主頁 > 後端開發 > 【7月最新實作】使用Python獲取全網招聘資料，實作可視化分析

【7月最新實作】使用Python獲取全網招聘資料，實作可視化分析

2023-07-09 07:44:23 後端開發

哈嘍兄弟們，今天來實作采集一下最新的qcwu招聘資料，
因為網站嘛，大家都爬來爬去的，人家就會經常更新，所以代碼對應的也要經常重新去寫，

對于會的人來說，當然無所謂，任他更新也攔不住，但是對于不會的小伙伴來說，網站一更新，當場自閉，

所以這期是出給不會的小伙伴的，我還錄制了視頻進行詳細講解，跟原始碼一起打包好了，代碼里有領取方式

軟體工具

先來看看需要準備啥

環境使用

Python 3.8
Pycharm

 

模塊使用

# 第三方模塊 需要安裝的
requests  >>> pip install requests
csv

 

實作爬蟲基本流程

一、資料來源分析: 思路固定

  1. 明確需求:
    - 明確采集網站以及資料內容
    網址: 51job
    內容: 招聘資訊

  2. 通過開發者工具, 進行抓包分析, 分析具體資料來源
    I. 打開開發者工具: F12 / 右鍵點擊檢查選擇network
    II. 重繪網頁, 讓資料內容重新加載一遍
    III. 通過搜索<搜索你要的資料>去找資料具體位置
    招聘資訊資料包: https://we.***.com/api/job/search-pc?api_key=51job×tamp=1688645783&keyword=python&searchType=2&function=&industry=&jobArea=010000%2C020000%2C030200%2C040000%2C090200&jobArea2=&landmark=&metro=&salary=&workYear=°ree=&companyType=&companySize=&jobType=&issueDate=&sortType=0&pageNum=1&requestId=&pageSize=20&source=1&accountId=&pageCode=sou%7Csou%7Csoulb

二、代碼實作步驟: 步驟固定

  1. 發送請求, 模擬瀏覽器對于url地址發送請求
    請求鏈接: 招聘資訊資料包url
  2. 獲取資料, 獲取服務器回傳回應資料 <所有的資料>
    開發者工具: response
  3. 決議資料, 提取我們想要的資料內容
    招聘基本資訊
  4. 保存資料, 把資訊資料保存表格檔案里面

代碼決議

模塊

# 匯入資料請求模塊
import requests
# 匯入格式化輸出模塊
# Python學習交流扣裙  708525271 
# 代碼和視頻在裙里拿
from pprint import pprint
# 匯入csv
import csv

 

