C#中html中img标签src替换

C#中html中img标签src中有http的就不替换,没有http的替换成域名,这个正则改怎么写

例如

 <img src="111.jpg" />变成 <img src="http://aaa/111.jpg" />
<img src="http://aaa/111.jpg" />则不会变化

2个回答



        string s = "<img aa=bb cc=dd src=\"111.jpg\" />变成 <img src=\"http://aaa/bbbcca.jpg\" /><img alt=\"hello\" src=\"222.jpg\" /><img src=\"http://www.w3dev.cn/logo.jpg\" />";
        s = Regex.Replace(s, "(<img[\\s\\S]+?)src=([\"'])(?!(https?://))([^\"']+)", "$1src=$2http://aaaa/$4", RegexOptions.Compiled | RegexOptions.IgnoreCase);
        Response.Write("<textarea style='width:100%;height:200px'>" + s + "</textarea>");
qq_37995198
qq_37995198 这才是我想要的
一年多之前 回复

html的dom元素操作其实用js操作更好

Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
c#正则表达式 <img src>中的src 3个字母 替换成xxx
请大神帮忙!用c#正则表达式 把字符串中所有img标签的src3个字母替换成xxx 如<img src="qq.gif" width="100" height="100" / > 中的src 3个字母 替换成xxx <img xxx="qq.gif" width="100" height="100"/>
C#正则表达式求助,在线等,急!
现在有这么一个需求,我在编辑文档的时候,需要将文档内所有的<img>标签替换需要的内容。 例如: ``` <p> <img src=\"http://localhost:9186/upload/image/20150416/6356482317004106408355884.jpg\" title=\"356019.jpg\" alt=\"356019.jpg\"/> <img src=\"http://localhost:9186/upload/image/20150416/6356482317004106408355884.jpg\" title=\"356019.jpg\" alt=\"356019.jpg\"/> </p> ``` 替换为: ``` <p> <img src="empty.png" data-original=\"http://localhost:9186/upload/image/20150416/6356482317004106408355884.jpg\" title=\"356019.jpg\" alt=\"356019.jpg\"/> <img src="empty.png" data-original=\"http://localhost:9186/upload/image/20150416/6356482317004106408355884.jpg\" title=\"356019.jpg\" alt=\"356019.jpg\"/> </p> ``` 前提是要保证src和data-original都只能在一个标签中出现一次! 因为每次替换掉src之后,访问编辑页面之后,又会生成一个src,如果直接替换的话,就会存在多个data-original 在此先感谢各位朋友,第一次在这上面问,没C币,还请各位帮帮忙
想用树莓派做行人识别,不知道可以吗
先在树莓派上装c++版的opencv,用板子上的csi摄像头采集图像,然后用HOG特征和SVM来检测其中的行人。不知道树莓派算力够吗? 想把这个程序写进去。 ``` #include <iostream> #include <fstream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/objdetect/objdetect.hpp> #include <opencv2/ml/ml.hpp> using namespace std; using namespace cv; #define PosSamNO 1114 //正样本个数 #define NegSamNO 12180 //负样本个数 #define TRAIN true//是否进行训练,true表示重新训练,false表示读取xml文件中的SVM模型 #define CENTRAL_CROP false //true:训练时,对96*160的INRIA正样本图片剪裁出中间的64*128大小人体 //HardExample:负样本个数。如果HardExampleNO大于0,表示处理完初始负样本集后,继续处理HardExample负样本集。 //不使用HardExample时必须设置为0,因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值 #define HardExampleNO 433 //继承自CvSVM的类,因为生成setSVMDetector()中用到的检测子参数时,需要用到训练好的SVM的decision_func参数, //但通过查看CvSVM源码可知decision_func参数是protected类型变量,无法直接访问到,只能继承之后通过函数访问 class MySVM : public CvSVM { public: //获得SVM的决策函数中的alpha数组 double * get_alpha_vector() { return this->decision_func->alpha; } //获得SVM的决策函数中的rho参数,即偏移量 float get_rho() { return this->decision_func->rho; } }; int main() { //检测窗口(64,128),块尺寸(16,16),块步长(8,8),cell尺寸(8,8),直方图bin个数9 HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG检测器,用来计算HOG描述子的 int DescriptorDim;//HOG描述子的维数,由图片大小、检测窗口大小、块大小、细胞单元中直方图bin个数决定 MySVM svm;//SVM分类器 //若TRAIN为true,重新训练分类器 if(TRAIN) { string ImgName;//图片名(绝对路径) ifstream finPos("d:/hogmit/pos/pos.txt");//正样本图片的文件名列表 //ifstream finPos("PersonFromVOC2012List.txt");//正样本图片的文件名列表 ifstream finNeg("d:/hogmit/neg/neg.txt");//负样本图片的文件名列表 Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数 Mat sampleLabelMat;//训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,-1表示无人 //依次读取正样本图片,生成HOG描述子 for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; //ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正样本的路径名 ImgName = "d:/hogmit/pos/" + ImgName;//加上正样本的路径名 Mat src = imread(ImgName);//读取图片 if(CENTRAL_CROP) src = src(Rect(16,16,64,128));//将96*160的INRIA正样本图片剪裁为64*128,即剪去上下左右各16个像素 //resize(src,src,Size(64,128)); vector<float> descriptors;//HOG描述子向量 hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) // cout<<"描述子维数:"<<descriptors.size()<<endl; //处理第一个样本时初始化特征向量矩阵和类别矩阵,因为只有知道了特征向量的维数才能初始化特征向量矩阵 if( 0 == num ) { DescriptorDim = descriptors.size();//HOG描述子的维数 //初始化所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数sampleFeatureMat sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1); //初始化训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,0表示无人 sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1); } //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1,有人 } //依次读取负样本图片,生成HOG描述子 for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; ImgName = "d:/hogmit/neg/" + ImgName;//加上负样本的路径名 Mat src = imread(ImgName);//读取图片 //resize(src,img,Size(64,128)); vector<float> descriptors;//HOG描述子向量 hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //cout<<"描述子维数:"<<descriptors.size()<<endl; //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//负样本类别为-1,无人 } //处理HardExample负样本 if(HardExampleNO > 0) { ifstream finHardExample("d:/hogmit/hard/hard.txt");//HardExample负样本的文件名列表 //依次读取HardExample负样本图片,生成HOG描述子 for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; ImgName = "d:/hogmit/hard/" + ImgName;//加上HardExample负样本的路径名 Mat src = imread(ImgName);//读取图片 //resize(src,img,Size(64,128)); vector<float> descriptors;//HOG描述子向量 hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //cout<<"描述子维数:"<<descriptors.size()<<endl; //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1,无人 } } //输出样本的HOG特征向量矩阵到文件 ofstream fout("d:/xlw/SampleFeatureMat.txt"); for(int i=0; i<PosSamNO+NegSamNO; i++) { fout<<i<<endl; for(int j=0; j<DescriptorDim; j++) { fout<<sampleFeatureMat.at<float>(i,j)<<" "; } fout<<endl; } //训练SVM分类器 //迭代终止条件,当迭代满1000次或误差小于FLT_EPSILON时停止迭代 CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON); //SVM参数:SVM类型为C_SVC;线性核函数;松弛因子C=0.01 CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria); cout<<"开始训练SVM分类器"<<endl; double time0=static_cast<double>(getTickCount()); svm.train(sampleFeatureMat,sampleLabelMat, Mat(), Mat(), param);//训练分类器 time0=((double)getTickCount()-time0)/getTickFrequency(); cout<<"训练完成"<<endl; cout<<"训练花费时间:"<<time0<<endl; svm.save("d:/xlw/SVM_HOG_mit_inria(1114pos+12180neg+433hard).xml");//将训练好的SVM模型保存为xml文件 } else //若TRAIN为false,从XML文件读取训练好的分类器 { cout<<"fail train"<<endl; //svm.load("SVM_HOG_2400PosINRIA_12000Neg_HardExample(误报少了漏检多了).xml");//从XML文件读取训练好的SVM模型 svm.load("d:/LBP/SVM_Model.xml"); } /************************************************************************************************* 线性SVM训练完成后得到的XML文件里面,有一个数组,叫做support vector,还有一个数组,叫做alpha,有一个浮点数,叫做rho; 将alpha矩阵同support vector相乘,注意,alpha*supportVector,将得到一个列向量。之后,再该列向量的最后添加一个元素rho。 如此,变得到了一个分类器,利用该分类器,直接替换opencv中行人检测默认的那个分类器(cv::HOGDescriptor::setSVMDetector()), 就可以利用你的训练样本训练出来的分类器进行行人检测了。 ***************************************************************************************************/ DescriptorDim = svm.get_var_count();//特征向量的维数,即HOG描述子的维数 int supportVectorNum = svm.get_support_vector_count();//支持向量的个数 cout<<"支持向量个数:"<<supportVectorNum<<endl; Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量,长度等于支持向量个数 Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵 Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果 //将支持向量的数据复制到supportVectorMat矩阵中 for(int i=0; i<supportVectorNum; i++) { const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针 for(int j=0; j<DescriptorDim; j++) { //cout<<pData[j]<<" "; supportVectorMat.at<float>(i,j) = pSVData[j]; } } //将alpha向量的数据复制到alphaMat中 double * pAlphaData = svm.get_alpha_vector();//返回SVM的决策函数中的alpha向量 for(int i=0; i<supportVectorNum; i++) { alphaMat.at<float>(0,i) = pAlphaData[i]; } //计算-(alphaMat * supportVectorMat),结果放到resultMat中 //gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道为什么加负号? resultMat = -1 * alphaMat * supportVectorMat; //得到最终的setSVMDetector(const vector<float>& detector)参数中可用的检测子 vector<float> myDetector; //将resultMat中的数据复制到数组myDetector中 for(int i=0; i<DescriptorDim; i++) { myDetector.push_back(resultMat.at<float>(0,i)); } //最后添加偏移量rho,得到检测子 myDetector.push_back(svm.get_rho()); cout<<"检测子维数:"<<myDetector.size()<<endl; //设置HOGDescriptor的检测子 HOGDescriptor myHOG; myHOG.setSVMDetector(myDetector); //myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector()); //保存检测子参数到文件 ofstream fout("d:/xlw/HOGDetectorForOpenCV.txt"); for(int i=0; i<myDetector.size(); i++) { fout<<myDetector[i]<<endl; } /**************读入图片进行HOG行人检测******************/ Mat src = imread("d:/timg.png"); //Mat src = imread("2007_000423.jpg"); //Mat src = imread("1.png"); vector<Rect> found, found_filtered;//矩形框数组 cout<<"进行多尺度HOG人体检测"<<endl; myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测 //src为输入待检测的图片;found为检测到目标区域列表;参数3为程序内部计算为行人目标的阈值,也就是检测到的特征到SVM分类超平面的距离; //参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍;参数5为图像扩充的大小;参数6为比例系数,即测试图片每次尺寸缩放增加的比例; //参数7为组阈值,即校正系数,当一个目标被多个窗口检测出来时,该参数此时就起了调节作用,为0时表示不起调节作用。 cout<<"找到的矩形框个数:"<<found.size()<<endl; //找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中 for(int i=0; i < found.size(); i++) { Rect r = found[i]; int j=0; for(; j < found.size(); j++) if(j != i && (r & found[j]) == r) break; if( j == found.size()) found_filtered.push_back(r); } //画矩形框,因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整 for(int i=0; i<found_filtered.size(); i++) { Rect r = found_filtered[i]; r.x += cvRound(r.width*0.1); r.width = cvRound(r.width*0.8); r.y += cvRound(r.height*0.07); r.height = cvRound(r.height*0.8); rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3); } imwrite("d:/SVM/ImgProcessed3.jpg",src); namedWindow("src",0); imshow("src",src); waitKey();//注意:imshow之后必须加waitKey,否则无法显示图像 /******************读入单个64*128的测试图并对其HOG描述子进行分类*********************/ ////读取测试图片(64*128大小),并计算其HOG描述子 //Mat testImg = imread("person014142.jpg"); //Mat testImg = imread("noperson000026.jpg"); //vector<float> descriptor; //hog.compute(testImg,descriptor,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //Mat testFeatureMat = Mat::zeros(1,3780,CV_32FC1);//测试样本的特征向量矩阵 //将计算好的HOG描述子复制到testFeatureMat矩阵中 //for(int i=0; i<descriptor.size(); i++) // testFeatureMat.at<float>(0,i) = descriptor[i]; //用训练好的SVM分类器对测试图片的特征向量进行分类 //int result = svm.predict(testFeatureMat);//返回类标 //cout<<"分类结果:"<<result<<endl; system("pause"); } ```
linux脚本查询替换问题学习
#!/bin/sh n=`ls -l /home/huabo/workspaceNew/iconpack/IconPack/app/src/main/res/drawable-640dpi |grep iconback |wc -l` echo $n for A in $(seq 1 $n) do B=`seq -s " " -f"iconback%02g" 1 $A` C=`seq -s " " -f"img%0g" 1 $A` done sed -i "s/img1=\"iconback01\" img2=\"iconback02\" img3=\"iconback03\" img4=\"iconback04\" img5=\"iconback05\" img6=\"iconback06\" img7=\"iconback07\" img8=\"iconback08\" img9=\"iconback09\" img10=\"iconback10\"/$C\=\"$B\"/g" /home/huabo/workspaceNew/iconpack/IconPack/app/src/main/res/xml/appfilter.xml 我这主要的问题是想先通过查询图片目录drawable,过滤图片名称iconback,统计张数,然后有另一个xml文件有一行代码是; <iconback img1="iconback01" img2="iconback02" img3="iconback03" img4="iconback04" img5="iconback05" img6="iconback06" img7="iconback07" img8="iconback08" img9="iconback09" img10="iconback10" />,我想通过sed的方法去替换,例如:如果查询的图片只有两张(图片的命名都是以iconback01,icoback02...的方式),那么xml代码显示的是: <iconback img1="iconback01" img2="iconback02"/>,现在我的情况就是,结果显示的是img1 img2=iconback01 iconback02,格式不对呀,有点不明白 。。。
python使用scapy,使用发包工具时,报错NameError: name 'udp' is not defined,求解答,
``` #!env python # -*- coding: <encoding name> -*- import sys from scapy.all import * import os,random,datetime,time,math from random import randrange from random import uniform from functools import reduce def create_data(line): current_time = [ datetime.datetime.now().strftime('%b %d %H:%M:%S'), datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'), # datetime.datetime.now().strftime('%b %d %H:%M:%S %Y'), str(math.trunc(datetime.datetime.now().timestamp())) ] regular = [ "(\w{3}\s+\d{1,2}\s+\d{1,2}:\d{1,2}:\d{1,2})", "(\d{4}-\d{1,2}-\d{1,2}\s+\d{1,2}:\d{1,2}:\d{1,2})", "(\w{3}\s+\d{1,2}\s+\d{1,2}:\d{1,2}:\d{1,2}\s+\d{1,4})", "(\d{10})" ] def current_time(line): for i in regular: for j in current_time(line): if len(re.findall(i, j)) != 0: #若正则匹配上相对应的时间格式,则对字符串进行替换 line=re.sub(i,j,line) return line dict_ip_logfile={ "192.168.58.84": r"C:\Users\CS\Desktop\HPHIDS.txt" } while True: for ip,logfile in dict_ip_logfile.items(): with open(logfile,"r",encoding='unicode_escape') as log: for line in log: print(ip) print(logfile) print(create_data(line)) # IP = (porto='udp','192.168.57.45') # UDP = (dst='192.168.57.14',8089) # scapy.all,send(IP,udp) scapy.all.send(IP(proto="udp",src=ip,dst="192.168.57.45")/udp(dst='192.168.57.14.',dport=8082)/line,inter=5,loop=1,count=2) log.close() ``` ![图片说明](https://img-ask.csdn.net/upload/201911/21/1574303068_105938.png)
怎么用json把后端的数据传到前端html界面显示,javascript要怎么写?
//后端代码 public JsonResult SendData() { return Json( new {username="刘伟",teacherid="2432012522" }); } //前端代码 <div class="box5" style="position:relative;"> <!-- 背景图的div --> <img style="position:absolute;margin-left: 5%;margin-top: 9%" src="~/Content/themes/portrait.png" width=28% height=50% /> <img src="~/Content/themes/background.jpg" width=100% height=100% /> <div class="FONT4" style="position:absolute; z-index:2; top:15px">姓名:刘伟</div> //怎么把这个“刘伟”替换成动态的,由后端发送的? <div class="FONT4" style="position:absolute; z-index:2; top:100px">教工号:2432012522</div> //怎么把这个“2432012522”替换成动态的,由后端发送的? </div>
关于python爬虫保存网页以及网页图片时的问题
第一次写爬虫,想保存网页到本地,然后网页中的图片想用本地的图片来替换,但是用BeautifulSoup发现无法修改网页的标签的属性,下面是尝试爬取百度网页的代码,但是保存到本地之后发现img中src属性没有发生改变 import urllib import urllib2 from bs4 import BeautifulSoup from HTMLParser import HTMLParser def callBack(a,b,c): per = 100.0*a*b/c if per > 100: per = 100 print "%.2f%%" % per def getFileData(addr): try: splitPath = addr.split('/') fName = splitPath.pop() print fName urllib.urlretrieve(addr,'d://'+fName) except Exception as e: print 'Cannot download:%s:%s' % (fName,e) return fName def getHtml(url,url0): html = urllib2.urlopen(url).read() bsObj = BeautifulSoup(html,"html.parser") fName = getFileData(url0) tag = bsObj.find(name="img"); tag.attrs['src'] = fName f = open("d://baidu.html","w+") f.write(html) f.close() url = "http://www.baidu.com" url0 = "https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/img/logo/bd_logo1_31bdc765.png" #图片网址 getHtml(url,url0)
