知识图谱项目实践

news2025/1/20 11:00:30

目录

步骤

SpaCy

Textacy——Text Analysis for Cybersecurity

Networkx

Dateparser

导入库

写出页面的名称

​编辑

自然语言处理

 词性标注

可能标记的完整列表

依存句法分析（Dependency Parsing，DEP）

可能的标签完整列表

实例理解POS与DEP

可视化注释 

Spacy还可执行命名实体识别

可能的所有标签的完整列表

Spacy图形工具

实体和关系抽取 

构建图表

网络图

使用Python和自然语言处理构建知识图谱。

知识图谱被视为自然语言处理领域的一部分，因为要构建“知识”，需要进行“语义增强”过程。由于没有人想要手动执行此任务，因此我们需要使用机器和自然语言处理算法来完成此任务。

我们将解析维基百科并提取一个页面，用作本数据集。

俄乌战争-维基百科

步骤

  • 设置：使用维基百科API进行网页爬取以读取包和数据。
  • NLP使用SpaCy:对文本进行分句、词性标注、依存句法分析和命名实体识别。
  • 提取实体及其关系：使用Textacy库来识别实体并建立它们之间的关系。
  • 网络图构建：使用NetworkX库来创建和操作图形结构。
  • 时间轴图：使用DateParser库来解析日期信息并生成时间轴图。

SpaCy

"spaCy" 这个名称是从 "Space"（空间） 这个词汇中来的，它代表了 spaCy 设计的初衷，即为了提供一个轻量级、高性能的自然语言处理（NLP）库。

SpaCy是一个自然语言处理（NLP）库和工具包，用于处理和分析文本数据。它被设计成高效、快速且易用的工具，具有许多功能，包括分词、命名实体识别、依存关系分析、文本分类等。SpaCy支持多种语言，并提供了预训练的词向量模型。它广泛用于文本挖掘、信息检索、自动化文本分类、情感分析、实体识别、机器翻译等领域。

Textacy——Text Analysis for Cybersecurity

Textacy的名称来源于"Text Analysis for Cybersecurity"（网络安全文本分析），这个名称强调了该库最初的用途，即在网络安全领域中对文本数据进行分析。然而，随着时间的推移，Textacy的功能扩展到了更广泛的自然语言处理和文本挖掘任务，包括情感分析、实体识别、主题建模等，因此它的名称也逐渐演化成了更通用的文本分析工具。

Networkx

NetworkX是一个用于创建、操作和研究复杂网络（图）的Python库。它提供了丰富的功能和工具，使用户能够轻松地构建、分析和可视化各种类型的网络，包括社交网络、网络拓扑、生物网络、交通网络等。

Dateparser

"dateparser" 是一个Python库，用于解析日期和时间字符串。它的主要功能是将各种格式的日期和时间字符串转换成Python的datetime对象，以便在程序中进行日期和时间的处理和计算。

导入库

## for data
import pandas as pd  #1.1.5
import numpy as np  #1.21.0

## for plotting
import matplotlib.pyplot as plt  #3.3.2

## for text
import wikipediaapi  #0.5.8
import nltk  #3.8.1
import re

## for nlp
import spacy  #3.5.0
from spacy import displacy
import textacy  #0.12.0

## for graph
import networkx as nx  #3.0 (also pygraphviz==1.10)

## for timeline
import dateparser #1.1.7

Wikipedia-api是一个Python库，可轻松解析Wikipedia页面。我们将使用这个库来提取所需的页面，但会排除页面底部的所有“注释”和“参考文献”内容。

写出页面的名称

topic = "Russo-Ukrainian War"

wiki = wikipediaapi.Wikipedia('en')
page = wiki.page(topic)
txt = page.text[:page.text.find("See also")]
txt[0:500] + " ..."

