kw | 易学教程

auto.js简单实现微信操作

阅读更多关于 auto.js简单实现微信操作

前提使用auto.js+mitmproxy抓取微信公众号信息条件安卓机+auto.js软件高版本的安卓机需要修改一下证书的问题，不然抓不到微信的包代码 1.开启auto.js服务通过使用Vs Code开启auto.js服务，并将手机auto.js连接到电脑，并且开启无障碍模式 2.编写脚本打开微信，自动搜索关键词，搜索，自动下滑至最底端 //点击发现 // click("返现"); id("dkb").className("android.widget.TextView").text("发现").findOne().parent().click() sleep(100); // print("132"); //点击搜一搜 click(500,750); sleep(200); // 店家搜索框 id("m7").findOne().click(); sleep(2000); citys = "湖州、绍兴、宁波、嘉兴、丽水、台州、温州、金华、衢州、舟山" var city_list = citys.split("、") for (var ki in city_list){ var kw = city_list[ki] // 输入关键字 id("m7").findOnce().click(); className("android.widget.EditText")

爬虫，第二次实战

阅读更多关于爬虫，第二次实战

import requests header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.4098.3 Safari/537.36'} url = 'https://www.sogou.com/web' kw = input('你想搜啥:') param = {'query':kw} response = requests.get(url=url,params=param,headers=header) page_text = response.text field_name = kw+'.html' with open(field_name,'w',encoding='UTF-8') as Du: Du.write(page_text) print(field_name,'结束战斗！') 实现搜狗网页代码小采集来源： https://www.cnblogs.com/sucanji/p/10829222.html

python中的魔法参数：*args和**kwargs

阅读更多关于 python中的魔法参数：*args和**kwargs

def foo(*args, **kwargs): print 'args = ', args print 'kwargs = ', kwargs print '---------------------------------------' if __name__ == '__main__': foo(1,2,3,4) foo(a=1,b=2,c=3) foo(1,2,3,4, a=1,b=2,c=3) foo('a', 1, None, a=1, b='2', c=3) 输出结果如下： args = (1, 2, 3, 4) kwargs = {} ————————————— args = () kwargs = {‘a’: 1, ‘c’: 3, ‘b’: 2} ————————————— args = (1, 2, 3, 4) kwargs = {‘a’: 1, ‘c’: 3, ‘b’: 2} ————————————— args = (‘a’, 1, None) kwargs = {‘a’: 1, ‘c’: 3, ‘b’: ’2′} ————————————— 可以看到，这两个是python中的可变参数。*args表示任何多个无名参数，它是一个tuple；**kwargs表示关键字参数，它是一个 dict。并且同时使用*args和**kwargs时，必须*args参数列要在

python用类实现装饰器

阅读更多关于 python用类实现装饰器

一般实现python装饰器都是采用方法的模式,看起来有点复杂,模式如下: def send_msg_simple(url): def decorator(func): def wrapper(*args, **kw): func(*args, **kw) group_robot(url, "完毕:%s.%s" % (kw['db'], kw['table'])) return wrapper return decorator 但其实也可以采用类的方式,看起来逻辑更为清晰: class DecoratorTest(object): #定义一个类 def __init__(self,func): self.__func = func def __call__(self): #定义call方法，当直接调用类的时候，运行这里。 print('pre msg') self.__func() print('post msg') @DecoratorTest def test(): print('主函数体') if __name__=='__main__': test() 来源： https://www.cnblogs.com/wangbin2188/p/12098380.html

仿Google自动提示 SearchSuggess

阅读更多关于仿Google自动提示 SearchSuggess

页面： <%@ Page Language="C#" AutoEventWireup="true" CodeFile="Default.aspx.cs" Inherits="_Default" %> <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml"> <head runat="server"> <title>seach</title> <script type="text/javascript" src="jquery.min.js" ></script> <script type="text/javascript" src="js.js"></script> <link href="css.css" rel="stylesheet" type="text/css" /> </head> <body> <form id="form1" runat="server"> <div onClick="keyup_close();"> <ul> <li class="h_14"> <iframe style=

百度贴吧签到（基于python3）

阅读更多关于百度贴吧签到（基于python3）

#!/usr/bin/python3 # -*- coding: UTF-8 -*- # 需要修改kw_list值跟cookie值【登陆百度F12获取】 import json import requests from urllib import parse kw_list=["青岛北站","鲁南高铁","非全日制研","学士学位","曲阜师范大学研究生","金鸡百花电影节","河套街道","荣威rx3","沂南一中","希腊","正商","山东联通","乌克兰", "中华城市","青岛公交","软件考试","正商蓝海港湾","白沙上苑","高密","杜晓伟","爱沙尼亚","拉脱维亚","津巴布韦","奇瑞","知乎","沂南","雪娥","程潇","lantern", "papi酱","兰山","河东","红岛","李沧","青岛高新区","市南","市北","尚硅谷","装修","chrome","崂山","中国海洋大学","青岛大学","驴友","考研","青岛科技大学", "城阳","新加坡","济南","苍月","杜","覃沐曦","黄岛","曲阜师范大学","临沂","andriod","javascript","java","php","wifi破解","胡辰","毕向东","蚂蚁聚宝","罗辑思维121", "罗辑","高晓松","dnf山东五区","李毅",

