echoocking.github.io/index.html at master · echoocking/echoocking.github.io

Repository navigation

History

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

303

304

305

306

307

308

309

310

311

312

313

314

315

316

317

318

319

320

321

322

323

324

325

326

327

328

329

330

331

332

333

334

335

336

337

338

339

340

341

342

343

344

345

346

347

348

349

350

351

352

353

354

355

356

357

358

359

360

361

362

363

364

365

366

367

368

369

370

371

372

373

374

375

376

377

378

379

380

381

382

383

384

385

386

387

388

389

390

391

392

393

394

395

396

397

398

399

400

401

402

403

404

405

406

407

408

409

410

411

412

413

414

415

416

417

418

419

420

421

422

423

424

425

426

427

428

429

430

431

432

433

434

435

436

437

438

439

440

441

442

443

444

445

446

447

448

449

450

451

452

453

454

455

456

457

458

459

460

461

462

463

464

465

466

467

468

469

470

471

472

473

474

475

476

477

478

479

480

481

482

483

484

485

486

487

488

489

490

491

492

493

494

495

496

497

498

499

500

501

502

503

504

505

506

507

508

509

510

511

512

513

514

515

516

517

518

519

520

521

522

523

524

525

526

527

528

529

530

531

532

533

534

535

536

537

538

539

540

541

542

543

544

545

546

547

548

549

550

551

552

553

554

555

556

557

558

559

560

561

562

563

564

565

566

567

568

569

570

571

572

573

574

575

576

577

578

579

580

581

582

583

584

585

586

587

588

589

590

591

592

593

594

595

596

597

598

599

600

601

602

603

604

605

606

607

608

609

610

611

612

613

614

615

616

617

618

619

620

621

622

623

624

625

626

627

628

629

630

631

632

633

634

635

636

637

638

639

640

641

642

643

644

645

646

647

648

649

650

651

652

653

654

655

656

657

658

659

660

661

662

663

664

665

666

667

668

669

670

671

672

673

674

675

676

677

678

679

680

681

682

683

684

685

686

687

688

689

690

691

692

693

694

695

696

697

698

699

700

701

702

703

704

705

706

707

708

709

710

711

712

713

714

715

716

717

718

719

720

721

722

723

724

725

726

727

728

729

730

731

732

733

734

735

736

737

738

739

740

741

742

743

744

745

746

747

748

749

750

751

752

753

754

755

756

757

758

759

760

761

762

763

764

765

766

767

768

769

770

771

772

773

774

775

776

777

778

779

780

781

782

783

784

785

786

787

788

789

790

791

792

793

794

795

796

797

798

799

800

801

802

803

804

805

806

807

808

809

810

811

812

813

814

815

816

817

818

819

820

821

822

823

824

825

826

827

828

829

830

831

832

833

834

835

836

837

838

839

840

841

842

843

844

845

846

847

848

849

850

851

852

853

854

855

856

857

858

859

860

861

862

863

864

865

866

867

868

869

870

871

872

873

874

875

876

877

878

879

880

881

882

883

884

885

886

887

888

889

890

891

892

893

894

895

896

897

898

899

900

901

902

903

904

905

906

907

908

909

910

911

912

913

914

915

916

917

918

919

920

921

922

923

924

925

926

927

928

929

930

931

932

933

934

935

936

937

938

939

940

941

942

943

944

945

946

947

948

949

950

951

952

953

954

955

956

957

958

959

960

961

962

963

964

965

966

967

968

969

970

971

972

973

974

975

976

977

978

979

980

981

982

983

984

985

986

987

988

989

990

991

992

993

994

<head>

var NexT = window.NexT || {};

var CONFIG = {

scheme: 'Mist',

sidebar: {"position":"left","display":"post"},

fancybox: true,

motion: true,

duoshuo: {

userId: 0,

author: '作者'

}

};

</script>

<title> echoocking’s blog </title>

</head>

<div class="container one-collumn sidebar-position-left

page-home

<span class="site-title">echoocking’s blog</span>

</a>

</div>

<p class="site-subtitle">天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。</p>

