python 爬取铁宝端口做数据挖掘分析

news/2025/3/4 15:37:16/文章来源:https://www.cnblogs.com/fishrunning/p/18750607

本项目选择 淘宝商品类目：零食

   数量：一共100页，4400个零食商品筛选条件：天猫、销量从高到低、价格0元到200元以内

项目目的：

对商品标题进行文本分析以及词云可视化
商品价格分布情况分析
商品的销量分布情况分析
商品价格对销量的影响分析
商品价格对销售额的影响分析
不同省份或城市的商品数量分布

项目步骤：

数据采集模块：利用Python爬虫爬取淘宝网商品数据
数据预处理模块：对商品数据进行清洗和处理
数据分析模块：jieba分词、wordcloud可视化、数据分析及可视化

项目环境：

　　系统环境：win10 64位

　　工具：pycharm，chrome devTools，Anaconda

回到顶部
一、爬取数据
因为淘宝网是有反爬虫机制的，虽然我使用了多线程、修改headers参数，以及使用代理ip等，也考虑到我当前测试环境是使用校园网进行爬取淘宝商品信息的，学校只有一个公网ip，按照以往的经验，使用校园网做测试环境的话是不容易被封的，但仍然不能保证每次100%爬取，所以我增加了循环爬取，每次循环爬取未爬取成功的页面，直至所有的页面全部爬取成功。

　　淘宝商品页面上存储的商品数据是以Json格式存储的，在这里我选择用正则表达式进行解析：

　　代码如下：

import re
import time
import random
import requests
import pandas as pd
from retrying import retry
from concurrent.futures import ThreadPoolExecutor

start = time.clock() # 开始计时

请求头池

user_agent = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; "
".NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR "
"2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR "
"3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; "
".NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR "
"3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 ("
"Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 "
"Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 "
"Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 "
"LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR "
"3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 "
"LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR "
"3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR "
"3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR "
"3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 "
"Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 "
"Safari/537.36",
]

代理ip池

proxies = ['http://125.71.212.25:9000', 'http://202.109.157.47:9000', 'http://47.94.169.110:80',
'http://111.40.84.73:9999', 'http://114.245.221.21:8060', 'http://117.131.235.198:8060']

plist 为1-100页的URL的编号num

plist = []
for i in range(1, 101):
j = 44 * (i - 1)
plist.append(j)

listno = plist
datatmsp = pd.DataFrame(columns=[])

while True:
@retry(stop_max_attempt_number=8)
def network_programming(num):
url = 'https://s.taobao.com/search?q=零食&imgfile=&js=1&stats_click=search_radio_tmall%3A1'
'&initiative_id=staobaoz_20190508&tab=mall&ie=utf8&sort=sale-desc&filter=reserve_price%5B%2C200%5D'
'&bcoffset=0&p4ppushleft=%2C44&s=' + str(num)
random_user_agent = random.choice(user_agent) # 从user_agent池中随机生成headers
random_proxies = random.choice(proxies) # 从代理ip池中随机生成proxies
web = requests.get(url, headers={'user-agent': random_user_agent}, proxies={'http': random_proxies})
web.encoding = 'utf-8'
return web

# 多线程
def multithreading():number = listno  # 每次爬取未成功爬取的页event = []with ThreadPoolExecutor(max_workers=10) as executor:for result in executor.map(network_programming, number, chunksize=10):event.append(result)return eventheaders = {"User-Agent": "Mozilla/5.0 (WindowsNT 10.0; WOW64);Chrome/55.0.2883.87 Safari/537.36"}listpg = []
event = multithreading()
for i in event:json = re.findall('"auctions":(.*?),"recommendAuctions"', i.text)if len(json):table = pd.read_json(json[0])datatmsp = pd.concat([datatmsp, table], axis=0, ignore_index=True)pg = re.findall('"pageNum":(.*?),"p4pbottom_up"', i.text)[0]  # 记入每一次成功爬取的页码listpg.append(pg)# 将爬取成功的页码转为url中的num值
lists = []
for a in listpg:b = 44 * (int(a) - 1)lists.append(b)listn = listnolistno = []
for p in listn:if p not in lists:listno.append(p)# 当未爬取页数未0时，终止循环
if len(listno) == 0:break

datatmsp.to_excel('datatmsp.xls', index=False)

end = time.clock()
print("爬取完成 用时：", end - start, 's')

