trackbacks和其相关概念

WordPress源码深度解析之:`WordPress`的`Pings`与`Trackbacks`:其在`wp-includes/class-wp-xmlrpc-server.php`中的实现。 Pings 和 Trackbacks 曾经是 WordPress 连接互联网的重要桥梁,但随着技术的发展和安全风险的增加,它们逐渐淡出了人们的视野。想象一下,你写了一篇关于“最佳烤鸡翅膀秘方”的博客文章,然后你想告诉其他美食博客:“嘿,我这儿有烤鸡翅膀的绝活,你们来看看!简单点说,这个文件就像一个“翻译器”,它能听懂来自其他网站的“暗号”(XML-RPC 请求),然后执行相应的操作,比如接收 Ping 或 Trackback。当一个网站 ping 你的文章时,WordPress会调用这个方法。 阅读详情
大多数网志软件都能让读者添加网志评论.但更常见的做法是让读者在其自己的网志添加一个入口回链到原来的帖子.博客们(Bloggers)都乐于跟踪连接发生的时间以便新读者能理解整个会话内容.
  所谓 referrer 是一个外部站点,用户单击该站点上一个超链接便可以到达你的网站.许多网志引擎当读者导航到你的网志的某个入口时都能自动保持跟踪.大多数引擎都会在网志入口底部显示一个 referrers 清单,以便读者能往回导航到 referrer 的站点,并清楚他们关于该入口要说些什么,这基于一个假设,那就是如果他们链接到它,可能就此会写些什么.referrer 存在的问题是必须要有这个假设才成立——没有足够的信息说明是否引用的页面事实上包含有关信息.实际上,垃圾信息的发布者为了营销企图已经利用了这个漏洞来重定向读者.
  Trackback 和 pingback 同一个规范,被用来弥补上述问题的方案.使用 trackback 和 pingback,其他博客们能自动发送一个 ping 到你的网志以明确表示他们已经写了一个引用特定帖子的入口.
  这种类型的反链允许你的网志以更明显的方式显示所有评论的清单.当今大多数网志软件支持所有这些技术.参见 TrackBack Technical Specification 和 Pingback 1.0.

简单说来,Trackback是网站与网站之间互相通告的一种方法。它能让甲对乙说:“这篇文章可能是你感兴趣的”,要实现这一动作,甲向乙发送一个 Trackback Ping(引用通告)即可。在这种情况下,一个ping就是一条从一个web服务器发送到另一个服务器的短消息(a small message)。
Trackback Ping是由Moveable Type发明的规范,他们说Trackback是"a framework for peer-to-peer communication and notifications between web sites"。这里是他们的Trackback技术规范文档: http://www.movabletype.org/docs/mttrackback.html
  举个例子来说明一下。比如我在鱼头的Blog中看了一篇我感兴趣的文章,对这篇文章我自己有一些看法,如果按照传统BBS的做法,我需要在鱼头这篇文章下发表自己的评论,但这样做的话我的文字只能存在于鱼头的网站上,我无法再维护自己的这篇评论。另一个情况是我在自己的Blog中也在写一篇相类似的文章,我希望鱼头也能来看一看我的这篇,传统BBS的习惯还是得到鱼头的文章下发一篇回复,把我的URL贴过去。
  但有了Trackback Ping,我们的Blog不再需要这样做。
  Blog跟BBS有点重要的不同,Blog是一种个人创作,用Blog来发表自己的东西,保存自己的东西,即使是对他人Blog文章的评论也要在自己的 Blog中永久保留下来。通过Trackbak,我就可以在自己的Blog中发表文章,同时把自己这篇文章的URL地址Ping到鱼头的那篇文章上去。这样,所有阅读鱼头文章的人也能通过Trackback顺藤摸瓜地来我的Blog看我的文章。
  所以,当我们的Blog有了Trackback Ping功能,那么谁都可以通过Trackback Ping来发表意见和评论了。这样,多家Blog网站就通过相关话题而联接起来。各种评论在Internet上相互连接而织成一张大网。因此,可以说, Trackback创造出了Blog与BBS、Diary完全不同的文化,Blog的世界通过Trackback而变成真正的无限互连。
  作为Blogger,让我们习惯于这样讨论问题和做评论吧:把内容写在自己的Blog里面,Trackback Ping到别人的Blog。这个概念是论坛模式里从来没有的,称为Remote Commenting。

如何在Blog中实现Trackback?