發送請求, 模擬瀏覽器對于url地址發送請求

headers = {
    'Cookie': 'guid=54b7a6c4c43a33111912f2b5ac6699e2; sajssdk_2015_cross_new_user=1; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%2254b7a6c4c43a33111912f2b5ac6699e2%22%2C%22first_id%22%3A%221892b08f9d11c8-09728ce3464dad8-26031d51-3686400-1892b08f9d211e7%22%2C%22props%22%3A%7B%22%24latest_traffic_source_type%22%3A%22%E7%9B%B4%E6%8E%A5%E6%B5%81%E9%87%8F%22%2C%22%24latest_search_keyword%22%3A%22%E6%9C%AA%E5%8F%96%E5%88%B0%E5%80%BC_%E7%9B%B4%E6%8E%A5%E6%89%93%E5%BC%80%22%2C%22%24latest_referrer%22%3A%22%22%7D%2C%22identities%22%3A%22eyIkaWRlbnRpdHlfY29va2llX2lkIjoiMTg5MmIwOGY5ZDExYzgtMDk3MjhjZTM0NjRkYWQ4LTI2MDMxZDUxLTM2ODY0MDAtMTg5MmIwOGY5ZDIxMWU3IiwiJGlkZW50aXR5X2xvZ2luX2lkIjoiNTRiN2E2YzRjNDNhMzMxMTE5MTJmMmI1YWM2Njk5ZTIifQ%3D%3D%22%2C%22history_login_id%22%3A%7B%22name%22%3A%22%24identity_login_id%22%2C%22value%22%3A%2254b7a6c4c43a33111912f2b5ac6699e2%22%7D%2C%22%24device_id%22%3A%221892b08f9d11c8-09728ce3464dad8-26031d51-3686400-1892b08f9d211e7%22%7D; nsearch=jobarea%3D%26%7C%26ord_field%3D%26%7C%26recentSearch0%3D%26%7C%26recentSearch1%3D%26%7C%26recentSearch2%3D%26%7C%26recentSearch3%3D%26%7C%26recentSearch4%3D%26%7C%26collapse_expansion%3D; search=jobarea%7E%60010000%2C020000%2C030200%2C040000%2C090200%7C%21recentSearch0%7E%60010000%2C020000%2C030200%2C040000%2C090200%A1%FB%A1%FA000000%A1%FB%A1%FA0000%A1%FB%A1%FA00%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA9%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA0%A1%FB%A1%FApython%A1%FB%A1%FA2%A1%FB%A1%FA1%7C%21; privacy=1688644161; Hm_lvt_1370a11171bd6f2d9b1fe98951541941=1688644162; Hm_lpvt_1370a11171bd6f2d9b1fe98951541941=1688644162; JSESSIONID=BA027715BD408799648B89C132AE93BF; acw_tc=ac11000116886495592254609e00df047e220754059e92f8a06d43bc419f21; ssxmod_itna=Qqmx0Q0=K7qeqD5itDXDnBAtKeRjbDce3=e8i=Ax0vTYPGzDAxn40iDtrrkxhziBemeLtE3Yqq6j7rEwPeoiG23pAjix0aDbqGkPA0G4GG0xBYDQxAYDGDDPDocPD1D3qDkD7h6CMy1qGWDm4kDWPDYxDrjOKDRxi7DDvQkx07DQ5kQQGxjpBF=FHpu=i+tBDkD7ypDlaYj9Om6/fxMp7Ev3B3Ix0kl40Oya5s1aoDUlFsBoYPe723tT2NiirY6QiebnnDsAhWC5xyVBDxi74qTZbKAjtDirGn8YD===; ssxmod_itna2=Qqmx0Q0=K7qeqD5itDXDnBAtKeRjbDce3=e8i=DnIfwqxDstKhDL0iWMKV3Ekpun3DwODKGcDYIxxD==; acw_sc__v2=64a6bf58f0b7feda5038718459a3b1e625849fa8',
    'Referer': 'https://we.51job.com/pc/search?jobArea=010000,020000,030200,040000,090200&keyword=python&searchType=2&sortType=0&metro=',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36',
}
# 請求鏈接
url = 'https://we.***.com/api/job/search-pc'
# 請求引數
data =https://www.cnblogs.com/hahaa/p/ {
    'api_key': '51job',
    'timestamp': '*****',
    'keyword': '****',
    'searchType': '2',
    'function': '',
    'industry': '',
    'jobArea': '010000,020000,030200,040000,090200',
    'jobArea2': '',
    'landmark': '',
    'metro': '',
    'salary': '',
    'workYear': '',
    'degree': '',
    'companyType': '',
    'companySize': '',
    'jobType': '',
    'issueDate': '',
    'sortType': '0',
    'pageNum': '1',
    'requestId': '',
    'pageSize': '20',
    'source': '1',
    'accountId': '',
    'pageCode': 'sou|sou|soulb',
}
# 發送請求
response = requests.get(url=url, params=data, headers=headers)

 