(html)弹窗播放优酷视频的Sctipt怎么使用
如何实现如图网站,只不过点击图片后弹出的视频为优酷的。 ![实现目标](https://img-ask.csdn.net/upload/201704/22/1492841272_367696.png) 之前放油管视频的源码: ``` <!DOCTYPE html> <html lang="en"> <head> <meta charset="utf-8"> <title>Fresh Tomatoes!</title> <!-- Bootstrap 3 --> <link rel="stylesheet" href="https://netdna.bootstrapcdn.com/bootstrap/3.1.0/css/bootstrap.min.css"> <link rel="stylesheet" href="https://netdna.bootstrapcdn.com/bootstrap/3.1.0/css/bootstrap-theme.min.css"> <script src="http://code.jquery.com/jquery-1.10.1.min.js"></script> <script src="https://netdna.bootstrapcdn.com/bootstrap/3.1.0/js/bootstrap.min.js"></script> <style type="text/css" media="screen"> body { padding-top: 80px; } #trailer .modal-dialog { margin-top: 200px; width: 640px; height: 480px; } .hanging-close { position: absolute; top: -12px; right: -12px; z-index: 9001; } #trailer-video { width: 100%; height: 100%; } .movie-tile { margin-bottom: 20px; padding-top: 20px; } .movie-tile:hover { background-color: #EEE; cursor: pointer; } .scale-media { padding-bottom: 56.25%; position: relative; } .scale-media iframe { border: none; height: 100%; position: absolute; width: 100%; left: 0; top: 0; background-color: white; } </style> <script type="text/javascript" charset="utf-8"> // Start playing the video whenever the trailer modal is opened $(document).on('click', '.movie-tile', function (event) { var trailerYouTubeId = $(this).attr('data-trailer-youtube-id') var sourceUrl = 'http://www.youtube.com/embed/' + trailerYouTubeId + '?autoplay=1&html5=1'; $("#trailer-video-container").empty().append($("<iframe></iframe>", { 'id': 'trailer-video', 'type': 'text-html', 'src': sourceUrl, 'frameborder': 0 })); }); </script> </head> <body> <!-- Trailer Video Modal --> <div class="modal" id="trailer"> <div class="modal-dialog"> <div class="modal-content"> <a href="#" class="hanging-close" data-dismiss="modal" aria-hidden="true"> <img src="https://lh5.ggpht.com/v4-628SilF0HtHuHdu5EzxD7WRqOrrTIDi_MhEG6_qkNtUK5Wg7KPkofp_VJoF7RS2LhxwEFCO1ICHZlc-o_=s0#w=24&h=24"/> </a> <div class="scale-media" id="trailer-video-container"> </div> </div> </div> </div> <div class="container"> <div class="col-md-6 col-lg-4 movie-tile text-center" data-trailer-youtube-id="tJ7JcweIOZ4" data-toggle="modal" data-target="#trailer"> <img src="https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1493212043&di=c33e7ecc83b30ca4a84a179c74e06a34&imgtype=jpg&er=1&src=http%3A%2F%2Faskpanda.cc%2Fask%2Fpics%2Fstar%2Fmovie%2F9856%2F9856-dm2420160527105239.jpg" width="220" height="342"> <h2>Toy Story</h2> </div> </div> </body> </html> ``` 可参考优酷Script源码: ``` <div id="youkuplayer" style="width:480px;height:400px"></div> <script type="text/javascript" src="//player.youku.com/jsapi"></script> <script type="text/javascript"> var player = new YKU.Player('youkuplayer',{ styleid: '0', client_id: 'YOUR YOUKUOPENAPI CLIENT_ID', vid: '替换成优酷视频ID', newPlayer: true }); function playVideo(){ player.playVideo(); } </script> ```
iOS 怎么解析后台返回的HTML数据
<!DOCTYPE html><html><head><title>迪奥红毒女士香水EDT 50ml</title><meta http-equiv="Content-Type" content="text/html; charset=utf-8" /><meta name="viewport" content="width=device-width, initial-scale=0.4"><meta name="viewport" content="initial-scale = 0.4 , minimum-scale = 0.4 , maximum-scale = 1.0" /><style>img {width: auto\9;height: auto;vertical-align: middle;border: 0;-ms-interpolation-mode: bicubic;max-width: 100%; }html { font-size:100%; } </style><base href="http://192.168.6.137/" /></head><body><p> <br /> </p> <p style="color:#4C4C4C;font-size:14px;"> <a href="http://wxmiqi.wushuai.net/mobile/goods.php?id=77" target="_blank"><img src="/images/upload/image/20150325/20150325234746_39270.gif" alt="" /></a> </p> 后台返回的HTML数据,用loadHTMLString解析出不来,但是在双引号前面加个"\"就可以出来了 ,这是为什么,另外我是手动加上去 ,如果用代码写怎么加上去呢 替换的方法会有语法错误
手机端web网站一个很神奇的bug求助。关于按钮的click事件执行的问题。
首先这个问题是出子在手机端web访问网站上出现的,电脑上用谷歌访问就没有这个问题。 问题是这样的 我现在有两个方法 ``` function test2() { DoKoutu(); test(); } ``` 然后我把这几个方法绑定到几个按钮上 ``` <button id="koutubtn" class="buttonblue" style="width: 300px; height: 120px" onclick="DoKoutu();">抠图完成</button> <button id ="kakaka" class="buttonred" style="width: 300px; height: 120px" onclick="test();">保存111</button> <button id ="kakaka2" class="buttonred" style="width: 300px; height: 120px" onclick="test2();">保存222</button> ``` 我的问题是这样的 当我分别点 抠图完成和保存111两个按钮的时候 按理说 就执行了DoKoutu()的方法和test()的方法。执行的结果是我想要的 但是我只点击保存222这个按钮的时候,按理说不就是一起执行了DoKoutu()和test()的方法么,结果执行的结果就不是我想要的, 这是为什么呢??求助 ps: 我的函数主题有绑定一些事件的代码,是跟这块有关系么?? ``` document.getElementById("canvasmovediv").addEventListener(STA_EN, start, false); document.getElementById("canvasmovediv").addEventListener(MV_EV, move, false); document.getElementById("canvasmovediv").addEventListener(END_EV, end, false); document.getElementById("canvasmovediv").addEventListener(END_EV, end, false); ``` ps2:主要用了canvas里面的一些东西。上面的move,start什么的是变量,有定义的。 ``` function DoKoutu() { IsKouTuOk = true; a.fillBackColor(); a.CreateClipArea(); //重建个画布,用透明的颜色把取到的点重新截取一遍图,就没有蓝线了,目的是没有蓝线 //document.getElementById("canvasDiv1").style.display = "none"; //这一段要是智能成图的话就不用执行了 if (!IsAutoKouTu) { document.getElementById("img3").src = document.getElementById("img1").src; $("#img1").attr("src", $("#canvas")[0].toDataURL("image/png")); var b = document.getElementById("canvas2").getContext("2d"); var bobject = document.getElementById("canvas2"); b.beginPath(); for (var i = 0; i < a.can.pointList.length; i++) { b.lineTo(a.can.pointList[i].pointx, a.can.pointList[i].pointy); } b.closePath(); b.clip(); _("img3").style.width = _("img1").style.width; _("img3").style.height = _("img1").style.height; var image = document.getElementById("img3"); //drawImage的没问题 b.drawImage(image, 0, 0, _("img1").style.width.replace("px", ""), _("img1").style.height.replace("px", "")); } else { var b = document.getElementById("canvas2").getContext("2d"); var bobject = document.getElementById("canvas2"); var image = document.getElementById("img1"); $("#img5").attr("src", _("img1").src); b.drawImage(image, 0, 0, parseInt(_("img1").style.width.replace("px", "")), parseInt(_("img1").style.height.replace("px", ""))); } //两个画布隐藏或者显示一下,截图用的画布隐藏,显示用的画布显示 document.getElementById("canvasdrowDiv").style.display = "none"; document.getElementById("canvasmovediv").style.display = ""; //放到一个隐藏的img上 再让这个img写回来(前清空) //把全图画在另一张行的div上 //如果是自动抠图的话,直接image1的画上去,image1为智能抠图完成之后的结果 $("#img4").attr("src", $("#canvas2")[0].toDataURL("image/png")); var imagetemp = document.getElementById("img4"); // var imageback = document.getElementById("img2"); document.getElementById("canvasmovediv").addEventListener(STA_EN, start, false); document.getElementById("canvasmovediv").addEventListener(MV_EV, move, false); document.getElementById("canvasmovediv").addEventListener(END_EV, end, false); document.getElementById("canvasmovediv").addEventListener(END_EV, end, false); SuoFangbeishu = 1; //滚轮缩放倍数初始为1 _("canvasmovediv").onmousewheel = scrollFnc; //test(); return true; } ``` function test() { var imagetemp = document.getElementById("img4"); c = _("canvas3"); ctx = c.getContext("2d"); ctx.drawImage(imagetemp, 0, 0, 940, 800); ctxW = c.width; ctxH = c.height; imgW = 940 || img.width; imgH = 800 || img.height; ctx.translate(imgW / 2, imgH / 2); //onDraw(); ctx.save(); //选的背景图片替换div的背景图片 document.getElementById("canvasmovediv").style.backgroundImage = "url(" + document.getElementById("img2").src + ")"; //抠图完成的按钮变为无法使用 _("koutubtn").disabled = "disabled"; _("koutubtn").className = "buttonblue disabledblue"; _("autokoutubtn").disabled = "disabled"; _("autokoutubtn").className = "buttongreen disabledgreen"; onDraw(); return true; }
