可大侠-优快云博客

原创关于selenium获取cookie然后实现免登录

这几天一直想搞明白cookie的爬虫使用，结果从昨天晚上开始试验，selenium获取的cookie怎么也无法实现直接登录，气的想打人。在刚才终于发现一些问题，在和浏览器中的cookie对比发现格式不一样，然后对着他进行格式改变，结果终于成功了，现在以一个模拟登录扣扣空间的例子：这是模拟点击登录扣扣空间我请求的这个网址是在分析的时候发现的，发现登录二维码是在一个这样的页面里，这...

2018-06-06 12:21:54 66014 12

原创 Flink单机启动显示0 Task Slots(VM option ‘UseG1GC‘ is experimental and must be enabled via -XX:+UnlockExpe)

按照官网教程安装了Flink1.11.6，但是访问web UI的时候显示0个Task Slots。

2023-11-02 16:40:10 1117

原创 K8s的Pod出现Init:ImagePullBackOff问题的解决(以calico为例)

这里以calico插件安装为例，发现有个Pod的镜像没有pull成功。

2023-08-28 17:31:18 10479 8

原创 vscode的sftp插件同步失败no such file的问题

背景信息安装sftp插件就是为了能够让vscode可以将本地代码同步到服务器上，这个功能和pycharm的deployment功能一个样，因此安装插件vscode需要安装插件来实现这个功能通常我们会安装排行第一的插件，但是我们发现安装这个排名第一的插件就会出现上述问题，这是因为这个插件已经不再维护更新了，和vscode版本已经冲突了，这个时候我们安装排名第二的插件这个插件是保持更新，其实我们也可以根据这个插件的介绍知道，这个插件其实是排名第一插件的继续更新版本，因此安装这个插件即可.

2021-12-01 15:34:01 3663

原创将文本格式转为kindle可用格式

前言这里的kindle是指kindle app，在上面看书，但是其对格式要求比较苛刻主要讲述将txt文件、epub文件转化为mobi格式文件txt转mobi首先下载软件，百度云链接在下，失效可以联系我提取码:58he1 打开软件效果如图所示2 举例按照正则表达式时要根据txt的内容来写规则，规则也非常简单，按照我的模板套就行这里每个章节的格式为:第x章，那么正则表达式就可以写为第.*?章这里.*?表示匹配尽可能少的内容这里举一个简单的案例epub转mobiepub文件转化为

2021-02-14 20:01:36 2554

原创 Pycharm远程调试服务器程序

参考文章如何通过pycharm实现远程代码的调试和开发环境pycharm：专业版2020.1(对于社区版是否支持远程调试暂且不知)本机：win10服务器：centos，安装anaconda3远程调试的简单流程简单来说就是一个与服务器进行文件传送。先从服务器下载源程序，然后本地修改，然后再上传到服务器…开始准备第一步首先在本地创建一个文件夹来存放服务器上的代码D:/code/remote_service/pytorch_test点击file->settings，找到如图示所示的页

2021-01-17 13:26:23 463 5

原创将win10修改全局字体为苹方字体

文章目录字体分享使用软件注册表修改获取字体名称效果展示字体分享百度云链接提取码：loyr若是失效的化可以私信我。使用软件noMeiryoUI使用这个软件，直接选择合适的字体，然后统一设定，这样其实只能修改系统上部分的字体为苹方字体，例如网页上的字体，注册表修改这种方式基本上可以实现全局修改，这个方法的原理就是"偷梁换柱"，win中的字体默认是微软雅黑，通过注册表方式将其替换为苹方字体这是百度云分享的文件内容，我安装了多个，但是使用了三个使用win+R，输入regedit来打开注

