rfc

HTTP中比较经典的问题，我整理了下网上我读懂的比较好的资料，目前在知乎上看到了好的解释，毕竟是被别人理解过再经过自己表述出来的，相对书本也更容易让人理解些，如下： 1. 原文链接：https://www.zhihu.com/question/28586791/answer/145424285 通常的理解 w3schools关于这个问题的解答： HTTP 方法：GET 对比 POST 列出了一般的理解，比如： GET后退按钮/刷新无害，POST数据会被重新提交（浏览器应该告知用户数据会被重新提交）。 GET书签可收藏，POST为书签不可收藏。 GET能被缓存，POST不能缓存 。 GET编码类型application/x-www-form-url，POST编码类型encodedapplication/x-www-form-urlencoded 或 multipart/form-data。为二进制数据使用多重编码。 GET历史参数保留在浏览器历史中。POST参数不会保存在浏览器历史中。 GET对数据长度有限制，当发送数据时，GET 方法向 URL 添加数据；URL 的长度是受限制的（URL 的最大长度是 2048 个字符）。POST无限制。 GET只允许 ASCII 字符。POST没有限制。也允许二进制数据。 与 POST 相比，GET 的安全性较差，因为所发送的数据是 URL

曾经以为保留地址下面三类.原来使用中还有很多的. A类 10.0.0.0--10.255.255.255 B类 172.16.0.0--172.31.255.255 C类 192.168.0.0--192.168.255.255 Address Block Name RFC 0.0.0.0/8 "This host on this network" [RFC1122], section 3.2.1.3 10.0.0.0/8 Private-Use [RFC1918] 100.64.0.0/10 Shared Address Space [RFC6598] 127.0.0.0/8 Loopback [RFC1122], section 3.2.1.3 169.254.0.0/16 Link Local [RFC3927] 172.16.0.0/12 Private-Use [RFC1918] 192.0.0.0/24[2] IETF Protocol Assignments [RFC6890], section 2.1 192.0.0.0/29 IPv4 Service Continuity Prefix [RFC7335] 192.0.0.8/32 IPv4 dummy address [RFC7600] 192.0.0.9/32 Port Control Protocol

RFC：Request For Comments 目录 编辑机制 处理过程 历史 文件架构 发展历程 分类 文档阅读 Request For Comments（RFC），是一系列以编号排定的文件。文件收集了有关互联网相关信息，以及UNIX和互联网社区的软件文件。目前RFC文件是由Internet Society（ISOC）赞助发行。基本的互联网通信协议都有在RFC文件内详细说明。RFC文件还额外加入许多的论题在标准内，例如对于互联网新开发的协议及发展中所有的记录。因此几乎所有的互联网标准都有收录在RFC文件之中。 编辑机制 Request For Comments (RFC），是一系列以编号排定的文件。文件收集了有关因特网相关资讯，以及UNIX和因特网社群的软件文件。目前RFC文件是由Internet Society（ISOC）所赞助发行。 基本的因特网通讯协定都有在RFC文件内详细说明。RFC文件还在标准内额外加入了许多的论题，例如对于因特网新开发的协定及发展中所有的记录。因此几乎所有的因特网标准都收录在RFC文件之中。 RFC(Request For Comments)-意即“请求评议”，包含了关于Internet的几乎所有重要的文字资料。如果你想成为网络方面的专家，那么RFC无疑是最重要也是最经常需要用到的资料之一，所以RFC享有网络知识圣经之美誉。通常