獲取資料

獲取服務器回傳回應資料 <所有的資料>
開發者工具: response
- response.json() 獲取回應json資料

決議資料

提取我們想要的資料內容

for回圈遍歷

for index in response.json()['resultbody']['job']['items']:
    # index 具體崗位資訊 --> 字典
    dit = {
        '職位': index['jobName'],
        '公司': index['fullCompanyName'],
        '薪資': index['provideSalaryString'],
        '城市': index['jobAreaString'],
        '經驗': index['workYearString'],
        '學歷': index['degreeString'],
        '公司性質': index['companyTypeString'],
        '公司規模': index['companySizeString'],
        '職位詳情頁': index['jobHref'],
        '公司詳情頁': index['companyHref'],
    }

 

以字典方式進行資料保存

csv_writer.writerow(dit)
print(dit)

 

保存表格

f = open('python.csv', mode='w', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
    '職位',
    '公司',
    '薪資',
    '城市',
    '經驗',
    '學歷',
    '公司性質',
    '公司規模',
    '職位詳情頁',
    '公司詳情頁',
])
csv_writer.writeheader()

 

可視化部分

import pandas as pd


df = pd.read_csv('data.csv')
df.head()


df['學歷'] = df['學歷'].fillna('不限學歷')
edu_type = df['學歷'].value_counts().index.to_list()
edu_num = df['學歷'].value_counts().to_list()



from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker
from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB
c = (
    Pie()
    .add(
        "",
        [
            list(z)
            for z in zip(edu_type,edu_num)
        ],
        center=["40%", "50%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Python學歷要求"),
        legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
c.load_javascript()



c.render_notebook()



df['城市'] = df['城市'].str.split('·').str[0]
city_type = df['城市'].value_counts().index.to_list()
city_num = df['城市'].value_counts().to_list()



c = (
    Pie()
    .add(
        "",
        [
            list(z)
            for z in zip(city_type,city_num)
        ],
        center=["40%", "50%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Python招聘城市分布"),
        legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
c.render_notebook()



def LowMoney(i):
    if '萬' in i:
        low = i.split('-')[0]
        if '千' in low:
            low_num = low.replace('千', '')
            low_money = int(float(low_num) * 1000)
        else:
            low_money = int(float(low) * 10000)
    else:
        low = i.split('-')[0]
        if '元/天' in low:
            low_num = low.replace('元/天', '')
            low_money = int(low_num) * 30
        else:
            low_money = int(float(low) * 1000)
    return low_money
df['最低薪資'] = df['薪資'].apply(LowMoney)



def MaxMoney(j):
    Max = j.split('-')[-1].split('·')[0]
    if '萬' in Max and '萬/年' not in Max:
        max_num = int(float(Max.replace('萬', '')) * 10000)
    elif '千' in Max:
        max_num = int(float(Max.replace('千', '')) * 1000)
    elif '元/天' in Max:
        max_num = int(Max.replace('元/天', ''))  * 30
    else:
        max_num = int((int(Max.replace('萬/年', ''))  * 10000) / 12)
    return max_num
df['最高薪資'] = df['薪資'].apply(MaxMoney)



def tranform_price(x):
    if x <= 5000.0:
        return '0~5000元'
    elif x <= 8000.0:
        return '5001~8000元'
    elif x <= 15000.0:
        return '8001~15000元'
    elif x <= 25000.0:
        return '15001~25000元'
    else:
        return '25000以上'



df['最低薪資分級'] = df['最低薪資'].apply(lambda x:tranform_price(x))
price_1 = df['最低薪資分級'].value_counts()
datas_pair_1 = [(i, int(j)) for i, j in zip(price_1.index, price_1.values)]
df['最高薪資分級'] = df['最高薪資'].apply(lambda x:tranform_price(x))
price_2 = df['最高薪資分級'].value_counts()
datas_pair_2 = [(i, int(j)) for i, j in zip(price_2.index, price_2.values)]



pie1 = (
    Pie(init_opts=opts.InitOpts(theme='dark',width='1000px',height='600px'))
    