  • topic = "Russo-Ukrainian War"：在这一行中，定义了一个名为 topic 的变量，其中存储了要查询的维基百科主题，即 "Russo-Ukrainian War"（俄乌战争）。
  • wiki = wikipediaapi.Wikipedia('en')：在这一行中，创建了一个名为 wiki 的维基百科API的实例，使用了英语语言版（'en'表示英语）。
  • page = wiki.page(topic)：这一行使用 wiki 实例的 page 方法来获取与主题 topic 相关的维基百科页面。这将返回一个包含页面内容的对象，存储在名为 page 的变量中。
  • txt = page.text[:page.text.find("See also")]：这一行代码从获取的维基百科页面文本中提取了感兴趣的部分。它使用了字符串切片和 .find() 方法，首先查找文本中 "See also"（通常表示相关链接的部分）的位置，然后将文本截断到这个位置之前，从而得到了页面的一部分文本。这部分文本存储在名为 txt 的变量中。
  • txt[0:500] + " ..."：最后一行代码将前500个字符的文本内容提取出来，然后附加了 " ..."，以表示文本的截断。这个结果存储在 txt 变量中，它包含了从维基百科页面提取的前500个字符的内容。

自然语言处理

#python -m spacy download en_core_web_sm

nlp = spacy.load("en_core_web_sm")
doc = nlp(txt)
  • #python -m spacy download en_core_web_sm：这是一个注释行，用于表示在终端或命令行中执行的操作。它指示用户下载spaCy的英语语言模型"en_core_web_sm"。这个模型包括了一些用于处理英语文本的语言数据和算法。
  • nlp = spacy.load("en_core_web_sm")：在这一行代码中，首先导入了spaCy库（前提是已经安装了spaCy库）。然后，使用spacy.load()函数加载了之前下载的英语语言模型"en_core_web_sm"。加载后的模型被存储在名为nlp的变量中，以便后续对文本数据进行处理。
  • doc = nlp(txt)：在这一行代码中，使用已加载的模型nlp对文本数据txt进行处理。nlp(txt)将文本数据传递给已加载的模型，返回一个Doc对象，其中包含了对文本进行了分词、词性标注、命名实体识别等自然语言处理任务的结果。这个Doc对象存储了文本的各种信息，可以用于进一步的文本分析和处理。

看SpaCy将文本分成了多少个句子：

lst_docs = [sent for sent in doc.sents]
print("tot sentences:", len(lst_docs))

lst_docs = [sent for sent in doc.sents]：这一行代码使用了列表推导式（List Comprehension）来遍历doc对象中的每个句子，并将它们存储在一个名为lst_docs的列表中。列表推导式的语法是[expression for item in iterable]，在这里，expression是用于生成列表元素的表达式，item是迭代的每个元素，iterable是要迭代的对象。因此，这行代码遍历doc.sents，它是doc对象中句子的一个生成器（generator），并将每个句子添加到lst_docs列表中。

 词性标注

即用适当的语法标签标记句子中的每个单词的过程

可能标记的完整列表

  • ADJ: 形容词，例如big，old，green，incomprehensible，first
  • ADP: 介词，例如in，to，during
  • ADV: 副词，例如very，tomorrow，down，where，there
  • AUX: 助动词，例如is，has（done），will（do），should（do）
  • CONJ: 连词，例如and，or，but
  • CCONJ: 并列连词，例如and，or，but
  • DET: 限定词，例如a，an，the
  • INTJ: 感叹词，例如psst，ouch，bravo，hello
  • NOUN: 名词，例如girl，cat，tree，air，beauty
  • NUM: 数词，例如1，2017，one，seventy-seven，IV，MMXIV
  • PART: 助词，例如's，not
  • PRON: 代词，例如I，you，he，she，myself，themselves，somebody
  • PROPN: 专有名词，例如Mary，John，London，NATO，HBO
  • PUNCT: 标点符号，例如.，（，），？
  • SCONJ: 从属连词，例如if，while，that
  • SYM: 符号，例如$，%，§，©，+，-，×，÷，=，:)，表情符号
  • VERB: 动词，例如run，runs，running，eat，ate，eating
  • X: 其他，例如sfpksdpsxmsa
  • SPACE: 空格