</div>

</button>

</div>

❤ 主页

</a>

</li>

分类

</a>

</li>

关于

</a>

</li>

归档

</a>

</li>

标签

</a>

</li>

</ul>

</nav>

</div>

</header>

正则表达式填坑

</a>

</h1>

</span>

<span class="post-meta-item-text">Veröffentlicht am</span>

2017-03-31

</time>

</span>

  |   更新于

2017-04-03

</time>

</span>

</div>

</header>

<p>之前学过正则，然后比较久没有用，记忆产生了混乱。<br>开一篇记录一下正则的概念，然后日后遇到其他比较有意思的正则，会继续写入。</p>

<p>Python正则主要使用re。<br>基础的流程：<br>1.rule = re.compile(regex) 经常被使用的正则表达式的表达可以用compile编译成一个对象，好调用，提高效率<br>2.re.findall(rule, txt)<br>这里需要注意的是 regex的写法，有固定的规则。<br>‘item.abc[0-9]+[a-z]’<br>&emsp;&emsp;这个regex的匹配顺序是先逐字匹配item和被转义的’.’符号，然后继续逐字匹配abc然后匹配一个或多个数字然后匹配一个a-z范围内的字符<br>匹配完成后，会返回包含所有匹配成功的字符串的数组。<br>&emsp;&emsp;使用中需要注意[]与()的区别<br>例子：<br><figure class="highlight python"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br></pre></td><td class="code"><pre><span class="line">In [<span class="number">10</span>]: p3=re.compile(<span class="string">'//item.jd/content/(0-9)+/\.html'</span>)</span><br><span class="line"></span><br><span class="line">In [<span class="number">11</span>]: re.findall(p3,s)</span><br><span class="line">Out[<span class="number">11</span>]: []</span><br><span class="line"></span><br><span class="line">In [<span class="number">12</span>]: p4=re.compile(<span class="string">'/item.jd/content/[0-9]+/\.html'</span>)</span><br><span class="line"></span><br><span class="line">In [<span class="number">13</span>]: re.findall(p4,s)</span><br><span class="line">Out[<span class="number">13</span>]: [<span class="string">'/item.jd/content/19939293/.html'</span>]</span><br></pre></td></tr></table></figure></p>

<p>[]表示的是一种范围，用于进行正则匹配例如[0-9]* 关于[]内就是表示0-9的一个字符<br>()是组的概念。一个正则表达式中有一个主组以及可以存在0-99个子组，通过自组可以取出匹配主组成功后的自组的内容,findall以后多个子组使用元组保存在列表中<br>例子:<br><figure class="highlight python"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br></pre></td><td class="code"><pre><span class="line">In [<span class="number">4</span>]: p1 = re.compile(<span class="string">'id\.com/([0-9]+)/([0-9a-zA-Z]+)\.com'</span>)</span><br><span class="line">In [<span class="number">6</span>]: re.findall(p1,s)</span><br><span class="line">Out[<span class="number">6</span>]: [(<span class="string">'890890'</span>, <span class="string">'fd8f9u9d908789'</span>)]</span><br><span class="line">In [<span class="number">11</span>]: s2=<span class="string">'* this is http://item.jd.943434.com * fdjifo f d 6668**#6 ^&(!^#(3'</span></span><br><span class="line">In [<span class="number">12</span>]: patten2 = <span class="string">'http://item\.jd\.([0-9]*)\.com'</span></span><br><span class="line">In [<span class="number">13</span>]: re.findall(patten2, s2)</span><br><span class="line">Out[<span class="number">13</span>]: [<span class="string">'943434'</span>]</span><br></pre></td></tr></table></figure></p>

<p>今天得到公司给配MacBook的消息啦~~~开心///转圈</p>

</div>

<div>

</div>

<div>

</div>

</footer>

</article>

BloomFilter 初始零

</a>

</h1>

</span>

<span class="post-meta-item-text">Veröffentlicht am</span>

2017-03-28

</time>

</span>

  |   更新于

2017-03-28

</time>

</span>

</div>

</header>

<p>&emsp;&emsp;爬虫爬取过程中，对于url的去重是较为重要的。爬虫脚本的每一次运行，都需要判断是否这个url以及这个url中的数据曾被获取过。所以研究了一下关于url去重，大致的想法是使用BloomFilter。由于每一个url的地址长度较长，将所有url的信息全部读入到内存中效率太低，BloomFilter的原理是找到K个适合的hash函数，每个高效的hash函数可以将url映射到内存的一位上，为了避免hash冲突，所以使用多个hash函数进行运算。每个hash函数加密得到一个位数值，数值可以在一个bit数组进行映射，在bit数组中找到该数值对应的位置，并把该位置的值设置为1（默认为零）。K个hash函数就将K位设置为零。需要判断url是否被爬取过，则只需将url使用K个hash函数加密，得到K个值，判断K个值在Bit数组中的映射位置是否全部为1，全部为1的话，那么为了避免误判，可以继续去硬盘中的数据库去找，或者直接认定该url存在。但只要映射的位置，有不为1的情况，那么该数据一定不存在。<br>&emsp;&emsp;原理很简单，具体的实现有几大困难。1.确定hash函数 2.确定bit集合大小其实想想也不难，毕竟都是有具体的公式的<br>&emsp;&emsp;有空实现一下！！！（好多个有空哎<del>，但是一定会哦</del>）<br>I will keep following~ mua~</p>