前端优化的途径有很多，按粒度大致可以分为两类， 第一类是页面级别的优化，例如 HTTP请求数、脚本的无阻塞加载、内联脚本的位置优化等 ; 第二类则是代码级别的优化，例如 Javascript中的DOM 操作优化、CSS选择符优化、图片优化以及 HTML结构优化等等。另外，本着提高投入产出比的目的，后文提到的各种优化策略大致按照投入产出比从大到小的顺序排列。 一、页面级优化 　　1. 减少 HTTP请求数 　　这条策略基本上所有前端人都知道，而且也是最重要最有效的。都说要减少 HTTP请求，那请求多了到底会怎么样呢 ?首先，每个请求都是有成本的，既包含时间成本也包含资源成本。一个完整的请求都需要经过 DNS寻址、与服务器建立连接、发送数据、等待服务器响应、接收数据这样一个 “漫长” 而复杂的过程。时间成本就是用户需要看到或者 “感受” 到这个资源是必须要等待这个过程结束的，资源上由于每个请求都需要携带数据，因此每个请求都需要占用带宽。另外，由于浏览器进行并发请求的请求数是有上限的 (具体参见此处 )，因此请求数多了以后，浏览器需要分批进行请求，因此会增加用户的等待时间，会给用户造成站点速度慢这样一个印象，即使可能用户能看到的第一屏的资源都已经请求完了，但是浏览器的进度条会一直存在。 　　2.合理设置 HTTP缓存 　　缓存的力量是强大的，恰当的缓存设置可以大大的减少 HTTP请求

请求网页总会返回一些奇奇怪怪的状态码，把这个整出来，方便查阅 文章目录 1xx（临时响应） 2xx（成功） 3xx（已重定向） 4xx（请求错误） 5xx（服务器错误） 数据来源1 数据来源2 1xx（临时响应） 用于表示临时响应并需要请求者执行操作才能继续的状态代码。 代码 说明 100 （继续） 请求者应当继续提出请求。服务器返回此代码则意味着，服务器已收到了请求的第一部分，现正在等待接收其余部分。 101 （切换协议） 请求者已要求服务器切换协议，服务器已确认并准备进行切换。 102 由WebDAV（RFC 2518）扩展的状态码，代表处理将被继续执行。 2xx（成功） 用于表示服务器已成功处理了请求的状态代码。 代码 说明 200 （成功） 服务器已成功处理了请求。通常，这表示服务器提供了请求的网页。如果您的 robots.txt 文件显示为此状态，那么，这表示 Googlebot 已成功检索到该文件。 201 （已创建） 请求成功且服务器已创建了新的资源。 202 （已接受） 服务器已接受了请求，但尚未对其进行处理。 203 （非授权信息） 服务器已成功处理了请求，但返回了可能来自另一来源的信息。 204 （无内容） 服务器成功处理了请求，但未返回任何内容。 205 （重置内容） 服务器成功处理了请求，但未返回任何内容。与 204 响应不同，此响应要求请求者重置文档视图

第一次训练 from sklearn . datasets import load_breast_cancer from sklearn . ensemble import RandomForestClassifier from sklearn . model_selection import GridSearchCV from sklearn . model_selection import cross_val_score import matplotlib . pyplot as plt import pandas as pd import numpy as np data = load_breast_cancer ( ) scorel = [ ] for i in range ( 0 , 200 , 10 ) : rfc = RandomForestClassifier ( n_estimators = i + 1 , n_jobs = - 1 , random_state = 90 ) score = cross_val_score ( rfc , data . data , data . target , cv = 10 ) . mean ( ) scorel . append ( score ) print ( max ( scorel ) , ( scorel .

通过sklearn中的红酒训练集测试并且画树 保存到了桌面的pdf文件中，目前还没有处理中文显示问题。 from sklearn import tree from sklearn . datasets import load_wine from sklearn . model_selection import train_test_split import pandas as pd wine = load_wine ( ) wine . data . shape wine . target pd . concat ( [ pd . DataFrame ( wine . data ) , pd . DataFrame ( wine . target ) ] , axis = 1 ) wine . feature_names wine . target_names Xtrain , Xtest , Ytrain , Ytest = train_test_split ( wine . data , wine . target , test_size = 0.3 ) clf = tree . DecisionTreeClassifier ( criterion = "entropy" ) clf = clf . fit ( Xtrain , Ytrain ) score = clf .