依存句法分析（Dependency Parsing，DEP）

模型还会尝试理解单词对之间的关系。

可能的标签完整列表

  • ACL：作为名词从句的修饰语
  • ACOMP：形容词补语
  • ADVCL：状语从句修饰语
  • ADVMOD：状语修饰语
  • AGENT：主语中的动作执行者
  • AMOD：形容词修饰语
  • APPOS：同位语
  • ATTR：主谓结构中的谓语部分
  • AUX：助动词
  • AUXPASS：被动语态中的助动词
  • CASE：格标记
  • CC：并列连词
  • CCOMP：从句补足语
  • COMPOUND：复合修饰语
  • CONJ：连接词
  • CSUBJ：主语从句
  • CSUBJPASS：被动语态中的主语从句
  • DATIVE：与双宾语动词相关的间接宾语
  • DEP：未分类的依赖
  • DET：限定词
  • DOBJ：直接宾语
  • EXPL：人称代词
  • INTJ：感叹词
  • MARK：标记
  • META：元素修饰语
  • NEG：否定修饰语
  • NOUNMOD：名词修饰语
  • NPMOD：名词短语修饰语
  • NSUBJ：名词从句主语
  • NSUBJPASS：被动语态中的名词从句主语
  • NUMMOD：数字修饰语
  • OPRD：宾语补足语
  • PARATAXIS：并列结构
  • PCOMP：介词的补足语
  • POBJ：介词宾语
  • POSS：所有格修饰语
  • PRECONJ：前置连词
  • PREDET：前置限定词
  • PREP：介词修饰语
  • PRT：小品词
  • PUNCT：标点符号
  • QUANTMOD：量词修饰语
  • RELCL：关系从句修饰语
  • ROOT：句子主干
  • XCOMP：开放性从句补足语

实例理解POS与DEP

i = 3
list_docs[3]

检查 NLP 模型预测的 POS 和 DEP 标签

for token in lst_docs[i]:
    print(token.text, "-->", "pos: "+token.pos_, "|", "dep: "+token.dep_, "")
  • token.text：token对象的text属性表示词汇的原始文本内容，即单词或标点符号的字符串。
  • "-->"：这部分代码只是一个字符串，用于分隔词汇信息的不同部分，以便输出更易读。
  • "pos: "+token.pos_：token对象的pos_属性表示词汇的词性（Part-of-Speech，POS）。该部分将词汇的词性标签添加到输出中，例如："pos: NOUN" 表示名词。
  • "|"：这部分代码只是一个字符串，用于分隔不同词汇信息。
  • "dep: "+token.dep_：token对象的dep_属性表示词汇与句子中其他词汇的依存关系。该部分将词汇的依存关系标签添加到输出中，例如："dep: nsubj" 表示名词主语。

可视化注释 

SpaCy提供了一个图形工具来可视化这些注释

from spacy import displacy

displacy.render(lst_docs[i], style="dep", options={"distance":100})

displacy.render(lst_docs[i], style="dep", options={"distance":100})：这是用于渲染句子依存关系图的函数调用。它包括以下参数：

  • lst_docs[i]：这是要可视化的文本数据，通常是一个Doc对象，或者在这里是句子的Doc对象，表示要可视化的句子。

  • style="dep"：这个参数指定了可视化的样式。在这里，我们选择了"dep"，表示依存关系图。

  • options={"distance":100}：这是一个字典参数，用于配置可视化选项。在这里，我们设置了"distance"参数，以控制词汇之间的水平距离。较大的距离可以使图更易于阅读。您可以根据需要自定义其他可视化选项。

  • 最重要的标记是动词 ( POS=VERB )，因为它是句子中含义的词根 ( DEP=ROOT )。
  • 助词，如副词和副词 ( POS=ADV/ADP )，通常作为修饰语 ( *DEP=mod ) 与动词相关联，因为它们可以修饰动词的含义。例如，“ travel to ”和“ travel from ”具有不同的含义，即使词根相同（“ travel ”）。
  • 在与动词相连的单词中，必须有一些名词（POS=PROPN/NOUN）作为句子的主语和宾语（ *DEP=nsubj/obj ）。
  • 名词通常位于形容词 ( POS=ADJ ) 附近，作为其含义的修饰语 ( DEP=amod )。例如，在“好人”和“坏人”中，形容词赋予名词_“人”相反的含义。 