  在有Trackback功能的Blog系统中,每篇Blog文章都有两个URL,一个是要访问这篇文章所使用的URL,另一个就是Trackback Ping URL(引用通告地址),它是用来接受来自其他Blog网站Trackback Ping的程序。当我发表文章的时候,想要通知鱼头的话,只需要把鱼头那篇文章的Trackback Ping URL贴到我这边文章中来,我提交文章时,系统就会按照这个URL发送一个Ping给鱼头的那篇文章。而鱼头则将在自己的文章下看到类似这样的一个引用通告:

标题: Joyhero的文章
来自: Joyhero的Blog
摘要: Joyhero的文章内容摘要...
地址: http://joyhero的文章地址

  这个Trackback Ping是通过标准的HTTP协议从我的Blog发送到鱼头的Blog的,我的Blog发送一个POST格式的HTTP请求到鱼头那篇文章的 Trackback Ping URL。这个请求的content type是application/x-www-form-URLencoded,它大概是这个样子的:

POST http://鱼头文章的TrackbackPingURL
Content-Type: application/x-www-form-URLencoded
title=Joyhero的文章&url=http://Joyhero的文章地址&excerpt=Joyhero的文章摘要&blog_name=Joyhero的Blog

  早期版本的Trackback规范中,Ping是GET方式的HTTP请求,现在不再支持GET方式,只能用POST方式。参数包括:

? title - 文章的标题
? excerpt - 文章的摘要。在Movable Type系统中,如果摘录信息超过255个字符

将会被截断为252个字符,并在后面增加...三个字符

? url - 文章的永久连接。象其它永久连接一样,这个连接应可能准确地在页面中定位文章的入口,因有疑问时这个链接会用到

? blog_name - 发表文章的blog的名称

在上述的参数中只有url是必须的。如果title没有提供,url的值将被用作标题。
当我的Blog发出这个Trackback Ping后,将接收一个简单的XML格式应答,如果Ping成功,那么应答的格式如下:

<?xml version="1.0" encoding="iso-8859-1"?>
<response>
<error>0</error>
</response>

而失败应答的格式为:
<?xml version="1.0" encoding="iso-8859-1"?>
<response>
<error>1</error>
<message>The error message</message>
</response>
FPGA防抄板实战:如何利用Xilinx芯片的“身份证”(DNA)实现你的加密锁? 本文深入探讨了如何利用Xilinx FPGA芯片的DNA(Device Native Authentication)功能实现硬件级加密保护,防止设计被抄袭。文章详细解析了DNA的物理实现、获取方式,并提供了从DNA到加密密钥的转换方法,以及构建商业级加密防护系统的实战方案。通过JTAG和原语两种读取方式的对比,帮助开发者选择最适合的方案。 阅读详情

相关推荐

张量/数组存储方式与向量化展开/展平、view、reshape、permute对比

对于一个Tensor来说,我们可以认为它有两种存储方式。

欢迎关注,共同进步! 3434

[wordpress技巧]彻底关闭Trackbacks

Trackbacks 是 Web 2.0 发展初期的产物,你在自己的博客引用别人的日志,那么在发表完日志之后,对方的博客就会自动在你所评论的日志评论区添加你的引用信息,其他人就可以很清楚看到你的引用,并且方便地点击就可以来看你的文章,所以 Trackbacks 就成为了博客之间一种通讯的机制和协议,可以看到别人是如何看待自己的日志。 虽然 WordPress 这样的开源程序还使用 Pingbac

有技术的机械师 1456

别再乱点U盘里的.exe了!手把手教你彻底清除那个伪装成Usb Disk的蠕虫病毒

本文详细介绍了如何识别、清除和预防伪装成Usb Disk的蠕虫病毒。从识别感染迹象到安全备份文件,再到深度清理病毒残留和构建防护策略,提供了一套完整的U盘病毒解决方案。特别提醒用户注意U盘病毒的风险,并养成良好的使用习惯。

weixin_30496999的博客 660

什么是TRACKBACKS?