<p>贴一个更加优化的：<br>&emsp;&emsp;上面说到的BloomFilter还紧紧是单机内存的，在淘宝这个环境下，显然是不适用的。那么我们如何把他变成分布式的呢？看了标题我想你已经知道了，对了，那就是redis。<br>&emsp;&emsp;BloomFilter需要的bit数组与redis的bit操作真是完美契合啊。利用redis的高性能以及通过pipeline将多条bit操作命令批量提交，实现了多机BloomFilter的bit数据共享。唯一需要注意的是redis的bitmap只支持2^32大小，对应到内存也就是512MB,数组的下标最大只能是2^32-1。不过这个限制我们可以通过构建多个redis的bitmap通过hash取模的方式分散一下即可。同时利用上面的公式计算一下：万分之一的误判率，512MB可以放下2亿左右的数据，而目前全网的uv也就8千万，所以，你懂的。<a href="http://it.taocms.org/05/3427.htm" target="_blank" rel="external">链接戳我</a></p>

</div>

<div>

</div>

<div>

</div>

</footer>

</article>

BloomFilter 初始零

</a>

</h1>

</span>

<span class="post-meta-item-text">Veröffentlicht am</span>

2017-03-28

</time>

</span>

  |   更新于

2017-04-18

</time>

</span>

</div>

</header>

<p>因为毕业论文查重的问题。所以有些文章先暂时被下掉。等查完再放上来啦。</p>

</div>

<div>

</div>

<div>

</div>

</footer>

</article>

进程、线程 -- flag篇

</a>

</h1>

</span>

<span class="post-meta-item-text">Veröffentlicht am</span>

2017-03-25

</time>

</span>

  |   更新于

2017-03-27

</time>

</span>

</div>

</header>

<p>&emsp;&emsp;立一个新的flag，也算为自己开一个新坑。打算由浅入深的比较系统的学习一下进程和线程的相关知识。这是该系列的第一篇，主要介绍概念性的东西，以后慢慢的（也许快快的~）会加入更经典的关于进程、线程处理的代码。<br>&emsp;&emsp;&emsp;&emsp;进程 – 程序的一次执行<br>&emsp;&emsp;&emsp;&emsp;线程 – CPU调度的最小单位<br>&emsp;&emsp;看到这里，这个定义下的其实我有点奇怪。根据这个定义的话，那么网上关于mutilprocessing的很多的例子看起来就比较的没有内涵。</p>

<figure class="highlight python"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br><span class="line">15</span><br><span class="line">16</span><br><span class="line">17</span><br><span class="line">18</span><br><span class="line">19</span><br></pre></td><td class="code"><pre><span class="line"><span class="keyword">import</span> os</span><br><span class="line"><span class="keyword">from</span> multiprocessing <span class="keyword">import</span> Process</span><br><span class="line"></span><br><span class="line"><span class="function"><span class="keyword">def</span> <span class="title">doubler</span><span class="params">(number)</span>:</span></span><br><span class="line"> result = number * <span class="number">2</span></span><br><span class="line"> pid = os.getpid()</span><br><span class="line"> <span class="keyword">return</span> result</span><br><span class="line"></span><br><span class="line"><span class="keyword">if</span> __name__ == <span class="string">'__main__'</span>:</span><br><span class="line"> nums = [<span class="number">5</span>, <span class="number">10</span>, <span class="number">20</span>]</span><br><span class="line"> procs = []</span><br><span class="line"> </span><br><span class="line"> <span class="keyword">for</span> num <span class="keyword">in</span> nums:</span><br><span class="line"> process = Process(target=double, args=(num))</span><br><span class="line"> procs.append(process)</span><br><span class="line"> process.start</span><br><span class="line"> </span><br><span class="line"> <span class="keyword">for</span> process <span class="keyword">in</span> procs:</span><br><span class="line"> process.join()</span><br></pre></td></tr></table></figure>