求助,网页代码表单信息收集
本人是个小白,不太懂计算机语言。这段时间在网上下载了网页,把内容替换完成后发现网页中的表格,提交后没有办法保存给我看。请各位帮帮忙。随便是提交的表格发邮件给我还是保存成一个文本都可以,请各位大神不吝赐教。 下面我把代码贴上来: <!DOCTYPE html> <html> <head> <title>Home</title> <link href="css/bootstrap.css" rel='stylesheet' type='text/css' /> <!-- jQuery (necessary for Bootstrap's JavaScript plugins) --> <script src="js/jquery.min.js"></script> <!-- Custom Theme files --> <!---- animated-css ----> <link href="css/animate.css" rel="stylesheet" type="text/css" media="all"> <script src="js/wow.min.js"></script> <script> new WOW().init(); </script> <!---- animated-css ----> <link href="css/style.css" rel='stylesheet' type='text/css' /> <!-- Custom Theme files --> <meta name="viewport" content="width=device-width, initial-scale=1"> <script type="application/x-javascript"> addEventListener("load", function() { setTimeout(hideURLbar, 0); }, false); function hideURLbar(){ window.scrollTo(0,1); } </script> </script> <!----webfonts---> <link href='http://fonts.useso.com/css?family=Open+Sans:400,300,600,700,800' rel='stylesheet' type='text/css'> <!---//webfonts---> </head> <body> <div class="bg4"> <div class="container"> <!----- start-header----> <div id="home" class="header"> <div class="top-header"> <div class="logo"> <a href="index.html"><img src="images/logo4.png" title="dreams" /></a> </div> <!----start-top-nav----> <nav class="top-nav"> <span class="menu"> </span> <ul class="top-nav"> <li><a href="index.html">Home</a></li> <li><a href="service.html">FACILITIES</a></li> <li><a href="port.html">PRODUCTS</a></li> <li><a href="team.html">QUALITY</a></li> <li class="active"><a href="contact.html">Contact</a></li> </ul> <script> $("span.menu").click(function(){ $(".top-nav ul").slideToggle(200); }); </script> </nav> <div class="clearfix"> </div> </div> </div> <div class="contact-banner text-right"> <h2>Contact</h2> </div> <div class="clearfix"></div> </div> </div> <!----- banner ----> <div class="container"> <div class="contact-us"> <div class="contact-us_left"> <div class="contact-us_info"> <h3 class="style">Find Us Here</h3> <div class="map"> <iframe src="https://www.google.com/maps/embed?pb=!1m14!1m8!1m3!1d13558.512473829513!2d119.8721792!3d31.8351189!3m2!1i1024!2i768!4f13.1!3m3!1m2!1s0x35b41486dc8ab423%3A0x2dcc557ef68ab37d!2s29+Lv+Nan+Lu%2C+Xinbei+Qu%2C+Changzhou+Shi%2C+Jiangsu+Sheng%2C+China%2C+213132!5e0!3m2!1sen!2sus!4v1431479369556" width="400" height="300" frameborder="0" style="border:0"></iframe> </div> </div> <div class="company_address"> <h3 class="style">Sales Manager </h3> <h3 class="style">Minghui Guo(Ming)</h3> <p>29Lvnan Rd, Xuejia Town,<br> Changzhou, Jiangsu, China<br> Tel:0086-519-83182318<br> Mob:0086-15261119179<br> FAX:0086-519-83181993<br> Email: Minghui.Guo@outlook.com</p> </div> </div> <div class="contact_right"> <div class="contact-form"> <h3 class="style">Contact Us</h3> <form method="post" action="index.html"> <div> <p>NAME</p> <span><input name="userName" type="text" class="textbox"></span> </div> <div> <p>E-MAIL</p> <span><input name="userEmail" type="text" class="textbox"></span> </div> <div> <p>MOBILE</p> <span><input name="userPhone" type="text" class="textbox"></span> </div> <div> <p>SUBJECT</p> <span><textarea name="userMsg"> </textarea></span> </div> <div> <input type="submit" value="submit us"> </div> </form> </div> </div> <div class="clear"></div> </div> </div> </div> <!---- footer ----> <div class="footer"> <div class="container"> <div class="footer-grids"> <div class="col-md-3 footer-grid ftr-sec"> <h3>Navigation</h3> <ul> <li><a href="#">Home</a></li> <li><a href="#">About</a></li> <li><a href="#">Services</a></li> <li><a href="#">Portfolio</a></li> <li><a href="#">Products</a></li> <li><a href="#">Contact</a></li> </ul> </div> <div class="col-md-3 footer-grid ftr-sec wow fadeInRight" data-wow-delay="0.4s"> <h3>Follows</h3> <ul class="social-icons"> <li><a class="twitter" href="#"><span> </span>twitter</a></li> <li><a class="facebook" href="#"><span> </span>Facebook</a></li> <li><a class="googlepluse" href="#"><span> </span>google+</a></li> </ul> </div> <div class="col-md-3 footer-grid ftr-sec ftr wow fadeInRight" data-wow-delay="0.4s"> <h3>Our Location</h3> <ul class="location"> <li><a class="hm" href="#"><span> </span>29Lvnan Rd, Xuejia Town, Changzhou,Jiangsu,China</a></li> <li><a class="phn" href="#"><span> </span>Mob:0086-15261119179</a></li> </ul> </div> <div class="clearfix"> </div> </div> <p class="copy-right wow bounceInRight" data-wow-delay="0.4s"">Copyright &copy; 2015. Changzhou Hangyuan Machinery Co.,Ltd All rights reserved</p> </div> </div> <!---- footer ----> </body> </html>
正则表达式 关于转义符的替换
在javascrpt中,有下面的内容[code="java"] msglistValue = '{"totalProperty":24,"dataList":[{"typeSign":"site_unread","msgContent":"<img alt=\"\" src=\"/components/FCKeditor/editor/images/smiley/msn/tounge_smile.gif\" /><\/p><p><font >发件人:88001223<\/font><\/p><p><font color=\"#c0c0c0\">发件时间:2009-5-26 12:32:7<\/font><\/p>","msgSubject":"send mesgddddd","sender":"88001223","status":"success","senderId":"6562","sign":"unread","msgId":"637","activityId":"0","receiver":"88001223","receiverId":"6562","label":"common","msgType":"site","source":"msg","priority":"normal","sendDate":"2009-06-26"},{"typeSign":"site_read","msgContent":"beyond 1983---1993","msgSubject":"反复反复反复反复反复发放","sender":"88001231","status":"success","senderId":"6569","sign":"read","msgId":"636","activityId":"0","receiver":"88001223","receiverId":"6562","label":"common","msgType":"site","source":"msg","priority":"normal","sendDate":"2009-06-22"}]}';[/code] 要把内容中的【\"】 替换成[\\\"] ,原因是在Ext.util.decode(msglistValue );回报【无法解析字符】。 球各位达人 多多帮忙 ,着急啊
.net生成大量静态页面速度问题(新手)