一直不知道的TrackBack是什么.。 今天详细了解了一下. TrackBack 初看起来很难理解, 不过理解之后就不会有问题了.基本上它的构想如下: 1. 某个 Blog A 上有你感兴趣主题, 你想在自己的 Blog B 上发一个相关的主题, 并且希望发表的内容和回复自动发到 Blog A 上. 2. 这时你就可以复制 A 上面相关的 TrackBack 链接, 输入到你的 Blog B...

weixin_33937778的博客 371

用STM32H7的FMC+AD7606搭建多通道数据采集系统:两种工作模式(查询与FIFO中断)的代码详解与性能对比

本文详细解析了基于STM32H7微控制器和AD7606 ADC芯片的多通道数据采集系统设计,重点对比了查询模式与FIFO中断模式的实现方法与性能差异。通过FMC总线实现高速并行数据采集,系统支持16bit同步采样,最高可达200Ksps/通道。文章提供了完整的代码实现和优化策略,帮助工程师在工业监测等实时性要求高的场景中构建可靠的数据采集方案。

weixin_30599769的博客 484

压电传感器信号放大难题?用运放设计电荷放大器的5个关键步骤

本文详细解析了压电传感器信号放大难题,并提供了用运放设计电荷放大器的5个关键步骤。从电压放大到电荷放大的范式转换,到运放选型、反馈网络设计、PCB布局及频响特性验证,帮助工程师解决工业自动化中的信号衰减问题,提升测量精度和稳定性。

weixin_27303545的博客 446

发现几个指向自己BLOG的Trackbacks和评论

        今天用优快云的的搜索功能,把自己的BLOG的名字shaohui输入进去搜索了一把, 发现几个指向自己BLOG的Trackbacks和评论,贴出来,以示感谢他们,感谢各位读者. csdn blog 最烂排行榜 & 最好排行榜   http://blog.youkuaiyun.com/space_v/archive/2005/03/24/328456.aspx  参考shaohui大虾的

编程夜未眠 7844

SQL中的时间计算:员工每日工作时长

摘要:本文介绍了一个使用SQL查询计算员工每日工作时长的实用方法。通过分析包含员工打卡记录的数据库表,利用CTE(公共表表达式)将日期分组,计算最早和最晚打卡时间差,最终以"小时:分钟"格式输出工作时长。该方法适用于每日两次打卡的场景,并提示了处理漏打卡等特殊情况时的注意事项,为企业考勤管理提供了有效的数据支持方案。(148字)

m0_74337424的博客 412

如何停止WordPress Pingbacks和Trackbacks垃圾邮件

查看我的WordPress wp_comments表,找出包含500MB ++的文件大小,其中包含大约100万++个注释! 深入研究,发现大约900k ++条评论被标记为“ trackback ”,并链接回垃圾邮件发送者的网站。 最糟糕的是,此类“ 引用 ”注释每秒都在增加! 请按照以下步骤立即修复。 1.讨论设置 登录WordPress管理面板,设置– >>讨论– &g...

一名可爱的技术搬运工 616

分子动力学仿真软件:LAMMPS_(16).应用案例分析

通过以上四个应用案例,我们详细介绍了如何使用LAMMPS进行不同系统的分子动力学仿真。从简单的液体水仿真到复杂的纳米管仿真,每个案例都包含了详细的步骤说明和代码示例。读者可以通过这些示例实际操作并验证结果,从而更好地理解LAMMPS的功能和使用方法。希望这些案例能够为读者在分子动力学仿真领域的研究和应用提供帮助。

kkchenjj的博客 836

从 SAP GUI 走向 SAP Fiori:一套面向 SAP S/4HANA 的用户迁移实战方法论

SAP S/4HANA转型中,用户从SAP GUI迁移到Fiori的难点在于业务价值的重构而非简单的界面替换。Fiori的核心价值在于角色化、实时洞察和智能决策,而非完全替代GUI。成功迁移需分阶段推进:先展示关键角色的价值,建立统一入口,再逐步提高Fiori占比。让用户参与设计比后期培训更重要,需通过具体场景(如采购优先级管理)展示效率提升。迁移策略应平衡新旧界面优势,让Fiori成为业务价值触达的主要方式,而非强制替换。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 235

trackbacks和其相关概念(转东转西)