2021-01-10 23:11:46 20752 7

原创 Microsoft Edge、Chrome 常用快捷键（含MAC系统）

参考地址微软官网地址因为使用 Chromium 内核的新版Edge，所以快捷键和Chrome基本相同常用快捷键操作快捷键Crtl + D将此网页存储为书签Crtl+E在地址栏中打开搜索查询Crtl+F页面查找Crtl+G与页面查找相配合，匹配到下一项Crtl+Shift+G匹配上一项Crtl+H打开历史记录Crtl+J打开下载列表Crtl+L对地址栏URL进行编辑Crtl+M对当前标签页静音(页面播放视频或音乐时有

2020-12-22 13:15:12 3286

原创 Visio常用快捷键

快捷键含义操作1. 复制按ctrl+拖动2. 水平/垂直复制按ctrl+shift+ 拖动（水平/垂直）3. 水平/垂直移动按shift+拖动4. 放大ctrl+滚轮5. 键拖动幕布ctrl+alt+鼠标右6. 水平滚动画布shift+滚轮7. 垂直滚动画布alt+滚轮8. 选择工具ctrl+19. 文字工具ctrl+210. 连接线ctrl+311. 图章工具crtl+shift+312. 铅笔工

2020-12-17 19:42:34 3306 1

原创 VSCode常用快捷键

编辑器与窗口管理含义操作新建文件Ctrl+N文件之间切换Ctrl+Tab打开一个新的VS Code编辑器Ctrl+Shift+N关闭当前窗口Ctrl+W关闭当前的VS Code编辑器Ctrl+Shift+W切出一个新的编辑器窗口（最多3个)Ctrl+\切换左中右3个编辑器窗口的快捷键Ctrl+1 Ctrl+2 Ctrl+3代码编辑格式调整含义操作代码行向左或向右缩进Ctrl+[ 、 Ctrl+]

2020-12-16 20:50:05 240

原创 terminal采用公钥免密访问服务器

在使用ssh远程访问服务器一般都要输入密码，这次将此主机生成的公钥放入到服务器上，即可直接登录，无需输入密码，我这里是指使用terminal或者cmd等终端进行ssh登陆，并不是使用xshell6的登陆参考连接【GIT】git连接通过ssh连接githubWindowsTerminal内添加阿里云服务器（SSH）本机(win系统)本机生成rsa的私钥和公钥因为这个rsa准备也用于github，所有输入以下命令，然后一路enter就行Enter passphrase是设置密码用于保护私钥，你可

2020-12-13 09:25:17 1126

原创 Ubuntu18.04配置Jupyter

这个教程主要是在一个全新的服务器上，从账号创建到配置环境，再安装anaconda，配置jupyter环境Ubuntu 18.041. 配置环境创建用户useradd -r -m -s /bin/bash docker参数说明：-r：建立系统账号-m：自动建立用户的登入目录-s：指定用户登入后所使用的shell设置密码passwd kedaxia将用户加入到sudoers中sudo vi /etc/sudoers2. 安装anaconda2.1下载anaconda从清华源

2020-12-12 21:57:28 925 2

原创 Pytorch的可视化工具tensorboardX

推荐直接看我写的两个链接，GitHub地址Pytorch使用tensorboardX可视化。超详细！！！Tensorboard的Github安装pip install tensorboardX示例建议直接将Github下载到本地，然后运行examples文件夹中的示例import torchimport torchvision.utils as vutilsimport numpy as npimport torchvision.models as modelsfrom torch

2020-12-07 23:08:03 2301

原创爬虫常用的浏览器请求头

USER_AGENTS = ['Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',

2020-11-19 19:34:33 2168

原创 BERT模型原理的详细介绍

【NLP】Google BERT模型原理详解 - rumor的文章 - 知乎1. BERT模型BERT的全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder，因为Decoder是不能获要预测的信息的。BERT = Encoder of Transformer模型的主要创新点都在pre-train方法上，即用了Masked LM和Next Sentence Prediction两种方法分别捕捉词

2020-11-15 21:22:03 8661

原创详解Transformer

Transformer中完全抛弃了传统的CNN和RNN，整个网络结果完全是由Attention机制组成。更准确地讲，Transformer由且仅由self-Attention和Feed Forward Neural Netword组成。一个基于Transformer的可训练的神经网络通过堆叠Transformer的形式进行搭建，作者的实验是通过搭建编码器和解码器各6层，总共12层的Encoder-Decoder，并在机器翻译中取得了BLEU值的新高。采用attention机制的原因RNN(或者LST