.net生成大量静态页面速度太慢,想使用多线程解决这个问题。但不会用。请大家帮忙!!!!现在1000多条新闻要三四分钟。 附上需要修改的代码: ``` protected void wznewxq_Click(object sender, EventArgs e) { string q1 = "select NS_Id from NewsSort where NS_Stop=0 order by NS_Order desc"; DataSet qq1 = DBHelper.GetDataSet(q1); int a = 0; for (int q = 0; q < qq1.Tables[0].Rows.Count; q++) { string w1 = "select * from News,NewsSort where News.N_Sortid=NewsSort.NS_Id and N_Sortid=" + qq1.Tables[0].Rows[q]["NS_Id"] + " and N_Show=1 order by N_Order desc"; DataSet ww1 = DBHelper.GetDataSet(w1); string w2 = "select top 1 N_Order from News where N_Sortid=" + qq1.Tables[0].Rows[q]["NS_Id"] + " and N_Show=1 order by N_Order desc"; DataSet ww2 = DBHelper.GetDataSet(w2); string w3 = "select top 1 N_Order from News where N_Sortid=" + qq1.Tables[0].Rows[q]["NS_Id"] + " and N_Show=1 order by N_Order asc"; DataSet ww3 = DBHelper.GetDataSet(w3); for (int m = 0; m < ww1.Tables[0].Rows.Count; m++) { //替换掉模板中的特征字符 string mbPath = Server.MapPath("/manager/n134.html"); Encoding code = Encoding.GetEncoding("UTF-8"); StreamReader sr = null; StreamWriter sw = null; string str = null; //读取 try { sr = new StreamReader(mbPath, code); str = sr.ReadToEnd(); } catch (Exception ex) { throw ex; } finally { sr.Close(); } Inittail(); Inittop(); StringBuilder sq = new StringBuilder(); sq.Append("<div class=\"ncont_page\">" + "\n"); if (Convert.ToString(ww1.Tables[0].Rows[m]["N_Order"]) == Convert.ToString(ww2.Tables[0].Rows[0]["N_Order"]) && Convert.ToString(ww1.Tables[0].Rows[m]["N_Order"]) == Convert.ToString(ww3.Tables[0].Rows[0]["N_Order"])) { sq.Append("<p class=\"l\">上一篇:没有了</p>" + "\n"); sq.Append("<p class=\"r\">下一篇:没有了</p>" + "\n"); } else if (Convert.ToString(ww1.Tables[0].Rows[m]["N_Order"]) == Convert.ToString(ww2.Tables[0].Rows[0]["N_Order"]) && Convert.ToString(ww1.Tables[0].Rows[m]["N_Order"]) != Convert.ToString(ww3.Tables[0].Rows[0]["N_Order"])) { string r2 = "select top 1 N_Url,N_Name from News where N_Order < " + ww1.Tables[0].Rows[m]["N_Order"] + " and N_Show=1 and N_Sortid=" + qq1.Tables[0].Rows[q]["NS_Id"] + " order by N_Order desc"; DataSet t2 = DBHelper.GetDataSet(r2); sq.Append("<p class=\"l\">上一篇:没有了</p>" + "\n"); sq.Append("<p class=\"r\">下一篇:<a href = \"" + t2.Tables[0].Rows[0]["N_Url"] + "\" title=\"" + t2.Tables[0].Rows[0]["N_Name"] + "\">" + t2.Tables[0].Rows[0]["N_Name"] + "</a></p>" + "\n"); } else if (Convert.ToString(ww1.Tables[0].Rows[m]["N_Order"]) == Convert.ToString(ww3.Tables[0].Rows[0]["N_Order"]) && Convert.ToString(ww1.Tables[0].Rows[m]["N_Order"]) != Convert.ToString(ww2.Tables[0].Rows[0]["N_Order"])) { string r1 = "select top 1 N_Url,N_Name from News where N_Order > " + ww1.Tables[0].Rows[m]["N_Order"] + " and N_Show=1 and N_Sortid=" + qq1.Tables[0].Rows[q]["NS_Id"] + " order by N_Order asc"; DataSet t1 = DBHelper.GetDataSet(r1); sq.Append("<p class=\"l\">上一篇:<a href = \"" + t1.Tables[0].Rows[0]["N_Url"] + "\" title=\"" + t1.Tables[0].Rows[0]["N_Name"] + "\">" + t1.Tables[0].Rows[0]["N_Name"] + "</a></p>" + "\n"); sq.Append("<p class=\"r\">下一篇:没有了 </p>" + "\n"); } else { string r1 = "select top 1 N_Url,N_Name from News where N_Order > " + ww1.Tables[0].Rows[m]["N_Order"] + " and N_Show=1 and N_Sortid=" + qq1.Tables[0].Rows[q]["NS_Id"] + " order by N_Order asc"; DataSet t1 = DBHelper.GetDataSet(r1); string r2 = "select top 1 N_Url,N_Name from News where N_Order < " + ww1.Tables[0].Rows[m]["N_Order"] + " and N_Show=1 and N_Sortid=" + qq1.Tables[0].Rows[q]["NS_Id"] + " order by N_Order desc"; DataSet t2 = DBHelper.GetDataSet(r2); sq.Append("<p class=\"l\">上一篇:<a href = \"" + t1.Tables[0].Rows[0]["N_Url"] + "\" title=\"" + t1.Tables[0].Rows[0]["N_Name"] + "\">" + t1.Tables[0].Rows[0]["N_Name"] + "</a></p>" + "\n"); sq.Append("<p class=\"r\">下一篇:<a href = \"" + t2.Tables[0].Rows[0]["N_Url"] + "\" title=\"" + t2.Tables[0].Rows[0]["N_Name"] + "\">" + t2.Tables[0].Rows[0]["N_Name"] + "</a></p>" + "\n"); } sq.Append("</div>" + "\n"); string[] ids; string sn = ww1.Tables[0].Rows[m]["N_Pid"].ToString(); StringBuilder xa1 = new StringBuilder(); StringBuilder xa = new StringBuilder(); if (sn != "") { xa.Append("<div id=\"pro\" class=\"proj_pro\">" + "\n"); xa.Append("<h2>相关产品</h2>" + "\n"); xa.Append("<ul>" + "\n"); ids = sn.Split(','); if (ids.Length >= 4) { for (int k = 0; k < 4; k++) { int id = Convert.ToInt32(ids[k]); string wa = "select P_Url,P_Pic,P_Name from Product where P_Id=" + id + ""; DataSet ws = DBHelper.GetDataSet(wa); xa.Append("<li>" + "\n"); xa.Append("<a href=\"" + ws.Tables[0].Rows[0]["P_Url"] + "\"><img src=\"" + ws.Tables[0].Rows[0]["P_Pic"] + "\" alt=\"" + ws.Tables[0].Rows[0]["P_Name"] + "\" /></a>" + "\n"); xa.Append("<a href=\"" + ws.Tables[0].Rows[0]["P_Url"] + "\">" + "\n"); xa.Append("<p>" + ws.Tables[0].Rows[0]["P_Name"] + "</p>" + "\n"); xa.Append("</a>" + "\n"); xa.Append("</li>" + "\n"); } } else { for (int k = 0; k < ids.Length; k++) { int id = Convert.ToInt32(ids[k]); string wa = "select P_Url,P_Pic,P_Name from Product where P_Id=" + id + ""; DataSet ws = DBHelper.GetDataSet(wa); xa.Append("<li>" + "\n"); xa.Append("<a href=\"" + ws.Tables[0].Rows[0]["P_Url"] + "\">" + "\n"); xa.Append("<img src=\"" + ws.Tables[0].Rows[0]["P_Pic"] + "\" alt=\"" + ws.Tables[0].Rows[0]["P_Name"] + "\" /></a>" + "\n"); xa.Append("<a href=\"" + ws.Tables[0].Rows[0]["P_Url"] + "\">" + "\n"); xa.Append("<p>" + ws.Tables[0].Rows[0]["P_Name"] + "</p>" + "\n"); xa.Append("</a>" + "\n"); xa.Append("</li>" + "\n"); } } xa.Append("</ul>" + "\n"); xa.Append("</div>" + "\n"); } string[] idm; string snm = ww1.Tables[0].Rows[m]["N_Nlistid"].ToString(); StringBuilder mm1 = new StringBuilder(); if (snm != "") { mm1.Append("<div id =\"rptnews\" class=\"ncont_news\">" + "\n"); mm1.Append("<h2>相关新闻</h2>" + "\n"); mm1.Append("<ul>" + "\n"); idm = snm.Split(','); for (int k = 0; k < idm.Length; k++) { int id = Convert.ToInt32(idm[k]); string wa = "select * from News where N_Id=" + id + ""; DataSet ws = DBHelper.GetDataSet(wa); mm1.Append("<li>" + "\n"); mm1.Append("<a href =\"" + ws.Tables[0].Rows[0]["N_Url"] + "\">" + ws.Tables[0].Rows[0]["N_Name"] + "</a>" + "\n"); mm1.Append("</li>" + "\n"); } mm1.Append("</ul>" + "\n"); mm1.Append("</div>" + "\n"); } string mx1 = mm1.ToString(); string xx1 = xa.ToString(); string st = sq.ToString(); string biaoti = ww1.Tables[0].Rows[m]["N_Name"].ToString(); string Ncaption = ww1.Tables[0].Rows[m]["N_Title"].ToString(); string Nkeyword = ww1.Tables[0].Rows[m]["N_Keywords"].ToString(); string Ndescribe = ww1.Tables[0].Rows[m]["N_Description"].ToString(); string dizhi = ww1.Tables[0].Rows[m]["NS_Name"].ToString(); string weizhi = ww1.Tables[0].Rows[m]["NS_Url"].ToString(); string time = ww1.Tables[0].Rows[m]["N_Date"].ToString(); string conter = ww1.Tables[0].Rows[m]["N_Content"].ToString(); //根据时间自动重命名,扩展名也可以自行修改 str = str.Replace("$stm$", st); str = str.Replace("$mx1$", mx1); str = str.Replace("$xx1$", xx1); str = str.Replace("$top$", top); str = str.Replace("$tail$", tail); str = str.Replace("$time$", time); str = str.Replace("$conter$", conter); str = str.Replace("$Ndescribe$", Ndescribe); str = str.Replace("$Nkeyword$", Nkeyword); str = str.Replace("$biaoti$", biaoti); str = str.Replace("$weizhi$", weizhi); str = str.Replace("$dizhi$", dizhi); str = str.Replace("$Ncaption$", Ncaption); string fileName = "" + ww1.Tables[0].Rows[m]["N_Url"] + ""; //生成静态文件 try { sw = new StreamWriter(Server.MapPath("/") + fileName, false, code); sw.Write(str); sw.Flush(); } catch (Exception ex) { throw ex; } finally { sw.Close(); } a = m; } } Response.Write("<script>alert('共生成了" + a + "个页面。')</script>"); } ```
opencv svm detector该怎么写?