    .add('', datas_pair_1, radius=['35%', '60%'])
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="Python作業薪資\n\n最低薪資區間", 
            pos_left='center', 
            pos_top='center',
            title_textstyle_opts=opts.TextStyleOpts(
                color='#F0F8FF', 
                font_size=20, 
                font_weight='bold'
            ),
        )
    )
    .set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
)
pie1.render_notebook()



pie1 = (
    Pie(init_opts=opts.InitOpts(theme='dark',width='1000px',height='600px'))
    
    .add('', datas_pair_2, radius=['35%', '60%'])
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="Python作業薪資\n\n最高薪資區間", 
            pos_left='center', 
            pos_top='center',
            title_textstyle_opts=opts.TextStyleOpts(
                color='#F0F8FF', 
                font_size=20, 
                font_weight='bold'
            ),
        )
    )
    .set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
)
pie1.render_notebook() 



exp_type = df['經驗'].value_counts().index.to_list()
exp_num = df['經驗'].value_counts().to_list()
c = (
    Pie()
    .add(
        "",
        [
            list(z)
            for z in zip(exp_type,exp_num)
        ],
        center=["40%", "50%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Python招聘經驗要求"),
        legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
c.render_notebook()



# 按城市分組并計算平均薪資
avg_salary = df.groupby('城市')['最低薪資'].mean()
CityType = avg_salary.index.tolist()
CityNum = [int(a) for a in avg_salary.values.tolist()]
avg_salary_1 = df.groupby('城市')['最高薪資'].mean()
CityType_1 = avg_salary_1.index.tolist()
CityNum_1 = [int(a) for a in avg_salary_1.values.tolist()]



from pyecharts.charts import Bar
# 創建柱狀圖實體
c = (
    Bar()
    .add_xaxis(CityType)
    .add_yaxis("", CityNum)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="各大城市Python低平均薪資"),
        visualmap_opts=opts.VisualMapOpts(
            dimension=1,
            pos_right="5%",
            max_=30,
            is_inverse=True,
        ),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=45))  # 設定X軸標簽旋轉角度為45度
    )
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False),
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_="min", name="最小值"),
                opts.MarkLineItem(type_="max", name="最大值"),
                opts.MarkLineItem(type_="average", name="平均值"),
            ]
        ),
    )
)

c.render_notebook()


# 創建柱狀圖實體
c = (
    Bar()
    .add_xaxis(CityType_1)
    .add_yaxis("", CityNum_1)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="各大城市Python高平均薪資"),
        visualmap_opts=opts.VisualMapOpts(
            dimension=1,
            pos_right="5%",
            max_=30,
            is_inverse=True,
        ),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=45))  # 設定X軸標簽旋轉角度為45度
    )
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False),
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_="min", name="最小值"),
                opts.MarkLineItem(type_="max", name="最大值"),
                opts.MarkLineItem(type_="average", name="平均值"),
            ]
        ),
    )
)

c.render_notebook()


### 結論:
    1. 學歷要求基本大專以上
    2. 薪資待遇: 8000-25000 左右
    3. 北上廣 薪資偏高一些
### 如何簡單實作可視化分析
    1. 通過爬蟲采集完整的資料內容 --> 表格 / 資料庫
    2. 讀取檔案內容
    3. 統計每個類目的資料情況
    4. 通過可視化模塊: <使用官方檔案提供代碼模板去實作>


import pandas as pd


# 讀取資料
df = pd.read_csv('data.csv')
# 顯示前五行資料
df.head()


c_type = df['公司性質'].value_counts().index.to_list() # 統計資料類目
c_num = df['公司性質'].value_counts().to_list() # 統計資料個數
c_type


from pyecharts.charts import Bar # 匯入pyecharts里面柱狀圖
from pyecharts.faker import Faker # 匯入隨機生成資料
from pyecharts.globals import ThemeType # 主題設定