Spacy还可执行命名实体识别

可能的所有标签的完整列表
  • 人名: 包括虚构人物。
  • 国家、宗教或政治团体：民族、宗教或政治团体。
  • 地点：建筑、机场、高速公路、桥梁等。
  • 公司、机构等：公司、机构等。
  • 地理位置：国家、城市、州。
  • 地点：非国家地理位置，山脉、水域等。
  • 产品：物体、车辆、食品等（不包括服务）。
  • 事件：命名飓风、战斗、战争、体育赛事等。
  • 艺术作品：书籍、歌曲等的标题。
  • 法律：成为法律的指定文件。
  • 语言：任何命名的语言。
  • 日期：绝对或相对日期或期间。
  • 时间：小于一天的时间。
  • 百分比：百分比，包括“%”。
  • 货币：货币价值，包括单位。
  • 数量：衡量重量或距离等。
  • 序数： “第一”，“第二”等。
  • 基数：不属于其他类型的数字。
for ent in lst_docs[i].ents:
    print(tag.text, f"({tag.label_})")

print(tag.text, f"({tag.label_})")：在每次迭代中，使用 print() 函数打印每个实体的文本内容和实体类型标签。

  • tag.text：这是实体对象的 text 属性，表示实体的原始文本内容。

  • f"({tag.label_})"：这是一个格式化字符串，用于将实体的类型标签添加到输出中。在字符串中使用了f开头的字符串字面值，它允许在字符串中插入表达式，这里插入了实体的类型标签，标签位于括号中。

  • 花括号 {} 在格式化字符串中用于表示占位符，可以在运行时将变量或表达式的值插入到字符串中。

在spaCy中，实体（命名实体）对象通常包含两个重要的属性：ent.text 和 ent.label_，它们分别表示实体的文本内容和实体类型标签。

Spacy图形工具

displacy.render(lst_docs[i], style="ent")

实体和关系抽取 

对于每个句子，我们将提取主语和宾语以及它们的修饰语、复合词和它们之间的标点符号。

## extract entities and relations
dic = {"id":[], "text":[], "entity":[], "relation":[], "object":[]}

for n,sentence in enumerate(lst_docs):
    lst_generators = list(textacy.extract.subject_verb_object_triples(sentence))  
    for sent in lst_generators:
        subj = "_".join(map(str, sent.subject))
        obj  = "_".join(map(str, sent.object))
        relation = "_".join(map(str, sent.verb))
        dic["id"].append(n)
        dic["text"].append(sentence.text)
        dic["entity"].append(subj)
        dic["object"].append(obj)
        dic["relation"].append(relation)


## create dataframe
dtf = pd.DataFrame(dic)

## example
dtf[dtf["id"]==i]

构建图表

网络图

Python标准库中用于创建和操作图网络的是NetworkX。我们可以从整个数据集开始创建图形，但如果节点太多，可视化将变得混乱：

## create full graph
G = nx.from_pandas_edgelist(dtf, source="entity", target="object", 
                            edge_attr="relation", 
                            create_using=nx.DiGraph())


## plot
plt.figure(figsize=(15,10))

pos = nx.spring_layout(G, k=1)
node_color = "skyblue"
edge_color = "black"

nx.draw(G, pos=pos, with_labels=True, node_color=node_color, 
        edge_color=edge_color, cmap=plt.cm.Dark2, 
        node_size=2000, connectionstyle='arc3,rad=0.1')