我用64*128的图片,hog特征+svm可以成功检测出行人。但是换成64*64尺寸的图片,可以训练出svm模型,但是检测时会出错,觉得应该是detector的问题,但是不知道该怎么重写? 对提取好的HogFeatureMat进行pca降维后检测同样会出现类似的错误。detector该怎么重写,里面哪些参数需要调整?谢谢。代码如下 ``` #include <iostream> #include <fstream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/objdetect/objdetect.hpp> #include <opencv2/ml/ml.hpp> using namespace std; using namespace cv; #define PosSamNO 1114 //正样本个数 #define NegSamNO 12180 //负样本个数 #define TRAIN false//是否进行训练,true表示重新训练,false表示读取xml文件中的SVM模型 #define CENTRAL_CROP false //true:训练时,对96*160的INRIA正样本图片剪裁出中间的64*128大小人体 //HardExample:负样本个数。如果HardExampleNO大于0,表示处理完初始负样本集后,继续处理HardExample负样本集。 //不使用HardExample时必须设置为0,因为特征向量矩阵和特征类别矩阵的维数初始化时用到这个值 #define HardExampleNO 433 //继承自CvSVM的类,因为生成setSVMDetector()中用到的检测子参数时,需要用到训练好的SVM的decision_func参数, //但通过查看CvSVM源码可知decision_func参数是protected类型变量,无法直接访问到,只能继承之后通过函数访问 class MySVM : public CvSVM { public: //获得SVM的决策函数中的alpha数组 double * get_alpha_vector() { return this->decision_func->alpha; } //获得SVM的决策函数中的rho参数,即偏移量 float get_rho() { return this->decision_func->rho; } }; int main() { //检测窗口(64,128),块尺寸(16,16),块步长(8,8),cell尺寸(8,8),直方图bin个数9 HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG检测器,用来计算HOG描述子的 int DescriptorDim;//HOG描述子的维数,由图片大小、检测窗口大小、块大小、细胞单元中直方图bin个数决定 MySVM svm;//SVM分类器 //若TRAIN为true,重新训练分类器 if(TRAIN) { string ImgName;//图片名(绝对路径) ifstream finPos("d:/hogmit/pos/pos.txt");//正样本图片的文件名列表 //ifstream finPos("PersonFromVOC2012List.txt");//正样本图片的文件名列表 ifstream finNeg("d:/hogmit/neg/neg.txt");//负样本图片的文件名列表 Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数 Mat sampleLabelMat;//训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,-1表示无人 //依次读取正样本图片,生成HOG描述子 for(int num=0; num<PosSamNO && getline(finPos,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; //ImgName = "D:\\DataSet\\PersonFromVOC2012\\" + ImgName;//加上正样本的路径名 ImgName = "d:/hogmit/pos/" + ImgName;//加上正样本的路径名 Mat src = imread(ImgName);//读取图片 if(CENTRAL_CROP) src = src(Rect(16,16,64,128));//将96*160的INRIA正样本图片剪裁为64*128,即剪去上下左右各16个像素 //resize(src,src,Size(64,128)); vector<float> descriptors;//HOG描述子向量 hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) // cout<<"描述子维数:"<<descriptors.size()<<endl; //处理第一个样本时初始化特征向量矩阵和类别矩阵,因为只有知道了特征向量的维数才能初始化特征向量矩阵 if( 0 == num ) { DescriptorDim = descriptors.size();//HOG描述子的维数 //初始化所有训练样本的特征向量组成的矩阵,行数等于所有样本的个数,列数等于HOG描述子维数sampleFeatureMat sampleFeatureMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, DescriptorDim, CV_32FC1); //初始化训练样本的类别向量,行数等于所有样本的个数,列数等于1;1表示有人,0表示无人 sampleLabelMat = Mat::zeros(PosSamNO+NegSamNO+HardExampleNO, 1, CV_32FC1); } //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num,i) = descriptors[i];//第num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num,0) = 1;//正样本类别为1,有人 } //依次读取负样本图片,生成HOG描述子 for(int num=0; num<NegSamNO && getline(finNeg,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; ImgName = "d:/hogmit/neg/" + ImgName;//加上负样本的路径名 Mat src = imread(ImgName);//读取图片 //resize(src,img,Size(64,128)); vector<float> descriptors;//HOG描述子向量 hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //cout<<"描述子维数:"<<descriptors.size()<<endl; //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num+PosSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num+PosSamNO,0) = -1;//负样本类别为-1,无人 } //处理HardExample负样本 if(HardExampleNO > 0) { ifstream finHardExample("d:/hogmit/hard/hard.txt");//HardExample负样本的文件名列表 //依次读取HardExample负样本图片,生成HOG描述子 for(int num=0; num<HardExampleNO && getline(finHardExample,ImgName); num++) { cout<<"处理:"<<ImgName<<endl; ImgName = "d:/hogmit/hard/" + ImgName;//加上HardExample负样本的路径名 Mat src = imread(ImgName);//读取图片 //resize(src,img,Size(64,128)); vector<float> descriptors;//HOG描述子向量 hog.compute(src,descriptors,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //cout<<"描述子维数:"<<descriptors.size()<<endl; //将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat for(int i=0; i<DescriptorDim; i++) sampleFeatureMat.at<float>(num+PosSamNO+NegSamNO,i) = descriptors[i];//第PosSamNO+num个样本的特征向量中的第i个元素 sampleLabelMat.at<float>(num+PosSamNO+NegSamNO,0) = -1;//负样本类别为-1,无人 } } //输出样本的HOG特征向量矩阵到文件 ofstream fout("d:/hogmit/SampleFeatureMat.txt"); for(int i=0; i<PosSamNO+NegSamNO; i++) { fout<<i<<endl; for(int j=0; j<DescriptorDim; j++) { fout<<sampleFeatureMat.at<float>(i,j)<<" "; } fout<<endl; } //训练SVM分类器 //迭代终止条件,当迭代满1000次或误差小于FLT_EPSILON时停止迭代 CvTermCriteria criteria = cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 1000, FLT_EPSILON); //SVM参数:SVM类型为C_SVC;线性核函数;松弛因子C=0.01 CvSVMParams param(CvSVM::C_SVC, CvSVM::LINEAR, 0, 1, 0, 0.01, 0, 0, 0, criteria); cout<<"开始训练SVM分类器"<<endl; svm.train(sampleFeatureMat,sampleLabelMat, Mat(), Mat(), param);//训练分类器 cout<<"训练完成"<<endl; svm.save("d:/hogmit/SVM_HOG_mit_inria(1114pos+12180neg+433hard).xml");//将训练好的SVM模型保存为xml文件 } else //若TRAIN为false,从XML文件读取训练好的分类器 { cout<<"fail train"<<endl; //svm.load("SVM_HOG_2400PosINRIA_12000Neg_HardExample(误报少了漏检多了).xml");//从XML文件读取训练好的SVM模型 svm.load("d:/hogmit/SVM_HOG_2400PosINRIA_12000Neg_HardExample(误报少了漏检多了).xml"); } /************************************************************************************************* 线性SVM训练完成后得到的XML文件里面,有一个数组,叫做support vector,还有一个数组,叫做alpha,有一个浮点数,叫做rho; 将alpha矩阵同support vector相乘,注意,alpha*supportVector,将得到一个列向量。之后,再该列向量的最后添加一个元素rho。 如此,变得到了一个分类器,利用该分类器,直接替换opencv中行人检测默认的那个分类器(cv::HOGDescriptor::setSVMDetector()), 就可以利用你的训练样本训练出来的分类器进行行人检测了。 ***************************************************************************************************/ DescriptorDim = svm.get_var_count();//特征向量的维数,即HOG描述子的维数 int supportVectorNum = svm.get_support_vector_count();//支持向量的个数 cout<<"支持向量个数:"<<supportVectorNum<<endl; Mat alphaMat = Mat::zeros(1, supportVectorNum, CV_32FC1);//alpha向量,长度等于支持向量个数 Mat supportVectorMat = Mat::zeros(supportVectorNum, DescriptorDim, CV_32FC1);//支持向量矩阵 Mat resultMat = Mat::zeros(1, DescriptorDim, CV_32FC1);//alpha向量乘以支持向量矩阵的结果 //将支持向量的数据复制到supportVectorMat矩阵中 for(int i=0; i<supportVectorNum; i++) { const float * pSVData = svm.get_support_vector(i);//返回第i个支持向量的数据指针 for(int j=0; j<DescriptorDim; j++) { //cout<<pData[j]<<" "; supportVectorMat.at<float>(i,j) = pSVData[j]; } } //将alpha向量的数据复制到alphaMat中 double * pAlphaData = svm.get_alpha_vector();//返回SVM的决策函数中的alpha向量 for(int i=0; i<supportVectorNum; i++) { alphaMat.at<float>(0,i) = pAlphaData[i]; } //计算-(alphaMat * supportVectorMat),结果放到resultMat中 //gemm(alphaMat, supportVectorMat, -1, 0, 1, resultMat);//不知道为什么加负号? resultMat = -1 * alphaMat * supportVectorMat; //得到最终的setSVMDetector(const vector<float>& detector)参数中可用的检测子 vector<float> myDetector; //将resultMat中的数据复制到数组myDetector中 for(int i=0; i<DescriptorDim; i++) { myDetector.push_back(resultMat.at<float>(0,i)); } //最后添加偏移量rho,得到检测子 myDetector.push_back(svm.get_rho()); cout<<"检测子维数:"<<myDetector.size()<<endl; //设置HOGDescriptor的检测子 HOGDescriptor myHOG; myHOG.setSVMDetector(myDetector); //myHOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector()); //保存检测子参数到文件 ofstream fout("d:/hogmit/HOGDetectorForOpenCV.txt"); for(int i=0; i<myDetector.size(); i++) { fout<<myDetector[i]<<endl; } /**************读入图片进行HOG行人检测******************/ Mat src = imread("d:/hogmit/无标题.png"); //Mat src = imread("2007_000423.jpg"); //Mat src = imread("1.png"); vector<Rect> found, found_filtered;//矩形框数组 cout<<"进行多尺度HOG人体检测"<<endl; myHOG.detectMultiScale(src, found, 0, Size(8,8), Size(32,32), 1.05, 2);//对图片进行多尺度行人检测 //src为输入待检测的图片;found为检测到目标区域列表;参数3为程序内部计算为行人目标的阈值,也就是检测到的特征到SVM分类超平面的距离; //参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍;参数5为图像扩充的大小;参数6为比例系数,即测试图片每次尺寸缩放增加的比例; //参数7为组阈值,即校正系数,当一个目标被多个窗口检测出来时,该参数此时就起了调节作用,为0时表示不起调节作用。 cout<<"找到的矩形框个数:"<<found.size()<<endl; //找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的话,则取外面最大的那个矩形框放入found_filtered中 for(int i=0; i < found.size(); i++) { Rect r = found[i]; int j=0; for(; j < found.size(); j++) if(j != i && (r & found[j]) == r) break; if( j == found.size()) found_filtered.push_back(r); } //画矩形框,因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要做一些调整 for(int i=0; i<found_filtered.size(); i++) { Rect r = found_filtered[i]; r.x += cvRound(r.width*0.1); r.width = cvRound(r.width*0.8); r.y += cvRound(r.height*0.07); r.height = cvRound(r.height*0.8); rectangle(src, r.tl(), r.br(), Scalar(0,255,0), 3); } imwrite("d:/hogmit/ImgProcessed3.jpg",src); namedWindow("src",0); imshow("src",src); waitKey();//注意:imshow之后必须加waitKey,否则无法显示图像 /******************读入单个64*128的测试图并对其HOG描述子进行分类*********************/ ////读取测试图片(64*128大小),并计算其HOG描述子 //Mat testImg = imread("person014142.jpg"); //Mat testImg = imread("noperson000026.jpg"); //vector<float> descriptor; //hog.compute(testImg,descriptor,Size(8,8));//计算HOG描述子,检测窗口移动步长(8,8) //Mat testFeatureMat = Mat::zeros(1,3780,CV_32FC1);//测试样本的特征向量矩阵 //将计算好的HOG描述子复制到testFeatureMat矩阵中 //for(int i=0; i<descriptor.size(); i++) // testFeatureMat.at<float>(0,i) = descriptor[i]; //用训练好的SVM分类器对测试图片的特征向量进行分类 //int result = svm.predict(testFeatureMat);//返回类标 //cout<<"分类结果:"<<result<<endl; system("pause"); } ```
动态规划入门到熟悉,看不懂来打我啊
持续更新。。。。。。 2.1斐波那契系列问题 2.2矩阵系列问题 2.3跳跃系列问题 3.1 01背包 3.2 完全背包 3.3多重背包 3.4 一些变形选讲 2.1斐波那契系列问题 在数学上,斐波纳契数列以如下被以递归的方法定义:F(0)=0,F(1)=1, F(n)=F(n-1)+F(n-2)(n&gt;=2,n∈N*)根据定义,前十项为1, 1, 2, 3...
