墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1k累计阅读
1.1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
POP3 邮件传输协议 邮件接收协议
共有12条命令
user <username>
pass <password>
stat 查询邮件数和大小
list 列出邮件信息
retr <邮件序号> 查看邮件内容
dele <邮件序号>把邮件设成已读过
rset 把所有邮件设成未读
noop 检查pop3服务器连接状态
quit 删除已读过的邮件，并关闭连接
其余的不是很重要，在这就不说了
下面就开始实验
telnet pop3.sina.com.cn 110 登陆pop3服务器
进入账户
user aaa
pass 123456
读邮件
list看邮件列表
读的话就根据序号 retr ?
其实这样看也看不到内容，因为内容都是base64加密的，你只能看到一堆乱码
删邮件
先设为已读 dele ?
然后 用quit命令删除，并退出pop3服务器
【Python】邮件处理
电子邮件，作为互联网上最核心的通信方式之一，其底层机制并非简单的“发送”与“接收”。要真正精通Python处理邮件，我们必须从其赖以生存的网络协议根基开始。这不仅仅是了解API调用，更是理解数据如何在网络中流动、邮件服务器如何协作、以及各种邮件组件如何协同工作的深度过程。在深入邮件协议之前，我们需构建一个坚实的网络通信基础。电子邮件协议并非独立存在，它们是基于TCP/IP协议族构建的应用层协议。TCP/IP模型是互联网的核心，它将复杂的网络通信过程划分为若干个逻辑层，每一层负责不同的功能。这种分层思想极大地
计算机网络经典问题透视：电子邮件的“邮差”——深入解析简单邮件传输协议（SMTP）
本文深入剖析了简单邮件传输协议(SMTP)的核心机制与发展历程。作为电子邮件系统的"数字邮差"，SMTP采用基于文本的命令-响应模式，通过TCP协议实现可靠传输，其工作流程包括连接建立、邮件传输和连接关闭三个阶段。
从Wireshark抓包到邮件内容还原：深入解析SMTP与POP3协议实战
有趣的是，SMTP通信本身是明文的，早期协议甚至允许直接telnet到25端口手动输入命令发邮件。我在实验室尝试用telnet发信时，发现现代邮件服务商基本都关闭了这种原始方式，但企业内部邮件系统往往还保留着这个特性。它最显著的特点是默认会删除服务器上的邮件——就像取完快递后仓库就不保留你的包裹了。有次我帮朋友恢复误删的邮件时发现，如果客户端设置了"取件不删除"，其实是通过发送。通过抓包实验最震撼的发现是：即便不使用任何特殊工具，普通网络分析软件就能还原90%的邮件内容。
电子邮件的系统架构和核心协议详解
电子邮件作为核心通信工具，承载着高价值数据和正式商务往来，但其基础协议SMTP因设计缺陷存在先天脆弱性。文章分析了电子邮件系统架构，包括MUA、MTA、MDA等组件及SMTP、POP3、IMAP等协议的工作原理，揭示了四大安全风险：网络钓鱼、商业邮件欺诈、协议漏洞和中间人攻击。电子邮件的存储转发机制虽确保可靠性，却牺牲了实时安全性，使其成为攻击者的主要突破口。文章强调必须通过加密传输、身份验证等措施提升邮件安全防护能力。
深入解析SMTP、IMAP、POP3：邮件协议核心原理与实战选型指南
电子邮件作为互联网基础通信服务，其底层依赖于一系列标准化的网络协议。这些协议定义了邮件从发送、传输到接收、存储的完整技术框架，是保障全球邮件系统互联互通的技术基石。从原理层面看，邮件协议主要分为负责发送的SMTP协议和负责接收的POP3与IMAP协议，它们在设计哲学上存在根本差异。SMTP采用“推送”和中继机制，确保邮件能在不同服务器间可靠传输；POP3遵循“下载后删除”的离线模式，适合单设备场景；而IMAP则实现了双向同步，将服务器作为邮件的中央存储库。在技术价值上，理解这些协议的差异对于保障数据一致性、
