Node-RED Exec节点使用教程
1. 简介
Node-RED内置的Exec节点可以在流程中直接执行系统命令，并将结果用于后续处理。这为集成Linux命令、控制硬件、调用外部脚本提供了极大的灵活性。
本次教程使用BL118，将演示以下内容：
- 执行
ls、echo等基础命令，理解固定参数与动态参数传递 - 控制ARMxy板载LED的亮灭
- 调用Python脚本并解析其返回的JSON结果
- 安全使用Exec节点的注意事项
2. 环境准备
- ARMxy设备
- Node-RED启动，可通过浏览器访问编辑器
3. 第一部分：基础命令ls与echo
3.1 执行ls查看目录
流程结构
操作步骤
- 从节点面板拖入Inject节点，双击编辑，命名为
ls /home，msg.payload留空。 - 拖入Exec节点，双击配置：
- 拖入Debug节点，连接Exec节点的第一个输出。
- 点击部署，然后单击Inject节点的按钮，在右侧调试窗口即可看到
/home目录下的文件列表。
3.2 使用echo动态传参
流程结构
（注：原文提及“流程结构”，但未提供图形或详细节点配置说明）
操作步骤
- 添加一个Inject节点，命名为
Echo with param，将msg.payload设置为字符串Hello ARMxy。
- 添加一个Exec节点，配置：
- 连接Debug节点并部署。点击按钮，调试窗口会输出
Hello ARMxy。
这种方式让命令变得动态——相同的Exec节点可以根据上游消息执行不同的操作（如控制不同的文件、传递不同的参数等），是实现复杂自动化的基础。
4. 第二部分：控制BL118板载LED灯
4.1 硬件说明
以下是BL118的LED指示灯说明：
LED指示灯如图,从左至右的顺序为LED2、LED1、LED0。其中LED2为
POWER 指示灯，上电后电源正常时常亮；LED1为RUN灯，系统正常运行时闪烁；LED0为LINK灯，使用有线网络连接互联网时常亮，4G或WiFi时闪烁。
查看触发条件
可通过以下命令查看当前LED0的触发模式：
cat /sys/class/leds/user-led0/trigger
输出示例：
[none] rc-feedback mmc0 mmc1 mmc2 timer oneshot heartbeat backlight gpio
cpu0 cpu1 cpu2 cpu3 default-on transient
其中 [none] 表示当前led0的触发条件为无。向 trigger 文件写入上述字符串之一，可以修改触发条件。
当LED触发条件设置为 none 时，可通过命令手动控制亮灭：
-
控制LED0亮起：
bash echo 1 > /sys/class/leds/user-led0/brightness -
控制LED0熄灭：
bash echo 0 > /sys/class/leds/user-led0/brightness -
控制LED1熄灭：
bash echo 0 > /sys/class/leds/user-led1/brightness
4.2 创建开关灯流程
流程结构
操作步骤
- 创建开灯Inject节点，
msg.payload设为数字1（仅作标记，实际命令不依赖它）。 - 创建开灯Exec节点，命令填写：
- 同理创建关灯流程，命令中的
1改为0：bash echo 0 | sudo tee /sys/class/leds/user-led0/brightness - 部署后，点击LED ON按钮，LED亮起；点击LED OFF，LED熄灭。
5. 第三部分：调用Python脚本
Exec节点可以调用任何可执行脚本，并捕获其标准输出。下面演示如何通过Python脚本模拟图像推理，并解析JSON结果。
5.1 创建Python脚本
在终端执行以下命令创建脚本目录和文件：
mkdir -p /home/nodered/ai
vi /home/nodered/ai/inference.py
写入以下内容：
#!/usr/bin/env python3
import sys, json
if len(sys.argv) < 2:
result = {"error": "Missing image path"}
else:
img_path = sys.argv[1]
# 模拟推理结果，未来可替换为真实模型
result = {
"path": img_path,
"label": "example_object",
"confidence": 0.98
}
print(json.dumps(result))
保存后赋予执行权限：
chmod +x /home/nodered/ai/inference.py
手动测试脚本：
python3 /home/nodered/ai/inference.py /data/BL.png
预期输出：
{"path": "/data/BL.png", "label": "example_object", "confidence": 0.98}
5.2 创建Node-RED调用流程
流程结构
操作步骤
- 添加Inject节点，命名为
Call Python Script，msg.payload设为图片路径，如/data/BL.png。
- 添加Exec节点，配置：
- 添加JSON节点（位于“解析”分类下），属性保持默认
msg.payload，用于将脚本输出的字符串转换为对象。
- 连接Debug节点，命名为
Inference Result。 - 部署并点击Inject按钮，调试窗口应显示解析后的对象：
6. 安全提示
使用Exec节点执行系统命令存在潜在风险，尤其是在生产环境中。以下是关键的安全实践建议：
-
二次确认机制 对危险命令（如reboot、shutdown）必须在流程中加入确认机制（如Dashboard弹窗或延迟触发）。
-
定期审计与清理 检查所有Exec节点的命令，删除闲置节点，保持Node-RED更新
7. 总结
可以基于这些示例，扩展出更复杂的自动化应用，例如定时采集传感器数据、远程控制外设、集成真正的AI推理模型等。