闲来无事爬了下通讯录 试手 jsdom

本文介绍了一个利用Node.js的jsdom库解析HTML文档的示例,该示例从HTML中提取用户信息,并将其与现有用户列表进行比对,更新新增用户和离职用户的记录。
curl http://xxx.com/address/addresslist\?search\=%40 --cookie oa_cookie=123  -s| node parss
.js

  

 

 

js 代码

var jsdom = require('jsdom')
    ,fs = require('fs')
process.stdin.setEncoding('utf8');

var html = ''
process.stdin.on('readable', function() {
    var chunk = process.stdin.read();
    if (chunk !== null) html += chunk
});
var userlist = require('./userlist.json')
    ,userHash = JSON.parse(JSON.stringify(userlist) )

process.stdin.on('end', function() {

    process.stdout.write('\n');
    jsdom.env(html,
      function (errors, window) {
        var list = []
        var l = window.document.querySelectorAll('#userlist tr')
        for (var i = 0 ; i < l.length ;i ++ ){
            var li = l[i].getElementsByTagName('td')
            if (!li || li.length < 8) continue
            var user_id = li[0].textContent
            var user = {
                "name" : li[2].textContent
                , "dep" : li[4].textContent
                , "email" : li[3].textContent
                , "phone" : li[6].textContent
                , "qq" : li[7].textContent.trim()
                }
            if (user_id in userlist ) {
                delete userHash[user_id]
                continue
            }
            user.join = +new Date()
            userlist[user_id] = user
            process.stdout.write('\n 入职:' + JSON.stringify(user))

        }
        var quits = JSON.stringify(userHash)
        if ('{}' != quits)    {
            var leaves = quires('./leaves.json')
            for (var id in userHash){
                leaves[id] = userHash[id]
                }
            fs.writeFile('./leaves.json' , JSON.stringify(leaves ,null , 4) )
            process.stdout.write('\n  离职:' + quits)
        }
        fs.writeFile('./userlist.json' , JSON.stringify(userlist ,null , 4) )
        process.stdout.write('\nend');
      }
    )
})

jsdom 官网 https://github.com/tmpvar/jsdom

转载于:https://www.cnblogs.com/vaal-water/p/3811746.html

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值