nx.draw_networkx_edge_labels(G, pos=pos, label_pos=0.5, 
                         edge_labels=nx.get_edge_attributes(G,'relation'),
                         font_size=12, font_color='black', alpha=0.6)
plt.show()
  • G = nx.from_pandas_edgelist(dtf, source="entity", target="object", edge_attr="relation", create_using=nx.DiGraph())：这行代码使用 NetworkX 库创建了一个有向图（DiGraph）。具体解释如下：
  • nx.from_pandas_edgelist(dtf, source="entity", target="object", edge_attr="relation", create_using=nx.DiGraph())：这个函数将 Pandas 数据帧 dtf 转换为一个有向图。在有向图中，实体作为节点，关系作为有向边，而 "entity" 列和 "object" 列包含了节点之间的连接，"relation" 列包含了边的属性（关系）。
  • plt.figure(figsize=(15,10))：这行代码创建一个新的图形画布，指定了画布的大小为 15x10 像素。
  • pos = nx.spring_layout(G, k=1)：这行代码使用 NetworkX 的 spring_layout 函数布局图形中的节点位置，其中 G 是创建的有向图。k=1 控制了节点之间的相互排斥力，影响图形的布局。
  • node_color 和 edge_color：这两行代码定义了节点和边的颜色。
  • nx.draw(...)：这个函数用于绘制图形。以下是参数的含义：
  • G：要绘制的图形。
  • pos=pos：节点位置的布局。
  • with_labels=True：是否显示节点的标签。
  • node_color=node_color：节点的颜色。
  • edge_color=edge_color：边的颜色。
  • cmap=plt.cm.Dark2：用于定义节点颜色映射的颜色映射。
  • nx.draw_networkx_edge_labels(...)：这个函数用于在图形上绘制边的标签。以下是参数的含义：
  • pos=pos：节点位置的布局。
  • label_pos=0.5：标签相对于边的位置。
  • edge_labels=nx.get_edge_attributes(G,'relation')：从图中获取边的属性（关系）作为标签。
  • font_size=12：标签的字体大小。
  • font_color='black'：标签的字体颜色。
  • alpha=0.6：标签的透明度。
  • plt.show()：这行代码用于显示绘制好的图形。

知识图谱可以让我们从大局的角度看到所有事物的相关性，但是如果直接看整张图就没有什么用处。因此，最好根据我们所需的信息应用一些过滤器。对于这个例子，我将只选择涉及最常见实体的部分（基本上是最多连接的节点）：

先找出最多连接的节点

dtf["entity"].value_counts().head()

然后进行过滤操作并进行可视化

## filter
f = "Russia"
tmp = dtf[(dtf["entity"]==f) | (dtf["object"]==f)]


## create small graph
G = nx.from_pandas_edgelist(tmp, source="entity", target="object", 
                            edge_attr="relation", 
                            create_using=nx.DiGraph())


## plot
plt.figure(figsize=(15,10))

pos = nx.spring_layout(G, k=0.5)
node_color = ["red" if node==f else "skyblue" for node in G.nodes]
edge_color = ["red" if edge[0]==f else "black" for edge in G.edges]

nx.draw(G, pos=pos, with_labels=True, node_color=node_color, 
        edge_color=edge_color, cmap=plt.cm.Dark2, 
        node_size=800, node_shape="o", width=1.0, connectionstyle='arc3,rad=0.1', font_size=8)

nx.draw_networkx_edge_labels(G, pos=pos, label_pos=0.5, 
                        edge_labels=nx.get_edge_attributes(G,'relation'),
                        font_size=8, font_color='black', alpha=0.6)
plt.show()

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/966849.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

SEAN代码(1)

SEAN代码(1)

代码地址 首先定义一个trainer。 trainer Pix2PixTrainer(opt)在Pix2PixTrainer内部，首先定义Pix2PixModel模型。 self.pix2pix_model Pix2PixModel(opt)在Pix2PixModel内部定义生成器，判别器。 self.netG, self.netD, self.netE self.initialize_…
阅读更多...
11.Redis的慢操作之rehash

11.Redis的慢操作之rehash

Redis为什么快 它接收到一个键值对操作后，能以微秒级别的速度找到数据，并快速完成操作。 数据库这么多，为啥 Redis 能有这么突出的表现呢？ 内存数据结构 一方面，这是因为它是内存数据库，所有操作都在内存上…
阅读更多...
Redis—常用数据结构