大多数网志软件都能让读者添加网志评论.但更常见的做法是让读者在其自己的网志添加一个入口回链到原来的帖子.博客们(Bloggers)都乐于跟踪连接发生的时间以便新读者能理解整个会话内容.  所谓 referrer 是一个外部站点,用户单击该站点上一个超链接便可以到达你的网站.许多网志引擎当读者导航到你的网志的某个入口时都能自动保持跟踪.大多数引擎都会在网志入口底部显示一个 referrers 清单,

clubsondy的专栏 1619

【AutoSAR】【诊断栈】传输层CANTP

一、功能介绍 数据包发送放拆包分段发送 数据包接收方重组 流控 错误检测 二、参考协议 ISO 15765-2 三、数据帧格式 1、协议数据单元(PDU)格式 2、协议数据单元 - PCI格式 四、数据帧传输 1、单帧传输 CAN帧数据长度小于8字节(包括PCI信息) 无流控握手 PCI包含帧类型、数据长度和数据域 未使用字节填充 2、多帧传输 数据长度超过8字节 流控握手 定时控制 CAN帧类型包括: 首帧 流控帧 后继帧 3、多..

专注汽车软件开发、AutoSAR、车载以太网、SOA、EE架构。 1554

全面了解和解析Blog和RSS的含义

  "Blog"是 Web Log 的简称(博客)它是一种作者与读者以日志风格进行交互的中介。在软件社区,人们以网志形式来共享观念与思想变得越来越流行。如:http://blogs.ccw.com.cn就是CCW上的一个 blogging。       建立网志最轻松的方法是什么?       要想建立自己的网志,最容易的方法是到类似 blogger.com 这样的站点注册一个新用户,...

weixin_33985507的博客 143

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

新功能:查看TrackBack过来的文章

点击首页TrackBacks链接!

weixin_33843947的博客 242

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

配置Tomcat的虚拟目录--转载

http://blog.youkuaiyun.com/JavaLet/services/trackbacks/179304.aspx

从无到有 719

平安夜,100篇

2005年12月24日(平安夜):posts - 100, comments - 61, trackbacks - 0, articles - 0随笔100篇,Duiker于长春。

weixin_33970449的博客 134

这是个引用测试

http://blog.itpub.net/trackbacks/233/27793

布衣者的专栏 1483

测试TRACKBACK

 http://blog.youkuaiyun.com/gigix/services/trackbacks/474983.aspx

iamchinaren123456的专栏 679

MFC在应用程序中嵌入MS Word

MFC在应用程序中嵌入MS Word 一、引言 Microsoft Office办公套件以其功能强大、方便实用而被广泛使用。我们可以使用自动化作为Word用以把其功能显露给其他应用的方式,采用这种方式可以尽可能少的占用自动化客户的资源,并且不需要被访问对象的类型信息就可以进行调用。  二、创建工程 ...

weixin_33913377的博客 143

Dev-Cpp/Mingw32 环境介绍

http://blog.youkuaiyun.com/VisionCat/services/trackbacks/59903.aspx

emp的专栏 819

xml导入默认字体设置_WPJAM Basic 功能详细介绍:优化设置

WPJAM Basic插件的「优化设置」功能是WPJAM Basic的最开始的功能。可以说是我爱水煮鱼博客多年使用 WordPress 的经验而整理的优化插件。当时的想法就是各种用不上的功能,或者可能影响性能的功能,都提供开关,让自己在进行 WordPress 定制开发的时候,只需要一键搞定,经过几年的发展,我这块优化设置的功能分成了三块:功能屏蔽上图可以很清楚看到,功能屏蔽就是让...

weixin_39951378的博客 142

101步让你成为一个优秀的博客

我发现最成功的博客都有相似的成功步骤,经过长期的研究和学习,我发现写博客虽然没有表面上看起来那么简单但是,经过一定的努力,我想每个人都能成为一个成功博客。  下面是成为优秀博客的101个步骤...     1、首先,使用wordpress,内置的SEO和高性能函数使wordpress很适合搜索引擎;  2、注册 freedburner 帐号  3、每天至少发表一篇  4、搜索引擎优化  5

溺水的鱼 - Later equals never. 1027
上一篇: 正确分区,使1.99G变成2G整数
下一篇: Google AdSense申请完全手册
freexploit
博客等级 码龄22年 315粉丝 778原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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