Selenium+Java（九）Selenium键盘与鼠标事件

阅读更多关于 Selenium+Java（九）Selenium键盘与鼠标事件

一、键盘事件 ctrl+a driver.findElement(By.id("kw")).sendKeys(Keys.CONTROL, "a"); ctrl+x driver.findElement(By.id("kw")).sendKeys(Keys.CONTROL, "x"); ctrl+c driver.findElement(By.id("kw")).sendKeys(Keys.CONTROL, "c"); ctrl+v driver.findElement(By.id("kw")).sendKeys(Keys.CONTROL, "v"); F键操作 //F键需要使用F1-F12 driver.findElement(By.id("kw")).sendKeys(Keys.F5); TAB键 driver.findElement(By.id("kw")).sendKeys(Keys.TAB); 回车键 driver.findElement(By.id("kw")).sendKeys(Keys.ENTER); 空格键 driver.findElement(By.id("kw")).sendKeys(Keys.SPACE); 还有其他键盘的操作，在这里只列举常用的键位。二、鼠标事件右键点击 Actions actions = new Actions(driver); /

python基础 — 参数组合

阅读更多关于 python基础 — 参数组合

参数组合 >>>def f1(a, b, c=0, *args, **kw): ... print('a =', a, 'b =', b, 'c =', c, 'args =', args, 'kw =', kw) >>>def f2(a, b, c=0, *, d, **kw): ... print('a =', a, 'b =', b, 'c =', c, 'd =', d, 'kw =', kw) >>> f1(1, 2) a = 1 b = 2 c = 0 args = () kw = {} >>> f1(1, 2, c=3) a = 1 b = 2 c = 3 args = () kw = {} >>> f1(1, 2, 3, 'a', 'b') a = 1 b = 2 c = 3 args = ('a', 'b') kw = {} >>> f1(1, 2, 3, 'a', 'b', x=99) a = 1 b = 2 c = 3 args = ('a', 'b') kw = {'x': 99} >>> f2(1, 2, d=99, ext=None) a = 1 b = 2 c = 0 d = 99 kw = {'ext': None} 　　来源： https://www.cnblogs.com/chen-jun552/p/11929048.html

【深度学习】VGGNet原理解析及实现

阅读更多关于【深度学习】VGGNet原理解析及实现

【深度学习】VGGNet原理解析及实现很小的卷积（3*3），增加网络深度可以有效提升模型的效果，而且VGGNet对其他数据集具有很好的泛化能力。到目前为止，VGGNet依然经常被用来提取图像特征。反复堆叠3*3的小型卷积核和2*2的最大池化层，VGGNet成功的构筑了16-19层深的CNN。一、VGGNet结构（图6-7），原因为：参数量主要消耗在最后3个全连接层，而前面的卷积层虽然层数多，但消耗的参数量不大。不过，卷积层的训练比较耗时，因为其计算量大。 1*1的卷积层， 1*1卷积的意义在于线性变换，而输入的通道数和输出的通道数不变，没有发生降维。 VGG的性能： VGGNet网络特点： 1. VGGNet拥有5段卷积，每段卷积内有2-3个卷积层，同时每段尾部都会连接一个最大池化层（用来缩小图片）。 2. 每段内的卷积核数量一样，越后边的段内卷积核数量越多，依次为:64-128-256-512-512 3. 越深的网络效果越好。(图6-9) 4. LRN层作用不大（作者结论） 5. 1*1的卷积也是很有效的，但是没有3*3的卷积好，大一些的卷积核可以学习更大的空间特征。为什么一个段内有多个3*3的卷积层堆叠？这是个非常有用的设计。如下图所示，2个3*3的卷积层串联相当于1个5*5的卷积层，即一个像素会跟周围5*5的像素产生关联

tensorflow实现VGGNET

阅读更多关于 tensorflow实现VGGNET

一、VGGNET介绍 VGGNet是牛津大学计算机视觉组(Visual Geometry Group)和Google DeepMind公司一起研发的深度卷积神经网络。VGGNet探索了卷积神经网络的深度和其性能之间的关系，通过反复堆叠3×3的小型卷积核和2×2的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。到目前为止，VGGNet还经常被用来提取图像的特征。VGGNet训练后的模型参数在其官方网站上开源了，可用来在domain specific的图像分类任务上进行再训练(相当于提供了非常好的初始化权重)。下面是VGGNet从11层到19层的结构，VGGNet原文代码和tensorflow的实现请参考链接本文主要介绍使用tensorflow来实现VGGNet16。 VGGNet有5段卷积，每一段内有2~3个卷积层，每段卷积的尾部会连接一个最大池化层来缩小图片的尺寸。每段内的卷积核数量一样，越靠后的段的卷积核数量越多，卷积核数量核段的关系:64-128-256-512-512。在段内有多个完全一样的3×3的卷积层堆叠在一起的情况，在卷积神经网络中这其实是一种非常有用的设计。两个3×3的卷积层串联相当于1个5×5的卷积层，即一个像素会和周围5×5的像素产生关联，也就是感受野为5×5。而3个3×3的卷积层串联的效果则相当于1个7×7的卷积层。同时，3个3

订阅 kw