Redis—常用数据结构

Redis—常用数据结构 🔎数据结构与内部编码 Redis 中常用的数据结构包括 Strings—字符串Hashes—哈希表Lists—列表Sets—集合Sorted sets—有序集合 Redis 底层在实现上述数据结构时, 会在源码层面针对上述实现进行特定优化, 以达到节省时间 / 节省空间的效果 …
阅读更多...
卡片介绍、EMV卡组织、金融认证---安全行业基础篇2

卡片介绍、EMV卡组织、金融认证---安全行业基础篇2

一、卡片介绍 卡片是一种用于存储和传输数据的可携带式物品，通常由塑料或纸质材料制成。卡片通常具有特定的尺寸和形状，以适应各类读写设备。不同类型的卡片可以用于不同的应用，如身份验证、支付、门禁控制等。 接触卡 接触卡是一种需要与读…
阅读更多...
量化策略：CTA，市场中性，指数增强

量化策略：CTA，市场中性，指数增强

CTA 策略 commodity Trading Advisor Strategy，即“商品交易顾问策略”，也被称作管理期货策略。 期货T0，股票T1双向交易：就单向交易而言的，不仅能先买入再卖出（做多），而且可以先卖…
阅读更多...
Java异常(Error与Exception)与常见异常处理——第八讲

Java异常(Error与Exception)与常见异常处理——第八讲

前言 前面我们讲解了Java的基础语法以及面向对象的思想，相信大家已经基本掌握了Java的基本编程。在之前代码中，我们也看到代码写错了编译器会提示报错，或者编译器没有提示，但是运行的时候报错了，比如前面的数组查询下标超过数组的长度。所以在使用计算机语言进行项目开发的…
阅读更多...
CLIP：连接文本-图像

CLIP：连接文本-图像

Contrastive Language-Image Pre-Training CLIP的主要目标是通过对比学习，学习匹配图像和文本。CLIP最主要的作用：可以将文本和图像表征映射到同一个表示空间 这是通过训练模型来预测哪个图像属于给定的文本，反之亦然。在训练过程中&#…
阅读更多...
高频策略：抢盘口，做市，短期趋势

高频策略：抢盘口，做市，短期趋势

利润来源 价格短期趋势随机游走震荡 策略分类 抢盘口：盘口大单封堵，快速在盘口中双向下单，赚取价差做市：盘口买卖活跃，预测市价单击穿距离，在盘口外双向下单，赚取价差 挂单范围要小于市价击穿距…
阅读更多...
十二、分组查询

十二、分组查询

1、分组查询 （1）基础语法： select 字段列表 from 表名 [where 条件] group by 分组字段名 [having 分组之后的过滤条件] （2）注意事项： （3）理解： select后的“字段列表…
阅读更多...
personalized image enhancement 调研

personalized image enhancement 调研

Personalized Image Enhancement Using Neural Spline Color Transforms 这是TIP期刊 2020年的一篇论文，首先提出了一个能预测曲线的网络，预测一些锚点，根据锚点插值出连续的曲线，然后用曲线对raw image进行retouching。然后提出了…
阅读更多...
ODC现已开源：与开发者共创企业级的数据库协同开发工具

ODC现已开源：与开发者共创企业级的数据库协同开发工具

OceanBase 开发者中心（OceanBase Developer Center，以下简称 ODC）是一款开源的数据库开发和数据库管理协同工具，从首个版本上线距今已经发展了三年有余，ODC 逐步由一款专为 OceanBase 打造的开发者工具演进成为支持多数…
阅读更多...
第 361 场 LeetCode 周赛题解

第 361 场 LeetCode 周赛题解

A 统计对称整数的数目 枚举 x x x class Solution { public:int countSymmetricIntegers(int low, int high) {int res 0;for (int i low; i < high; i) {string s to_string(i);if (s.size() & 1)continue;int s1 0, s2 0;for (int k 0; k < s.size(); k)if …
阅读更多...
快速为RPG辅助工具MTool增加更多快捷键(一键保存等）