2020-11-15 19:51:51 2108

原创 pytorch 方法笔记

torch.Tensor.scattersc官网地址pytorch中torch.Tensor.scatter用法scatter_(dim, index, src, reduce=None) → Tensor参数dim：维度，可以是0，1，2…，表示只在第dim维进行修改index：索引数组，tensor，数据类型为整数，表示位置src:原数组，reduce示例import torch >>>input = torch.randn(2, 4)>>&g

2020-11-13 19:33:45 584

原创 pytorch.max()的详细解释

网上大多数对max的解释只停留在二维数据，在三维及以上就没有详述，我将对二维数据和三维数据进行详细解释，让你不再有疑虑并没有总结具体意思，直接根据详细示例也就明白含义了参考文章torch.max()使用讲解torch.max(input, dim, keepdim=False, *, out=None) -> (Tensor, LongTensor)在分类问题中，通常使用max()函数对softmax函数的输出值进行操作，求出预测值索引参数input:softmax函数输出的一个t

2020-11-13 14:56:31 1957

原创 centos7 配置anaconda及anaconda常用命令

参考文章CentOS7上安装anaconda3及其遇到的问题Linux系统Anaconda环境的安装/创建/激活/删除/管理安装anaconda下载包wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-4.3.0-Linux-x86_64.sh会将anaconda下载到当前路径，读者可以在希望的路径上运行此命令安装bash anaconda3.5.2.0-Linux-x86_64.sh遇到问题

2020-11-10 22:33:45 1835

原创 Deep Learning中的Attention Mechanism介绍

文章目录参考文章Attention 机制的解析1. 为什么引入attention机制？2. Attention机制有哪些?3. Attention机制的计算流程是怎么样?4. Attention机制的变种有哪些？①. 硬性注意力②.键值对注意力③. 多头注意力5. 为什么自注意力模型(self-Attention model)在长距离序列中如此强大？卷积或循环神经网络难道不能处理长距离序列吗？自注意力模型（self-Attention model）计算过程6. Attention机制的应用参考文章目前主

2020-11-07 16:29:22 1601

原创 pandas.DataFrame将行(index)和列(column)进行转置

原始数据data = [['AMB_TEMP', '14', '14', '14', '13', '12', '12', '12', '12', '15', '17', '20', '22', '22', '22', '22', '22', '21', '19', '17', '16', '15', '15', '15', '15'], ['CH4', '1.8', '1.8', '1.8', '1.8', '1.8', '1.8', '1.8', ...

2020-11-04 20:08:43 3333

原创基于二阶近似方法的优化算法

参考文章深度学习(花书)梯度下降法、牛顿法和拟牛顿法 - Eureka的文章 - 知乎梯度下降法与牛顿法比较 - 王多鱼的文章 - 知乎【最优化】无约束优化方法-牛顿法 - 忆臻的文章 - 知乎泰勒公式-百度百科二阶梯度方法使用二阶导数改进了优化，最广泛使用的时牛顿法牛顿法思想用目标函数的二阶泰勒展开近似该目标函数，通过求解这个二次函数的极小值来求解凸优化的搜索方向牛顿法的主要应用在两个方面:1.求方程的根；2. 最优化预备知识一元泰勒展开式此次使用一元泰勒展开式

2020-11-04 14:04:53 2232 1

原创 netstat命令详解

命令是一个监控tcp/ip网络的工具，他可以显示路由器、世纪的网络连接以及每一个网络接口设备的状态信息netstat 【选项】-a或--all：显示所有连线中的Socket； -A<网络类型>或--<网络类型>：列出该网络类型连线中的相关地址； -c或--continuous：持续列出网络状态； -C或--cache：显示路由器配置的快取信息； -e或--extend：显示网络其他相关信息； -F或--fib：显示FIB； -g或--groups：显示多重广播功能群组

