org module之org-feed

本文介绍了一个有趣的Emacs模块,能够将RSS订阅的内容自动保存到指定的Org文件标题下。通过设置org-feed-alist,用户可以定制RSS源的更新、存储位置及标题,并利用额外的参数对feed条目进行个性化处理。

原文地址:https://raw.githubusercontent.com/lujun9972/lujun9972.github.com/source/Emacs之怒/org module之org-feed.org

该module能让你将RSS feed中的内容保存到Org文件指定的标题下,还是蛮好玩的。

  1. 设置 org-feed-alist

    从名字上就能看出,这是一个alist,每个entry的格式为 (feed名称 URL 存储的Org文件路径 存储的标题),比如

    (push '("科学松鼠会" "https://songshuhui.net/feed" "~/我的GTD/Note.org" "Feeds/科学松鼠会") org-feed-alist)
    
  2. 执行 M-x org-feed-update-all

此外, org-feed-alist 还支持在每个entry后面加上多个 keyword-value 对 的参数,用来对feed中的每篇文章进行自定义的处理,详情可以参见它的doc-string说明:

:drawer drawer-name
存储feed信息的drawer名称,默认为FEEDSTATUS
:filter filter-function
过滤item的函数,若通过则返回该entry,否则返回nil
:template template-string
组建Org entry的模板
:formatter formatter-function
格式化feed item成Org entry的函数
:new-handler function
处理新增feed item的函数
:changed-handler function
处理更新 feed item 的函数
:parse-feed function
解析feed的函数
:parse-entry function
解析feed item的函数

默认情况下,每个feed item都会被解析为一个plist,其中feed item中的域名都对应一个property,此外为了方便处理,还有两个特殊的property:

:item-full-text
<item> 标签内的全文本
guid-permalink
当guid 属性为 permalink 是设置为 t

理论上跟org-eww连用,我们完全可以把feed中的内容摘录到Org文件中保存起来,像这样:

(defun org-eww-save-by-url (url &optional timeout)
  (let ((url (replace-regexp-in-string "\\[\\|\\]" "" url))
        (timeout (or timeout 5)))
        (message "URL is %s" url)
        (save-excursion 
          (eww url)
          (sit-for timeout)
          (eww-readable)
          (org-eww-copy-for-org-mode)
          (pop kill-ring))))


(setq org-feed-alist '(("科学松鼠会" "https://songshuhui.net/feed" "~/我的GTD/Note.org" "科学松鼠会"
                        :template "* %h
%t
from %a
%(org-eww-save-by-url \"%a\")")))
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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