datetime.timedelta(days=10) keys = EntryCollect.query(EntryCollect.published <= earliest).fetch(keys_Only=True) ndb.delete_multi(keys) 

资源优化：使用robots.txt

减少搜索引擎对app的负载，不失为一个办法，一个个位数pv的app，被bot拖到配额超限真的好23333...

后记

然后？然后就没有然后了...
我用一个周末django写的app，用了2个周末迁移到gae上，跟配额，特别是Datastore write/read Op奋斗了2个星期，经验写出来，希望同样蛋痛的V友们少走弯路。

本人不是职业程序员，金融从业者，希望少拍代码砖=.=

1. 新建文件夹helloworld

2. 在文件夹内新建helloworld.py,内容如下：

   import webapp2 class MainPage(webapp2.RequestHandler): def get(self): self.response.headers['Content-Type'] = 'text/plain' self.response.write('Hello, World!') app = webapp2.WSGIApplication([ ('/', MainPage), ], debug=True) 

3. 在文件夹内新建app.yaml文件，内容如下:

   version: 1
   runtime: python27
   api_version: 1
   threadsafe: true

   handlers:
   - url: /.*
   script: helloworld.app

4. 在GAE客户端选择加载helloworld文件夹，并且run这个项目，在浏览器里可以看到一行hello world。
   这个步骤我没问题。

5. 在GAE console里新建一个项目。将项目ID加入app.yaml文件的首行。

6. 在GAE客户端选择deploy，将项目部进行部署。
   我就是失败在这一步，部署失败。log文件显示内容如下：

   *** Running appcfg.py with the following flags:
   --oauth2_credential_file=~/.appcfg_oauth2_tokens update

   No previously stored oauth2 token found.
   A browser will be opened to ask for user permission.

   07:34 AM Application: my-first-app-967; version: 1
   07:34 AM Host: appengine.google.com
   07:34 AM
   Starting update of app: my-first-app-967, version: 1
   07:34 AM Getting current resource limits.

目前进行过的尝试：

1. 使用命令行进行部署
   appcfg.py update my_project_folder
   失败。命令行提示同样的错误。

2. 重启电脑，重装GAE客户端
   失败。仍然是同样的错误。

3. 增加Extra Flag
   --noauth_local_webserver
   失败。不仅deploy失败，locally run都失败了。

实在是搞不懂了，挫败感。希望大家忙帮。