快速为RPG辅助工具MTool增加更多快捷键(一键保存等）

起源&#xff1a;MTool是个好工具&#xff0c;本身固然好用&#xff0c;但是它本身的快捷键功能很少&#xff0c;虽然内置了一个录制工具&#xff0c;但是一个个的录&#xff0c;又麻烦&#xff0c;一般人也难以掌握 本文用快速方法增加更多快捷键&#xff0c;可以做到一键保存…
阅读更多...
利用非线性解码模型从人类听觉皮层的活动中重构音乐

利用非线性解码模型从人类听觉皮层的活动中重构音乐

音乐是人类体验的核心&#xff0c;但音乐感知背后的精确神经动力学仍然未知。本研究分析了29名患者的独特颅内脑电图(iEEG)数据集&#xff0c;这些患者听了Pink Floyd的歌曲&#xff0c;并应用了先前在语音领域使用的刺激重建方法。本研究成功地从直接神经录音中重建了可识别的…
阅读更多...
【性能优化】聊聊性能优化那些事

【性能优化】聊聊性能优化那些事

针对于互联网应用来说&#xff0c;性能优化其实就是一直需要做的事情&#xff0c;因为系统响应慢&#xff0c;是非常影响用户的体验&#xff0c;可能回造成用户流失。所以对于性能非常重要。最近正好接到一个性能优化的需求&#xff0c;需要对所负责的系统进行性能提升。目前接…
阅读更多...
Python自动化小技巧22——获取中国高校排名数据

Python自动化小技巧22——获取中国高校排名数据

背景 【软科排名】2023年最新软科中国大学排名|中国最好大学排名 (shanghairanking.cn) 爬取这个网站所有的高校的数据&#xff0c;包括学习名称&#xff0c;层次&#xff0c;地区&#xff0c;分数等等信息&#xff1a;[办学层次,学科水平,办学资源,师资规模与结构,人才培养,…
阅读更多...
红日靶场五（vulnstack5）渗透分析

红日靶场五（vulnstack5）渗透分析

环境搭建 win7 192.168.111.132&#xff08;仅主机&#xff09; 192.168.123.212&#xff08;桥接&#xff09; .\heart p-0p-0p-0win2008 ip: 192.168.111.131&#xff08;仅主机&#xff09; sun\admin 2020.comkali ip: 192.168.10.131&#xff08;nat&#xff09;vps&…
阅读更多...
字节一面：说说地址栏输入 URL 敲下回车后发生了什么?

字节一面：说说地址栏输入 URL 敲下回车后发生了什么?

前言 最近博主在字节面试中遇到这样一个面试题&#xff0c;这个问题也是前端面试的高频问题&#xff0c;作为一名前端开发工程师&#xff0c;我们只有了解地址栏输入 URL 敲下回车后发生的事件&#xff0c;才知道性能优化如何下手&#xff0c;性能优化也是前端必备知识&#xf…
阅读更多...
第一章_线程基础知识

第一章_线程基础知识

先拜拜大神 Doug Lea&#xff08;道格.利&#xff09; java.util.concurrent在并发编程中使用的工具包 为什么学习并用好多线程极其重要 硬件方面 摩尔定律失效 摩尔定律&#xff1a;它是由英特尔创始人之一Gordon Moore&#xff08;戈登.摩尔&#xff09;提出来的。其内容为…
阅读更多...
Centos 6.5 升级到Centos7指导手册

Centos 6.5 升级到Centos7指导手册

一、背景 某业务系统因建设较早&#xff0c;使用的OS比较过时&#xff0c;还是centos6.5的系统&#xff0c;因国产化需要&#xff0c;需将该系统升级到BClinux 8.6&#xff0c;但官方显示不支持centos 6.x升级到8&#xff0c;需先将centos6.5升级到centos7的最新版&#xff0c…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023