终于明白阿里百度这样的大公司,为什么面试经常拿ThreadLocal考验求职者了
点击上面↑「爱开发」关注我们每晚10点,捕获技术思考和创业资源洞察什么是ThreadLocalThreadLocal是一个本地线程副本变量工具类,各个线程都拥有一份线程私...
对计算机专业来说学历真的重要吗?
我本科学校是渣渣二本,研究生学校是985,现在毕业五年,校招笔试、面试,社招面试参加了两年了,就我个人的经历来说下这个问题。 这篇文章很长,但绝对是精华,相信我,读完以后,你会知道学历不好的解决方案,记得帮我点赞哦。 先说结论,无论赞不赞同,它本质就是这样:对于技术类工作而言,学历五年以内非常重要,但有办法弥补。五年以后,不重要。 目录: 张雪峰讲述的事实 我看到的事实 为什么会这样 ...
Java学习的正确打开方式
在博主认为,对于入门级学习java的最佳学习方法莫过于视频+博客+书籍+总结,前三者博主将淋漓尽致地挥毫于这篇博客文章中,至于总结在于个人,实际上越到后面你会发现学习的最好方式就是阅读参考官方文档其次就是国内的书籍,博客次之,这又是一个层次了,这里暂时不提后面再谈。博主将为各位入门java保驾护航,各位只管冲鸭!!!上天是公平的,只要不辜负时间,时间自然不会辜负你。 何谓学习?博主所理解的学习,它是一个过程,是一个不断累积、不断沉淀、不断总结、善于传达自己的个人见解以及乐于分享的过程。
程序员必须掌握的核心算法有哪些?
由于我之前一直强调数据结构以及算法学习的重要性,所以就有一些读者经常问我,数据结构与算法应该要学习到哪个程度呢?,说实话,这个问题我不知道要怎么回答你,主要取决于你想学习到哪些程度,不过针对这个问题,我稍微总结一下我学过的算法知识点,以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的,并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构,当然,我也会整理一些看过
大学四年自学走来,这些私藏的实用工具/学习网站我贡献出来了
大学四年,看课本是不可能一直看课本的了,对于学习,特别是自学,善于搜索网上的一些资源来辅助,还是非常有必要的,下面我就把这几年私藏的各种资源,网站贡献出来给你们。主要有:电子书搜索、实用工具、在线视频学习网站、非视频学习网站、软件下载、面试/求职必备网站。 注意:文中提到的所有资源,文末我都给你整理好了,你们只管拿去,如果觉得不错,转发、分享就是最大的支持了。 一、电子书搜索 对于大部分程序员...
Python 植物大战僵尸代码实现(2):植物卡片选择和种植
这篇文章要介绍的是: - 上方植物卡片栏的实现。 - 点击植物卡片,鼠标切换为植物图片。 - 鼠标移动时,判断当前在哪个方格中,并显示半透明的植物作为提示。
防劝退!数据结构和算法难理解?可视化动画带你轻松透彻理解!
大家好,我是 Rocky0429,一个连数据结构和算法都不会的蒟蒻… 学过数据结构和算法的都知道这玩意儿不好学,没学过的经常听到这样的说法还没学就觉得难,其实难吗?真难! 难在哪呢?当年我还是个小蒟蒻,初学数据结构和算法的时候,在忍着枯燥看完定义原理,之后想实现的时候,觉得它们的过程真的是七拐八绕,及其难受。 在简单的链表、栈和队列这些我还能靠着在草稿上写写画画理解过程,但是到了数论、图...
【搞定 Java 并发面试】面试最常问的 Java 并发基础常见面试题总结!
本文为 SnailClimb 的原创,目前已经收录自我开源的 JavaGuide 中(61.5 k Star!【Java学习 面试指南】 一份涵盖大部分Java程序员所需要掌握的核心知识。欢迎 Star!)。 另外推荐一篇原创:终极推荐!可能是最适合你的Java学习路线 方法 网站 书籍推荐! Java 并发基础常见面试题总结 1. 什么是线程和进程? 1.1. 何为进程? 进程是程...
西游记团队中如果需要裁掉一个人,会先裁掉谁?
2019年互联网寒冬,大批企业开始裁员,下图是网上流传的一张截图: 裁员不可避免,那如何才能做到不管大环境如何变化,自身不受影响呢? 我们先来看一个有意思的故事,如果西游记取经团队需要裁员一名,会裁掉谁呢,为什么? 西游记团队组成: 1.唐僧 作为团队teamleader,有很坚韧的品性和极高的原则性,不达目的不罢休,遇到任何问题,都没有退缩过,又很得上司支持和赏识(直接得到唐太宗的任命,既给
shell脚本:备份数据库、代码上线
备份MySQL数据库 场景: 一台MySQL服务器,跑着5个数据库,在没有做主从的情况下,需要对这5个库进行备份 需求: 1)每天备份一次,需要备份所有的库 2)把备份数据存放到/data/backup/下 3)备份文件名称格式示例:dbname-2019-11-23.sql 4)需要对1天以前的所有sql文件压缩,格式为gzip 5)本地数据保留1周 6)需要把备份的数据同步到远程备份中心,假如...
iOS Bug 太多,苹果终于坐不住了!
开源的 Android 和闭源的 iOS,作为用户的你,更偏向哪一个呢? 整理 | 屠敏 出品 | CSDN(ID:CSDNnews) 毋庸置疑,当前移动设备操作系统市场中,Android 和 iOS 作为两大阵营,在相互竞争的同时不断演进。不过一直以来,开源的 Android 吸引了无数的手机厂商涌入其中,为其生态带来了百花齐放的盛景,但和神秘且闭源的 iOS 系统相比,不少网友...
神经⽹络可以计算任何函数的可视化证明
《Neural Networks and Deep Learning》读书笔记第四篇本章其实和前面章节的关联性不大,所以大可将本章作为小短文来阅读,当然基本的深度学习基础还是要有的。主要介绍了神经⽹络拥有的⼀种普遍性,比如说不管目标函数是怎样的,神经网络总是能够对任何可能的输入,其值(或者说近似值)是网络的输出,哪怕是多输入和多输出也是如此,我们大可直接得出一个结论:不论我们想要计算什么样的函数,...
聊聊C语言和指针的本质
坐着绿皮车上海到杭州,24块钱,很宽敞,在火车上非正式地聊几句。 很多编程语言都以 “没有指针” 作为自己的优势来宣传,然而,对于C语言,指针却是与生俱来的。 那么,什么是指针,为什么大家都想避开指针。 很简单, 指针就是地址,当一个地址作为一个变量存在时,它就被叫做指针,该变量的类型,自然就是指针类型。 指针的作用就是,给出一个指针,取出该指针指向地址处的值。为了理解本质,我们从计算机模型说起...
为什么你学不过动态规划?告别动态规划,谈谈我的经验
动态规划难吗?说实话,我觉得很难,特别是对于初学者来说,我当时入门动态规划的时候,是看 0-1 背包问题,当时真的是一脸懵逼。后来,我遇到动态规划的题,看的懂答案,但就是自己不会做,不知道怎么下手。就像做递归的题,看的懂答案,但下不了手,关于递归的,我之前也写过一篇套路的文章,如果对递归不大懂的,强烈建议看一看:为什么你学不会递归,告别递归,谈谈我的经验 对于动态规划,春招秋招时好多题都会用到动态...
程序员一般通过什么途径接私活?
二哥,你好,我想知道一般程序猿都如何接私活,我也想接,能告诉我一些方法吗? 上面是一个读者“烦不烦”问我的一个问题。其实不止是“烦不烦”,还有很多读者问过我类似这样的问题。 我接的私活不算多,挣到的钱也没有多少,加起来不到 20W。说实话,这个数目说出来我是有点心虚的,毕竟太少了,大家轻喷。但我想,恰好配得上“一般程序员”这个称号啊。毕竟苍蝇再小也是肉,我也算是有经验的人了。 唾弃接私活、做外...
字节跳动面试官这样问消息队列:分布式事务、重复消费、顺序消费,我整理了一下
你知道的越多,你不知道的越多 点赞再看,养成习惯 GitHub上已经开源 https://github.com/JavaFamily 有一线大厂面试点脑图、个人联系方式和人才交流群,欢迎Star和完善 前言 消息队列在互联网技术存储方面使用如此广泛,几乎所有的后端技术面试官都要在消息队列的使用和原理方面对小伙伴们进行360°的刁难。 作为一个在互联网公司面一次拿一次Offer的面霸...