2020-11-02 22:43:41 602

原创 sklearn学习笔记之metrics

213

2020-11-02 22:17:32 1992 1

原创 sklearn笔记之preprocessing

这个模块主要是对数据的预处理，例如标准化，中心化，scaling，二值化等官方文档介绍此模块的作用sklearn的中文文档StandardScaler官方地址sklearn.preprocessing.StandardScaler(*, copy=True, with_mean=True, with_std=True)对数据进行标准化z=x−μσz = \frac{x-\mu}{\sigma}z=σx−μ参数with_mean:bool,default=True是否使用平均值，Fa

2020-11-02 22:16:46 1211 1

原创 Word2Vec 与 Word Embedding的关系

文章目录0、参考文章一、 DeepNLP的核心二、 NLP词的表示方法类型1. One Hot Representation2、 Distributed Representation如何将语义融入到词表示中？如何利用上下文三、 NLP语言模型四、词的分布式表示1. 基于矩阵的分布表示2. 基于聚类的分布表示3. 基于神经网络的分布表示五、词嵌入(Word Embedding)1、概念2、理解六、神经网络语言模型与word2vec七、扩展知识0、参考文章秒懂词向量Word2vec的本质通俗理解wo

2020-11-02 12:16:46 1593 1

原创 TF-IDF算法的介绍

文章目录1、TF-IDF算法介绍TF词频(Term Frequency)1、TF-IDF算法介绍 ~~~~ TF-IDF(term frequency-inverse document frequency,词频-逆向文件频率)是一种用于信息检索(infomation retrieval)与文本挖掘(test mining)的常用加权技术。 ~~~~ &n

2020-11-01 19:24:50 1200

原创机器学习之特征选择(feature_selection)

文章目录选取特征子集选择过程1. 子集搜索（subset search）2. 子集评价(subset evaluation)特征选择方法1. 过滤式(Filter)ReliefRelief-F2.包裹式(wrapper)LVM3.嵌入式(embedding)岭回归(ridge regression)LASSO选取特征子集当前存在的问题从初始的特征集合选取包含所有重要信息的特征子集，若没有任何领域知识作为先验假设，那只好遍历所有可能的子集，这实际上并不可行，会遇到组合爆炸，特证数稍多就不行可行

2020-10-30 13:13:21 2291

原创降维--PCA学习笔记

目录向量表示与基变换1.1 内积1.2 基1.3 基变换的矩阵表示参考文章https://www.zhihu.com/search?type=content&q=PCAPCA（Principal Component Analysis）是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。PCA 的数学推导可以从最大可分型和最近重构性两方面进行前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小这里我将从最大可分性的角度进行证明。向量表示

2020-10-24 22:42:51 589

原创 pandas及numpy笔记

概述此博客将会持续更新，会将numpy、pandas、matplotlib等库进行函数解释，以及示例演示.这博客更像是一个笔记，让你在某些函数记不住的时候来查一下，而不是一本书一样，给你详细的讲解附上官方文档地址数据所使用的数据集将从下列作为目标使用，可以用这些数据自己实验数据1.1[ ['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '是'], ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '是'],

2020-10-23 21:23:06 476

原创 sklearn学习笔记之feature_selection（特征选择）

sklearn中文链接：http://www.scikitlearn.com.cn/0.21.3/14/sklearn官网链接:https://scikit-learn.org/stable/modules/classes.html?highlight=feature_selection#module-sklearn.feature_selection本模块主要是对样本集进行feature_selection(特征选择)和dimensionality reduction(降温)，这将会提高估计器的准确度

2020-10-13 09:37:59 5698 1

原创 pandas.DataFrame对根据某些列对某些列进行修改

df.loc[((df.money< 95) | (df.money> 110)) & (df.type== '2'), 'total'] = 1- 判断条件无论大小一定要用括号括起来，不然会报错- 这样的方式是不正确的,只可以如上所示df.loc[((df.money< 95) | (df.money> 110)) & (df.type== '2')]['total'] = 1...