30、互联网电子邮件系统全解析
本文全面解析了互联网电子邮件系统的工作原理与关键技术，涵盖指针查询、邮件客户端与服务器架构、POP3和SMTP协议、邮件消息结构及MIME内容扩展。详细介绍了Base64和quoted-printable编码机制、邮件传输流程中的MTA交互过程，并通过mermaid图示展示完整发送流程。同时探讨了电子邮件网关、安全威胁（如钓鱼攻击、病毒）、防护措施（如加密、身份验证）以及性能优化策略。最后展望了邮件系统在智能化、移动化、融合通信和安全性方面的未来发展趋势，为理解现代电子邮件生态提供了系统性视角。
计算机网络第六章：应用层
§6.1 网络应用模型 一、应用层概述 1.应用层的目的： 应用层对应用程序的通信提供服务。 2.应用层协议的定义： ① 应用进程交换的报文类型，请求还是响应? ② 各种报文类型的语法，如报文中的各个字段及其详细描述。 ③ 字段的语义，即包含在字段中的信息的含义。 ④ 进程何时、如何发送报文，以及对报文进行响应的规则。 3.应用层的功能： ① 文件传输。访问和管理。 ② 电子邮件。 ③ 虚拟终端。 ④ 查询服务和远程作业登录。 4.应用层重要协议： FTP、SMTP和
Localizing LabVIEW Application to Different Languages
本文探讨了LabVIEW应用程序的多语言本地化实现方案。文章首先分析了LabVIEW对多语言的支持现状，指出其默认仅支持ANSI编码，对Unicode支持有限，且仅适配中英法德日韩六种语言。然后重点介绍了JKISimpleLocalization工具包的使用方法，该工具能导出/导入JSON词典文件，实现界面语言的实时切换。文章还结合实际工程案例，分析了该方案的局限性：部分控件不可翻译、切换速度较慢（33个界面需50秒）、小语种支持不足等。最后提供了完整的应用流程和工具包附件，包括词典文件转换工具和工程案例。
深入解析SMTP、IMAP、POP3：邮件协议核心原理与工程实践指南
电子邮件作为互联网基础通信服务，其核心依赖于一套标准化的应用层协议。SMTP、IMAP和POP3构成了邮件系统的传输、访问与同步机制，分别承担着邮件中继传递、远程文件夹管理和离线下载等不同职责。理解这些协议的工作原理，对于构建可靠的邮件客户端、集成邮件功能的应用以及排查邮件投递问题具有重要技术价值。在工程实践中，SMTP的端口选择、加密方式及反垃圾邮件策略直接影响送达率；IMAP的UID机制和状态同步是实现多设备一致体验的关键；而POP3的简单设计则在特定离线场景中仍有应用。本文将结合端口配置、认证机制、状
从零开始深入理解 AI Agent（完整版）
AI Agent（智能体）是一个能够自主感知环境、做出决策、执行行动并记忆经验的智能系统。特性传统程序AI Agent决策方式固定逻辑（if-else）动态推理（LLM 思考）灵活性需要重新编程自然语言描述即可能力边界明确限定可通过工具扩展学习能力无可通过记忆积累经验│ 感知 │ ───→ │ 推理 │ ───→ │ 行动 │↑ │ ││ ↓ ││ 记忆 │ ←─── │ 反思 │ ←─────────┘感知（Perception）
AI工程化之生成式UI & A2UI（二）
本文介绍了生成式UI框架A2UI的架构设计与核心实现。项目采用AI协作开发模式，通过ATDD（AI驱动的测试驱动开发）确保代码质量。前端SDK基于zustand实现框架无关的状态管理，包含协议解析器、存储管理、渲染器等核心模块。重点展示了基础store构建、A2UI协议解析器的实现过程，包括mock数据准备、测试用例生成和可视化调试。项目采用monorepo管理，利用vite实现高效开发构建。整个系统设计遵循模块化原则，通过清晰的接口定义实现各组件解耦，为后续功能扩展打下基础。