c = (
    Bar({"theme": ThemeType.MACARONS}) # 主題設定
    .add_xaxis(c_type)  # x軸資料
    .add_yaxis("", c_num) # Y軸資料
    .set_global_opts(
        # 標題顯示
        title_opts={"text": "Python招聘企業公司性質分布", "subtext": "民營', '已上市', '外資（非歐美）', '合資', '國企', '外資（歐美）', '事業單位'"}
    )
    # 保存html檔案
#     .render("bar_base_dict_config.html")
)
# print(Faker.choose()) # ['小米', '三星', '華為', '蘋果', '魅族', 'VIVO', 'OPPO'] 資料類目
# print(Faker.values()) # [38, 54, 20, 85, 71, 22, 38] 資料個數
c.render_notebook() # 直接顯示在jupyter上面

 

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/556825.html

標籤：Python

上一篇：Object.equals 和 String.equals的區別

下一篇：返回列表

標籤雲
其他(162238) Python(38267) JavaScript(25528) Java(18293) C(15239) 區塊鏈(8275) C＃(7972) AI(7469) 爪哇(7425) MySQL(7291) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5876) 数组(5741) R(5409) Linux(5347) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4614) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2438) ASP.NET(2404) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) HtmlCss(1993) .NET技术(1986) 功能(1967) Web開發(1951) C++(1942) python-3.x(1918) 弹簧靴(1913) xml(1889) PostgreSQL(1882) .NETCore(1863) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態，例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1：當函式不可能拋出例外或不能接受拋出例外時，使用noexcept 理由 如果不打算拋出例外的話，程式就會認為無法處理這種錯誤，并且應當盡早終止，如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接：https://codeforces.com/problemset/problem/1400/E 來源：Codeforces 思路：給你一個陣列，現在你可以進行兩種操作，操作1：將一段沒有 0 的區間進行減一的操作，操作2：將 i 位置上的元素歸零。最終問：將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯，就附帶了一個自己的翻譯版本 思考 這一題，它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數，這里就不慢慢介紹了。但是，重讀題，我們突然發現反向質數都是 $7$ 位，而將它反過來后的數字卻是 $6$ 位數，這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記：C++中的 const 變數詳解，教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中，會分配記憶體（也就是說可以通過地址間接修改變數的值）。測驗代碼如下： 運行結果： 2、全域const變數存放在只讀資料段（不能通過地址修改，會發生寫入錯誤）， 默認為外部聯編，可以給其他源檔案使用（需要用extern關鍵字修飾） 運行結果： ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中，添加資源 2. 點擊新添加的資源，復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案，編輯，使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索，點擊查找全部，然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h，在其中預先定義好宏 ID（不清楚其實ID值應該設定多少，可以先新建一個相同的資源項，再在這個資源的ID值的基礎上遞增即可） 2. 在資源視圖中選中專案資源，按F7編輯資源檔案，按 ID 型別 相對路徑的形式添加 資源。（別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記：關于C++的參考型別，專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考，也叫別名。 參考就是給一個變數名取一個變數名，方便我們間接地使用這個變數。我們可以給一個變數創建N個參考，這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間，占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名，但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++：初學者完整指南

    眾所周知，C ++的學習曲線陡峭，但是花時間學習這種語言將為您的職業帶來奇跡，并使您與其他開發人員區分開。您會更輕松地學習新語言，形成真正的解決問題的技能，并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣（即清晰一致的編碼風格，在撰寫代碼時注釋代碼，并限制類內部的可見性），并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • 【7月最新實作】使用Python獲取全網招聘資料，實作可視化分析

    哈嘍兄弟們，今天來實作采集一下最新的qcwu招聘資料。因為網站嘛，大家都爬來爬去的，人家就會經常更新，所以代碼對應的也要經常重新去寫。 對于會的人來說，當然無所謂，任他更新也攔不住，但是對于不會的小伙伴來說，網站一更新，當場自閉。 所以這期是出給不會的小伙伴的，我還錄制了視頻進行詳細講解，跟原始碼一起 ......