2020-10-12 20:06:23 3001 2

原创 sklearn学习笔记之preprocessing

官方文档地址参考链接sklearn中文翻译地址：http://www.scikitlearn.com.cn/0.21.3/40/这个模块的主要内容是数据的预处理：scaling：缩放化normalization:标准化binarization 二值化centering：中心化APIBinarizersklearn.preprocessing.Binarizer(*, threshold=0.0, copy=True)作用：将数据进行二值化，若是特征值(feature value)

2020-10-05 13:36:59 703

原创 matplotlib，seaborn等画图工具

概述此博客将会持续更新，会将numpy、pandas、matplotlib等库进行函数解释，以及示例演示.这博客更像是一个笔记，让你在某些函数记不住的时候来查一下，而不是一本书一样，给你详细的讲解数据所使用的数据集将从下列作为目标使用，可以用这些数据自己实验数据1.1[ ['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '是'], ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '是'], ['乌黑', '

2020-10-04 19:36:44 1242

原创数据分析--异常值处理

原文链接：https://blog.youkuaiyun.com/qq_41080850/article/details/866958461 什么是异常值？模型通常是对整体样本数据结构的一种表达方式，这种表达方式通常抓住的是整体样本一般性的性质，而那些在这些性质上表现完全与整体样本不一致的点，我们就称其为异常点异常点在某些场景下极为重要，如疾病预测，通常健康人的身体指标在某些维度上是相似，如果一个人的身体指标出现了异常，那么他的身体情况在某些方面肯定发生了改变，当然这种改变并不一定是由疾病引起（通常被称为

2020-10-04 18:19:35 19173 1

原创 VS Code 配置C/C++环境

本文在此基础上进行编辑https://www.cnblogs.com/lsgxeva/p/11115650.html前言这一篇博客配置的环境确实是最好用的，之前看过很多博客关于vs配置C环境，看的我晕头转向，但是这篇绝对让大家明明白白楼主环境:win10 64位，LLVM 10.0.0，MinGW-w64 是7.1环境准备下载最新版Visual Studio Code,链接根据自己系统版本选择相应版本下载LLVM，链接如上图所示，选择Pre-Built Binaries中的相应

2020-09-20 10:01:59 7582 2

原创 python题目(1)

一、选择题1．Python语言属于（）。C A．机器语言 B．汇编语言 C．高级语言 D．科学计算语言2．下列选项中，不属于Python特点的是（）。B A．面向对象 B．运行效率高 C．可读性好 D．开源3．Python程序文件的扩展名是（）。D A．.python ...

2020-05-04 14:47:07 8821 3

原创 jupyter快捷键、markdown语法及markdown的算式语法

1. jupyter notebook的快捷键2.markdown的符号表示，会继续更新

2020-02-19 22:57:16 2977

原创 linux的ps命令

##PS 命令是什么查看它的man手册可以看到，ps命令能够给出当前系统中进程的快照。它能捕获系统在某一事件的进程状态。如果你想不断更新查看的这个状态，可以使用top命令。ps命令支持三种使用的语法格式UNIX 风格，选项可以组合在一起，并且选项前必须有“-”连字符BSD 风格，选项可以组合在一起，但是选项前不能有“-”连字符GNU 风格的长选项，选项前有两个“-”连字符我们能够混用这...

2019-01-30 11:43:31 2482 1

原创 linux的vi详细命令

讲述vi操作文件的几种命令退出保存命令:w 保存文件但不退出vi:w file 将修改另外保存到file中，不退出vi:w! 强制保存，不推出vi:wq 保存文件并退出vi:wq! 强制保存文件，并退出vi:q 不保存文件，退出vi:q!不保存文件，强制退出vi:e! 放弃所有修改，从上次保存文件开始再编辑##进入vi的命令vi filename :打开或新建文件，并将光标...