<pre><code>这代码写的, 基本上就是只有告诉我os.getpid能获取pid的作用了。

这个完全换成线程也一样好不好。

</code></pre><p>进程和线程的主要功能，是提高cpu的利用的效率，缩短程序运行的时间。<br>&emsp;&emsp;每个进程，应该负责一个较为独立的功能或者根本就是一个独立的程序的。进程是有自己的独立的区域的，进程间需要通信的话，一般使用Queue或者Pipes（Queue是进程、线程安全的。Pipes双工通信。一个安全，一个快。）。Chrome就是一个典型的多进程程序，里面每个标签页、扩展、插件都是单独的进程，各自独占资源，相互隔离，一个进程出错死掉只会影响一个页面或者插件，再也不会出现Flash插件出错崩溃导致整个浏览器崩溃的情况了。<br>&emsp;&emsp;线程的话，一般多个线程被包含在一个进程里，cpu调度的基本单位是线程，所以拥有多个线程的话，就近似于程序跑在多个cpu上，并且程序的各个线程都在并行的执行。线程的资源是共享的，父进程的资源由所有线程共享，但是各个线程可以独自拥有自己的变量。由于线程间共享进程中的全局变量，所以当其他线程改变了共享的变量时，可能会对本线程产生影响。所谓线程安全的约束是指一个函数被多个并发线程反复调用时，要一直产生正确的结果。要保证线程安全，主要是通过加锁的方式保证共享变量的正确访问。<br>

</a>

</div>

<div>

</div>

<div>

</div>

</footer>

</article>

git使用技巧之大壹

</a>

</h1>

</span>

<span class="post-meta-item-text">Veröffentlicht am</span>

2017-03-25

</time>

</span>

  |   更新于

2017-03-25

</time>

</span>

</div>

</header>

<p>git流程操作以及git补救操作。是初零的续篇。<br>1.git init<br> 创建一个git本地库，现在暂时是空的。<br>2.vi .gitignore<br> 在项目根目录下创建一个git的忽略目录。<br> 不然git就是你写啥，敢传啥，pyc一大把。说多了都是泪呀。<br>2.git add<br> 如果你没有创gitignore的前车之鉴，那么恭喜你。<br> 你可能要翻车了。😄喜闻乐见。<br> 然而善(翻)良(车)如(无)我(数)，git rm -r –cached,这个可以将之前add的文件删除，重新变为untracked。<br>3.gst<br> 看看现在库里的状态，有哪些添加了的。那些改变的 blablabla的。。<br>4.git diff (HEAD)<br> 不放心的话，可以用这个命令看到具体的语句的更改<br> 反正从来对自己保持怀疑态度<br> 杜绝自己走上从删库到跑路的不归路<br>5.git commit -m ‘bbb’<br> 提交到本地代码库<br> 如果提交了，错了呵呵，很正常。<br> 重新修改后<br> git commit -amend<br> 只会产生一次提交。<br>6.git add origin ‘url’<br>7.git push origin</p>

<p>提交代码的时候，一定要确认没有问题的话再提交。要淡定。<br>合作的话，先从远端pull代码下来，然后merge，有冲突解决冲突（解决冲突不要改远端的代码，可以对照着github上面调整自己的代码）。然后再进行代码的编写，然后重复2-7</p>

<p>遇到坑，再更，I will keep following。</p>

</div>

<div>

</div>

<div>

</div>

</footer>

</article>

</section>

</nav>

</div>

</div>

<img class="site-author-image" itemprop="image"

src="/images/avatar.gif"

alt="echoocking" />

<p class="site-author-name" itemprop="name">echoocking</p>

<p class="site-description motion-element" itemprop="description">天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。</p>

</div>

</a>

</div>

</a>

</div>

</nav>

Weibo

</a>

</span>

GitHub

</a>

</span>

</div>

</section>

</div>

</aside>

</div>

</main>

</span>

<span class="author" itemprop="copyrightHolder">echoocking</span>

</div>

嗨呀！~

</div>

很多想法总在路上

</br>

访问量 <span id="busuanzi_value_site_pv"></span> &nbsp&nbsp&nbsp

访客数<span id="busuanzi_value_site_uv"></span>

</a>

</div>

</footer>

</div>

if (Object.prototype.toString.call(window.Promise) !== '[object Function]') {

window.Promise = null;

}

</script>

</body>

</html>

FilesExpand file tree

index.html

Latest commit

History

index.html

File metadata and controls