如何安装 IntelliJ IDEA 最新版本——详细教程
IntelliJ IDEA 简称 IDEA,被业界公认为最好的 Java 集成开发工具,尤其在智能代码助手、代码自动提示、代码重构、代码版本管理(Git、SVN、Maven)、单元测试、代码分析等方面有着亮眼的发挥。IDEA 产于捷克,开发人员以严谨著称的东欧程序员为主。IDEA 分为社区版和付费版两个版本。 我呢,一直是 Eclipse 的忠实粉丝,差不多十年的老用户了。很早就接触到了 IDEA...
面试还搞不懂redis,快看看这40道面试题(含答案和思维导图)
Redis 面试题 1、什么是 Redis?. 2、Redis 的数据类型? 3、使用 Redis 有哪些好处? 4、Redis 相比 Memcached 有哪些优势? 5、Memcache 与 Redis 的区别都有哪些? 6、Redis 是单进程单线程的? 7、一个字符串类型的值能存储最大容量是多少? 8、Redis 的持久化机制是什么?各自的优缺点? 9、Redis 常见性...
大学四年自学走来,这些珍藏的「实用工具/学习网站」我全贡献出来了
知乎高赞:文中列举了互联网一线大厂程序员都在用的工具集合,涉及面非常广,小白和老手都可以进来看看,或许有新收获。
为什么要推荐大家学习字节码?
配套视频: 为什么推荐大家学习Java字节码 https://www.bilibili.com/video/av77600176/ 一、背景 本文主要探讨:为什么要学习 JVM 字节码? 可能很多人会觉得没必要,因为平时开发用不到,而且不学这个也没耽误学习。 但是这里分享一点感悟,即人总是根据自己已经掌握的知识和技能来解决问题的。 这里有个悖论,有时候你觉得有些技术没用恰恰是...
互联网公司的裁员,能玩出多少种花样?
裁员,也是一门学问,可谓博大精深!以下,是互联网公司的裁员的多种方法:-正文开始-135岁+不予续签的理由:千禧一代网感更强。95后不予通过试用期的理由:已婚已育员工更有责任心。2通知接下来要过苦日子,让一部分不肯同甘共苦的员工自己走人,以“兄弟”和“非兄弟”来区别员工。3强制996。员工如果平衡不了工作和家庭,可在离婚或离职里二选一。4不布置任何工作,但下班前必须提交千字工作日报。5不给活干+...
【超详细分析】关于三次握手与四次挥手面试官想考我们什么?
在面试中,三次握手和四次挥手可以说是问的最频繁的一个知识点了,我相信大家也都看过很多关于三次握手与四次挥手的文章,今天的这篇文章,重点是围绕着面试,我们应该掌握哪些比较重要的点,哪些是比较被面试官给问到的,我觉得如果你能把我下面列举的一些点都记住、理解,我想就差不多了。 三次握手 当面试官问你为什么需要有三次握手、三次握手的作用、讲讲三次三次握手的时候,我想很多人会这样回答: 首先很多人会先讲下握...
新程序员七宗罪
当我发表这篇文章《为什么每个工程师都应该开始考虑开发中的分析和编程技能呢?》时,我从未想到它会对读者产生如此积极的影响。那些想要开始探索编程和数据科学领域的人向我寻求建议;还有一些人问我下一篇文章的发布日期;还有许多人询问如何顺利过渡到这个职业。我非常鼓励大家继续分享我在这个旅程的经验,学习,成功和失败,以帮助尽可能多的人过渡到一个充满无数好处和机会的职业生涯。亲爱的读者,谢谢你。 -罗伯特。 ...
活到老,学到老,程序员也该如此
全文共2763字,预计学习时长8分钟 图片来源:Pixabay 此前,“网传阿里巴巴要求尽快实现P8全员35周岁以内”的消息闹得沸沸扬扬。虽然很快被阿里辟谣,但苍蝇不叮无缝的蛋,无蜜不招彩蝶蜂。消息从何而来?真相究竟怎样?我们无从而知。我们只知道一个事实:不知从何时开始,程序猿也被划在了“吃青春饭”行业之列。 饱受“996ICU”摧残后,好不容易“头秃了变强了”,即将步入为“高...
Vue快速实现通用表单验证
本文开篇第一句话,想引用鲁迅先生《祝福》里的一句话,那便是:“我真傻,真的,我单单知道后端整天都是CRUD,我没想到前端整天都是Form表单”。这句话要从哪里说起呢?大概要从最近半个月的“全栈工程师”说起。项目上需要做一个城市配载的功能,顾名思义,就是通过框选和拖拽的方式在地图上完成配载。博主选择了前后端分离的方式,在这个过程中发现:首先,只要有依赖jQuery的组件,譬如Kendoui,即使使用...
2019年Spring Boot面试都问了什么?快看看这22道面试题!
Spring Boot 面试题 1、什么是 Spring Boot? 2、Spring Boot 有哪些优点? 3、什么是 JavaConfig? 4、如何重新加载 Spring Boot 上的更改,而无需重新启动服务器? 5、Spring Boot 中的监视器是什么? 6、如何在 Spring Boot 中禁用 Actuator 端点安全性? 7、如何在自定义端口上运行 Sprin...
【图解】记一次手撕算法面试:字节跳动的面试官把我四连击了
字节跳动这家公司,应该是所有秋招的公司中,对算法最重视的一个了,每次面试基本都会让你手撕算法,今天这篇文章就记录下当时被问到的几个算法题,并且每个算法题我都详细着给出了最优解,下面再现当时的面试场景。看完一定让你有所收获 一、小牛试刀:有效括号 大部分情况下,面试官都会问一个不怎么难的问题,不过你千万别太开心,因为这道题往往可以拓展出更多有难度的问题,或者一道题看起来很简单,但是给出最优解,确实很...
关于裁员几点看法及建议
最近网易裁员事件引起广泛关注,昨天网易针对此事,也发了声明,到底谁对谁错,孰是孰非?我们作为吃瓜观众实在是知之甚少,所以不敢妄下定论。身处软件开发这个行业,近一两年来,对...
面试官:关于Java性能优化,你有什么技巧
通过使用一些辅助性工具来找到程序中的瓶颈,然后就可以对瓶颈部分的代码进行优化。 一般有两种方案:即优化代码或更改设计方法。我们一般会选择后者,因为不去调用以下代码要比调用一些优化的代码更能提高程序的性能。而一个设计良好的程序能够精简代码,从而提高性能。 下面将提供一些在JAVA程序的设计和编码中,为了能够提高JAVA程序的性能,而经常采用的一些方法和技巧。 1.对象的生成和大小的调整。 J...
【图解算法面试】记一次面试:说说游戏中的敏感词过滤是如何实现的?
版权声明:本文为苦逼的码农原创。未经同意禁止任何形式转载,特别是那些复制粘贴到别的平台的,否则,必定追究。欢迎大家多多转发,谢谢。 小秋今天去面试了,面试官问了一个与敏感词过滤算法相关的问题,然而小秋对敏感词过滤算法一点也没听说过。于是,有了下下事情的发生… 面试官开怼 面试官:玩过王者荣耀吧?了解过敏感词过滤吗?,例如在游戏里,如果我们发送“你在干嘛?麻痹演员啊你?”,由于“麻痹”是一个敏感词,...
程序员需要了解的硬核知识之汇编语言(一)
之前的系列文章从 CPU 和内存方面简单介绍了一下汇编语言,但是还没有系统的了解一下汇编语言,汇编语言作为第二代计算机语言,会用一些容易理解和记忆的字母,单词来代替一个特定的指令,作为高级编程语言的基础,有必要系统的了解一下汇编语言,那么本篇文章希望大家跟我一起来了解一下汇编语言。 汇编语言和本地代码 我们在之前的文章中探讨过,计算机 CPU 只能运行本地代码(机器语言)程序,用 C 语言等高级语...
GitHub 标星 1.6w+,我发现了一个宝藏项目,作为编程新手有福了!
大家好,我是 Rocky0429,一个最近老在 GitHub 上闲逛的蒟蒻… 特别惭愧的是,虽然我很早就知道 GitHub,但是学会逛 GitHub 的时间特别晚。当时一方面是因为菜,看着这种全是英文的东西难受,不知道该怎么去玩,另一方面是一直在搞 ACM,没有做一些工程类的项目,所以想当然的以为和 GitHub 也没什么关系(当然这种想法是错误的)。 后来自己花了一个星期看完了 Pyt...
java知识体系整理,学会了,月入过万不是梦
欢迎关注个人公众号:程序猿学社 前言: 一转眼,工作4年了,正式写博客也有一年多了,之前就有整理和总结的习惯,只是都记录在有道云,感觉知识点都是很凌乱,花时间系统整理下,该文会一直同步更新,有不足之处,希望各位同行指正,既然,选择做技术这行,就得有分享的精神,而不是抱着别人会超过你的心理。希望各位博友们互相交流,互相进步。 目录 java系统学习 小白也能...
2020年去一线大厂面试先过SSM框架源码这一关!
SSM框架介绍 (1)持久层(Mybatis):Dao层(mapper) DAO层:DAO层主要是做数据持久层的工作,负责与数据库进行联络的一些任务都封装在此。 DAO层的设计首先是设计DAO的接口。 然后在Spring的配置文件中定义此接口的实现类。 然后就可在模块中调用此接口来进行数据业务的处理,而不用关心此接口的具体实现类是哪个类,显得结构非常清晰。 DAO层的数据源配置,以及有...
相关热词 c#如何定义数组列表 c#倒序读取txt文件 java代码生成c# c# tcp发送数据 c#解决时间格式带星期 c#类似hashmap c#设置istbox的值 c#获取多线程返回值 c# 包含数字 枚举 c# timespan
立即提问