2019-01-30 11:40:15 2388 1

python选择题.rar

1.对python基础知识的选择题，填空题，以及其他问题 2.选择题，填空题含有答案，其他可能没有答案，需要自行查阅 3.资源绝对良心

2020-05-04

四川大学874计算机综合资源

包含四川大学874学科的参考资源，例如数据结构，计算机网络，操作系统等教学课件，习题等中多资源，绝对超值，值的下载。

2019-05-04

python大战机器学习pdf

内容简介 · · · · · · 数据科学家是当下炙手可热的职业，机器学习则是他们的必备技能。机器学习在大数据分析中居于核心地位，在互联网、金融保险、制造业、零售业、医疗等产业领域发挥了越来越大的作用且日益受到关注。 Python 是最好最热门的编程语言之一，以简单易学、应用广泛、类库强大而著称，是实现机器学习算法的首选语言。《Python大战机器学习：数据科学家的第一个小目标》以快速上手、四分理论六分实践为出发点，讲述机器学习的算法和Python 编程实践，采用“原理笔记精华+ 算法Python 实现+ 问题实例+ 代码实战+ 运行调参”的形式展开，理论与实践结合，算法原理与编程实战并重。《Python大战机器学习：数据科学家的第一个小目标》从内容上分为13 章分4 篇展开：第一篇：机器学习基础篇（第1~6 章），讲述机器学习的基础算法，包括线性模型、决策树、贝叶斯分类、k 近... (展开全部) 作者简介 · · · · · · 华校专，计算机专业硕士。毕业后曾在部队从事专业相关工作，并研读了大量专业书籍在，从操作系统底层到应用APP开发，并且仿照 C++ STL 的风格实现了各种算法（算法导论的C++实现已经放在个人的github上），目前已从部队退役，并顺利拿到了阿里的算法工程师offer。目录 · · · · · · 第一篇机器学习基础篇 1 第 1章线性模型 .................................................. 2 1.1概述 2 1.2算法笔记精华 2 1.2.1普通线性回归 2 1.2.2广义线性模型 5 1.2.3逻辑回归 5 1.2.4线性判别分析 7 1.3 Python实战 10 1.3.1线性回归模型 11 1.3.2线性回归模型的正则化 12 1.3.3逻辑回归 22 1.3.4线性判别分析 26 第 2章决策树 .................................................... 30 2.1概述 30 2.2算法笔记精华 30 2.1决策树原理 30 2.2构建决策树的 3个步骤 31 CART算法 37 2.4连续值和缺失值的处理 42 2.3 Python实战 43 2.3.1回归决策树（DecisionTreeRegressor） 43 2.3.2分类决策树（DecisionTreeClassiﬁr） 49 2.3.3决策图 54 第 3章贝叶斯分类器.............................................. 55 3.1概述 55 3.2 算法笔记精华55 3.2.1 贝叶斯定理55 3.2.2 朴素贝叶斯法56 3.3 Python 实战59 3.3.1 高斯贝叶斯分类器（GaussianNB） 61 3.3.2 多项式贝叶斯分类器（MultinomialNB） 62 3.3.3 伯努利贝叶斯分类器（BernoulliNB） 65 3.3.4 递增式学习partial_fit 方法69 第4 章k 近邻法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 4.1 概述70 4.2 算法笔记精华70 4.2.1 kNN 三要素70 4.2.2 k 近邻算法72 4.2.3 kd 树73 4.3 Python 实践74 第5 章数据降维. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 5.1 概述83 5.2 算法笔记精华83 5.2.1 维度灾难与降维83 5.2.2 主成分分析（PCA） 84 5.2.3 SVD 降维91 5.2.4 核化线性（KPCA）降维91 5.2.5 流形学习降维93 5.2.6 多维缩放（MDS）降维93 5.2.7 等度量映射（Isomap）降维96 5.2.8 局部线性嵌入（LLE） 97 5.3 Python 实战99 5.4 小结118 第6 章聚类和EM 算法. . . . . . . . . . . . .