万字长文 | 彻底搞懂电子邮件系统：从SMTP/IMAP/MIME底层原理到Webmail实战架构
HTTP：用于用户与服务器之间的交互（Web端）。它负责身份认证、数据展示、表单提交。特点是面向用户，易于集成，支持富媒体交互。SMTP：用于服务器与服务器之间的传输。它负责邮件的可靠投递。特点是标准化、低层级、专注于传输。口诀“用户用HTTP，服务器间用SMTP。电子邮件系统是人类互联网历史上最伟大的发明之一。它不仅仅是一串代码或几个协议，而是一个融合了计算机科学、网络工程、密码学和心理学的复杂生态系统。从SMTP的可靠传输，到POP3/IMAP的灵活存取，再到MIME的多媒体支持，以及HTTP。
sentaurus学习笔记（HFET_pGate_GaN仿真）（九）
`(sdedr:define-constant-profile-placement "Ohmic.s" "Ohmic" "Pl.ohmic.s" 0.002)`这一行将`"Ohmic"`掺杂剖面放置在`"Pl.ohmic.s"`参考评估窗口中，同样`0.002`可能表示掺杂剖面在窗口中的偏移量或其他参数。欧姆接触是半导体器件中的一种低阻抗电气接触，通常需要高掺杂来减少接触电阻并提高器件性能。通过这些步骤，SDE能够为器件的源极和漏极区域设置高掺杂的欧姆接触，这对于确保器件的高性能和低接触电阻至关重要。
计算机网络 第六章 应用层
计算机网络的最后一章，内容上也没什么特别重要的东西，当初老师也没有讲，这里只按照王道整理一下知识点，不再多写了。 6.1 DNS域名系统 域名系统是因特网使用的命名系统，用于将具有特定含义的主机名转换为便于机器处理的IP地址，主要还是因为人记忆IP地址太麻烦，而直接记字母地址计算机识别太麻烦，所以人记住域名，然后通过DNS域名系统来实现这一转换。 DNS域名系统采用客户/服务器模型，运行在UDP之上。可以从概念上将DNS分成三部分： ①层次域名空间 因特网采用的是层次树状结构的命名方法，任何一个连接到因特网
Vue+OpenLayers6一本通，OpenLayers6完整教程大全，OpenLayers6全知全解，OpenLayers6入门、实战、扩展进阶三合一专栏目录汇总
Gis开发入门，OpenLayers、Leaflet、Maplibre-gl和Cesiumjs地图引擎介绍以及几种地图服务vms、vmts介绍OpenLayers介绍，相比较其他地图引擎有什么优点OpenLayers7.x版本和6.x版本有什么区别，是否需要升级到OpenLayers7版本？OpenLayers6实战：OpenLayers创建自定义控件，以创建一个地图复位控件为例OpenLayers6实战，OpenLayers创建自定义鹰眼控件，自定义鹰眼控件样式，调整鹰眼控件位置、大小、文字和按钮等样式。
AutoSAR系列讲解（入门篇）2.1-AppL概述
该章主要是讲解SWC是如何在ECU中分布的
为什么PHPMailer是PHP邮件发送的首选库？5大核心优势解析
在PHP开发中，邮件发送功能是许多网站和应用程序的必备组件。无论是用户注册验证、密码重置还是业务通知，可靠的邮件发送系统都至关重要。PHPMailer作为一款经典的PHP邮件发送库，凭借其强大的功能和稳定的性能，成为了PHP开发者的首选工具。本文将深入解析PHPMailer的5大核心优势，帮助你理解为什么它能在众多邮件发送解决方案中脱颖而出。 [, [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');```[](https://bitdeli.com/free "Bitdeli Badge")
电子邮件协议：SMTP/POP3/IMAP的完整解析