    uj5u.com 2023-07-09 07:44:23 more
  • Object.equals 和 String.equals的區別

    一. 原始碼展示: 1. Object.equals： ①參考型別地址值比較，直接回傳結果：true || false public class Object { public boolean equals(Object obj) { return (this == obj); } } 2. Stri ......

    uj5u.com 2023-07-09 07:44:01 more
  • Java中AQS的原理與實作

    ### 目錄 *1：什么是AQS?* *2：AQS都有那些用途？* *3：我們如何使用AQS* *4：AQS的實作原理* *5：對AQS的設計與實作的一些思考* ### 1：什么是AQS ? 隨著計算機的算力越來越強大，各種各樣的并行編程模型也隨即踴躍而來，但當我們要在并行計算中使用共享資源的時候， ......

    uj5u.com 2023-07-09 07:38:40 more
  • springboot整合rabbitMQ

    ## 1.生產者工程 - pom.xml里引入依賴 ~~~xml org.springframework.boot spring-boot-starter-amqp ~~~ - application.yml里配置基本資訊 ~~~yaml spring: rabbitmq: host: localh ......

    uj5u.com 2023-07-09 07:26:05 more
  • 【停用詞】NLP中的停用詞怎么獲取？我整理了6種方法

    [toc] # 一、停用詞介紹 您好，我是[@馬哥python說](https://www.zhihu.com/people/13273183132) ，一名10年程式猿。 在自然語言處理（NLP）研究中，停用詞stopwords是指在文本中頻繁出現但通常沒有太多有意義的詞語。這些詞語往往是一些常見 ......

    uj5u.com 2023-07-08 08:19:25 more
  • Netty-LengthFieldBasedFrameDecoder-解決拆包粘包問題的解碼器

    ### 構造器引數 - maxFrameLength：指定解碼器所能處理的資料包的最大長度，超過該長度則拋出 TooLongFrameException 例外； - lengthFieldOffset：指定長度欄位的起始位置； - lengthFieldLength：指定長度欄位的長度：目前支持1( ......

    uj5u.com 2023-07-08 07:53:25 more
  • java wordcount

    import com.google.common.base.Splitter; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.j ......

    uj5u.com 2023-07-08 07:53:20 more
  • 【numpy基礎】--目錄（完結）

    # 概述 NumPy是一個開源的科學計算庫，它提供了高效的數值計算和陣列操作功能，主要包括： * 多維陣列的創建、操作和索引。 * 陣列的切片、拼接和轉置。 * 陣列的乘法、除法、求導、積分、對數等基本運算。 * 陣列的逐元素操作、求平均值、中位數、眾數等統計量。 * 陣列作為串列、元組等資料型別進 ......

    uj5u.com 2023-07-08 07:53:16 more
  • 在MAC OS上的vscode 安裝java開發環境

    在Mac OS上安裝vs code的java開發環境. 按照vs code的官方說明安裝Java相關插件, 遇見下列問題并解決了. 安裝JDK環境 安裝Extension Pack for Java 插件后,vscode會提示你安裝一個java,我安裝提示安裝了java.后來才發現安裝的是jre,并 ......

    uj5u.com 2023-07-08 07:53:12 more
  • 基于JavaFX的掃雷游戲實作（三）——互動邏輯

    相信閱讀過上期文章，動手能力強的朋友們已經自己跑出來界面了。所以這期我要講的是互動部分，也就是對于滑鼠點擊事件的回應，包括計時計數對點擊事件以及一些狀態量的影響。 回憶下第一期介紹的掃雷規則和操作，游戲從開局到結束可能會涉及到哪些情況呢？我認為比較重要的就是明確什么情況下游戲已經結束，結束代表的是勝 ......

    uj5u.com 2023-07-08 07:53:08 more

Copyright © 2010-2020 有解無憂