2018-10-20

跟着老齐学Django

第1章简单的博客系统 1 1.1 Django起步 1 1.1.1 Django简介 1 1.1.2 安装Django 3 1.1.3 创建项目 4 1.1.4 创建应用 6 1.1.5 网站配置 11 1.1.6 知识点 12 1.2 编写博客的数据模型类 12 1.2.1 数据模型类 13 1.2.2 发布博客文章 17 1.2.3 知识点 21 1.3 显示博客信息 23 1.3.1 显示文章标题 24 1.3.2 查看文章内容 28 1.3.3 知识点 32 第2章用户管理 35 2.1 自定义模板和静态文件位置 35 2.1.1 自定义模板位置 36 2.1.2 自定义静态文件位置 36 2.1.3 通用静态文件和基础模板 37 2.1.4 重置管理后台模板 40 2.1.5 知识点 42 2.2 用户登录 43 2.2.1 创建应用 44 2.2.2 理解表单类 45 2.2.3 登录的视图函数 47 2.2.4 登录的前端界面 49 2.2.5 知识点 53 2.3 用内置方法实现登录和退出 54 2.3.1 内置的登录方法 55 2.3.2 判断用户是否登录 58 2.3.3 内置的退出方法 59 2.3.4 知识点 60 2.4 用户注册 62 2.4.1 简单注册 62 2.4.2 增加注册内容 65 2.4.3 管理新增的注册内容 70 2.4.4 知识点 71 2.5 关于密码的操作 72 2.5.1 修改密码 73 2.5.2 重置密码 78 2.5.3 利用第三方应用重置密码 84 2.5.4 知识点 87 2.6 维护个人信息 88 2.6.1 个人信息的数据模型类和表单类 88 2.6.2 展示个人信息 90 2.6.3 编辑个人信息 93 2.6.4 上传和裁剪头像图片 97 2.6.5 优化头像上传功能 105 2.6.6 对个人信息进行管理 107 2.6.7 知识点 108 第3章文章管理和展示 110 3.1 管理文章栏目 110 3.1.1 设置栏目 110 3.1.2 编辑栏目 118 3.1.3 删除栏目 120 3.1.4 知识点 122 3.2 发布和显示文章 125 3.2.1 简单的文章发布 126 3.2.2 使用Markdown 131 3.2.3 文章标题列表 133 3.2.4 知识点 140 3.3 删除和修改文章 141 3.3.1 删除 142 3.3.2 修改 143 3.3.3 设置分页功能 147 3.3.4 知识点 149 3.4 文章展示 151 3.4.1 新写文章标题列表 151 3.4.2 重新编写“查看文章”功能 155 3.4.3 知识点 156 第4章拓展网站功能 158 4.1 梳理已有功能 158 4.1.1 修改导航栏 158 4.1.2 修改登录和注册后的跳转 159 4.1.3 知识点 161 4.2 查看作者全部文章 161 4.2.1 查看某作者的文章列表 162 4.2.2 知识点 165 4.3 为文章点赞 167 4.3.1 修改数据模型类 167 4.3.2 编写视图函数 168 4.3.3 修改模板文件 169 4.3.4 知识点 172 4.4 文章的阅读次数 173 4.4.1 安装Redis 174 4.4.2 在Python中使用Redis 175 4.4.3 记录阅读次数 176 4.4.4 显示最“热”文章 177 4.4.5 知识点 179 4.5 文章的评论功能 180 4.5.1 数据模型类和表单类 180 4.5.2 实现评论功能 181 4.5.3 知识点 184 4.6 多样化显示 185 4.6.1 统计文章总数 186 4.6.2 最新发布的文章 188 4.6.3 评论最多的文章 189 4.6.4 自定义模板选择器 192 4.6.5 知识点 193 4.7 管理和应用文章标签 195 4.7.1 管理文章标签 195 4.7.2 发布文章时选择标签 200 4.7.3 在文章中显示文章标签 202 4.7.4 推荐相似文章 202 4.7.5 知识点 204 第5章收集和展示图片 206 5.1 收集网络图片 206 5.1.1 创建图片相关类 207 5.1.2 收集和管理图片 210 5.1.3 完善图片管理功能 214 5.1.4 知识点 218 5.2 展示图片 219 5.2.1 瀑布流方式展示图片 219 5.2.2 查看图片的详细信息 223 5.2.3 知识点 224 第6章中场休整 226 第7章创建在线学习应用 227 7.1 基于类的视图 227 7.1.1 最简类视图 228 7.1.2 读取数据 230 7.1.3 初步了解Mixin 232 7.1.4 知识点 233 7.2 管理课程标题 234 7.2.1 判断用户是否登录 235 7.2.2 创建课程 237 7.2.3 删除课程 239 7.2.4 知识点 243 7.3 发布和学习课程内容 245 7.3.1 课程内容的数据模型 246 7.3.2 课程内容的表单类 249 7.3.3 课程内容的视图 250 7.3.4 查看课程内容 252 7.3.5 注册学习课程 257 7.3.6 知识点 260 第8章结束和开始 262