电子邮件是互联网最古老的应用之一。为什么发邮件用SMTP，收邮件用POP3？IMAP和POP3有什么区别？SMTP的推送机制、POP3的下载删除、IMAP的服务器同步是应用层协议的经典设计，理解三种协议的配合才能掌握邮件系统的本质。我并没有能力让你成为邮件系统专家，我只是想让你彻底理解SMTP的25端口转发、POP3的110端口下载、以及IMAP的多设备同步机制。每个协议都会详细推导，讲透本质。从"邮件收不到"故障出发，剖析电子邮件的三种协议与完整流程。
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。
计算机网络经典问题透视: 简要介绍一下电子邮件协议——POP3的主要特点
POP3（邮局协议第三版）作为电子邮件系统的经典接收协议，以其下载并删除的简单机制解决了早期互联网的邮件投递问题。本文从技术视角剖析了POP3的工作原理、历史背景及核心特点，指出其在离线访问和服务器资源节省方面的优势，同时也揭示了其多设备同步困难、安全性薄弱等现代环境下的局限性。通过与IMAP协议的对比分析，文章探讨了POP3在当前云服务时代的地位——虽因特定场景需求仍被保留，但已逐渐被更先进的同步协议所替代。这一经典协议的发展历程生动展现了网络技术如何随用户需求演变而进化。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
HoRain云--从底层解密POP3协议：邮件下载全解析
POP3协议是一种用于从邮件服务器下载电子邮件的简单协议。它通过客户端-服务器模型运作：客户端连接到服务器的110端口，验证身份后即可下载邮件，并可选择在下载后删除服务器上的邮件。POP3具有操作简单、支持离线访问等特点，但由于采用明文传输存在安全隐患，建议使用POP3S加密版本。相比IMAP和Web邮件服务，POP3更适合单设备管理和节省服务器存储空间的应用场景。
POP3 协议深度拆解：从底层逻辑到实战应用的完整指南
POP3协议深度解析：从原理到实战 本文全面剖析了邮件接收协议POP3的核心机制与应用。POP3作为简洁高效的邮件下载协议，采用客户端-服务器架构，基于TCP传输，通过"命令-响应"模式完成身份验证、邮件查询、下载和删除等操作。文章详细拆解了POP3的三阶段工作流程（连接验证、邮件操作、连接关闭），分析了其无状态特性与安全风险，并对比了与IMAP的差异。针对实际应用场景，提供了主流邮件服务商的配置参数和常见问题解决方案，同时探讨了POP3在加密技术和云服务时代的发展趋势。通过理解POP3
简单邮件传输协议 (SMTP) 全面剖析：基础、技术与 2025 年发展趋势
简单邮件传输协议 (Simple Mail Transfer Protocol，SMTP) 是一种用于在互联网上发送电子邮件的标准协议，它是互联网电子邮件系统中重要的组成部分。作为电子邮件发送的基础，SMTP 负责将邮件从发件人传输到收件人，并通过邮件服务器之间的协作，确保邮件能够正确地路由到目标收件人。SMTP 协议采用客户端 - 服务器模型，邮件客户端作为客户端，邮件服务器作为服务器，通过 TCP 连接进行通信。SMTP 的主要功能包括三个方面：邮件发送、邮件路由和邮件存储。
探索简易高效：基于SMTP/POP3的电子邮件客户端
探索简易高效：基于SMTP/POP3的电子邮件客户端 【下载地址】基于SMTPPOP3协议的邮件收发客户端 本项目是一个简易的电子邮件客户端实现，旨在通过图形用户界面支持用户完成邮箱的登录验证、邮件的发送与接收（包括附件）等功能。遵循SMTP（简单邮件传输协议）用于发送邮件，而POP3（邮局协议第3版）则是为了邮件的接收...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1891
扫一扫