2018-09-09

大数据相关技术学习视频

一共四十多天课程，详细教学，从基础进行授课。大小修改日期 08.文件常用操作命令.avi 450.9M2018-07-20 10:45 05.vmware虚拟网络的配置介绍.avi 252.8M2018-07-20 10:45 01.基础部分课程介绍.avi 187.6M2018-07-20 10:45 06.linux网络配置及CRT远程连接.avi 140.8M2018-07-20 10:45 02.linux系统安装过程.avi 471M2018-07-20 10:45 03.linux图形界面及文件系统结构介绍.avi 143.3M2018-07-20 10:45 07.回顾上午的ip地址配置.avi 63.7M2018-07-20 10:45 11.ssh免密登陆配置.avi 133M2018-07-20 10:45 10.常用系统操作命令.avi 352.3M2018-07-20 10:45 09.文件权限的操作.avi 214.2M2018-07-20 10:45 04.局域网工作机制和网络地址配置.avi 315M2018-07-20 10:45

2018-07-21

hadoop段海涛老师八天实战视频

第一天 hadoop的基本概念伪分布式hadoop集群安装 hdfs mapreduce 演示 01-hadoop职位需求状况.avi 02-hadoop课程安排.avi 03-hadoop应用场景.avi 04-hadoop对海量数据处理的解决思路.avi 05-hadoop版本选择和伪分布式安装.avi 06-hadoop版本选择和伪分布式安装2.avi 07-hdfs&mapreduce;测试.avi 08-hdfs的实现机制初始.avi 09-hdfs的shell操作.avi 10-hadoop集群搭建的无密登陆配置.avi 第二天 hdfs的原理和使用操作、编程 01-NN元数据管理机制.avi 02-NN工作机制2.avi 03-DN工作原理.avi 04-HDFS的JAVA客户端编写.avi 05-filesystem设计思想总结.avi 06-hadoop中的RPC框架实现机制.avi 07-hadoop中的RPC应用实例demo.avi 08-hdfs下载数据源码跟踪铺垫.avi 09-hdfs下载数据源码分析-getFileSystem.avi 10-hdfs下载数据源码分析-getFileSystem2.avi 第三天 mapreduce的原理和编程 01-hdfs源码跟踪之打开输入流.avi 02-hdfs源码跟踪之打开输入流总结.avi 03-mapreduce介绍及wordcount.avi 04-wordcount的编写和提交集群运行.avi 05-mr程序的本地运行模式.avi 06-job提交的逻辑及YARN框架的技术机制.avi 07-MR程序的几种提交运行模式.avi 08-YARN的通用性意义.avi 09-yarn的job提交流程.avi 第四天常见mr算法实现和shuffle的机制 01-复习.avi 02-hadoop中的序列化机制.avi 03-流量求和mr程序开发.avi 04-hadoop的自定义排序实现.avi 05-mr程序中自定义分组的实现.avi

2018-07-21

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人