　　爬取到商品数据我是先以Excel文件的xls格式保存存储到本地上，方便调试，以下图1.1是已经爬取到的数据。

图1.1 商品数据

回到顶部
二、数据清洗、预处理
从本地导入上一步爬取到商品数据：

import pandas as pd
datatmsp = pd.read_excel('datatmsp.xls')
查看数据维度：

datatmsp.shape

图2.1

　　通过数据维度可以知道已成功爬取了100页共4400个商品数据，而每个商品数据共有21个字段。

　　接下来对数据缺失值进行分析，代码如下：

数据缺失值分析

需要模块 missingno库 pip install missingno

import missingno as msno
msno.bar(datatmsp.sample(len(datatmsp)), figsize=(10, 4))
运行代码后，发现pid字段和risk字段数据完全缺失，如图所示：

图2.2 数据维度图

　　将缺失值过半的列以及重复的行的商品数据将被删除，代码如下：

删除缺失值过半的列

half_count = len(datatmsp)/2
datatmsp = datatmsp.dropna(thresh=half_count, axis=1)

删除重复行

datatmsp = datatmsp.drop_duplicates()
datatmsp.shape()
数据清洗后数据维度降到只有4389个商品数据，一共19个字段，删除后的数据维度：

图2.3 清洗后的数据维度图

　　此时数据已经清洗好了，接下来把淘宝商品数据存进mysql数据库中，因为我用的是私人云服务器上的mysql，在这里就不写连接参数，所以下面代码中连接数据库中的参数读者参考自己的实际情况进行修改哈。

import pymysql
from sqlalchemy import create_engine

与mysql服务器建立起连接

engine = create_engine('mysql+pymysql://{数据库用户名}:{密码}@{ip地址或主机名}:{端口}/{表名}')
con = engine.connect()

将清洗好的商品数据存进mysql

datatmsp.to_sql(name='snacks', con=con, if_exists='append', index=False)
数据成功导入mysql：

图2.4 淘宝商品表

　　根据此次项目需求，本文只需要取item_loc，raw_title，view_price，view_sales这四列的数据，主要是对商品标题、区域、价格、销量四个维度进行分析，代码如下：

取出商品标题、区域、价格、销量四个维度的数据

data = datatmsp[['item_loc', 'raw_title', 'view_price', 'view_sales']]
data.head()

图2.5

　　

　　接下来，对商品数据进行分析前的预处理，代码如下：

对商品所在地item_loc列中的省份和城市进行拆分，生成province列

data['province'] = data.item_loc.apply(lambda x: x.split()[0])

因为直辖市的省份和城市相同，在这里根据字符长度进行判断

data['city'] = data.item_loc.apply(lambda x: x.split()[0] if len(x) < 4 else x.split()[1])

提取商品销售量view_sales列中的数组，得到sales列

def dealSales(x):
x = x.split('人')[0]
if '万' in x:
if '.' in x:
x = x.replace('.', '').replace('万', '000')
else:
x = x.replace('万', '0000')

return x.replace('+', '')

data['sales'] = data.view_sales.apply(lambda x: dealSales(x))

将sales列的数据类型改为int类型

data['sales'] = data.sales.astype('int')

用province,city替换category,且转换成与category相同的类型

list_col = ['province', 'city']
for i in list_col:
data[i] = data[i].astype('category')

删除不用的列

data = data.drop(['item_loc', 'view_sales'], axis=1)
查看预处理后的前十行数据：

图2.6 数据

回到顶部
三、数据挖掘与分析
3.1 对商品标题进行文本分析
使用jieba分词器，对raw_title列每一个商品标题进行分词，通过停用表StopWords对标题进行去除停用词。因为下面要统计每个词语的个数，所以 为了准确性，在这里对过滤后的数据 title_clean 中的每个list的元素进行去重，即每个标题被分割后的词语唯一。代码如下：

将所有商品标题转换为list

title = data.raw_title.values.tolist()

对每个标题进行分词，使用jieba分词

import jieba
title_s = []
for line in title:
title_cut = jieba.lcut(line)
title_s.append(title_cut)

导入停用此表

stopwords = [line.strip() for line in open('StopWords.txt', 'r', encoding='utf-8').readlines()]

剔除停用词

title_clean = []
for line in title_s:
line_clean = []
for word in line:
if word not in stopwords:
line_clean.append(word)
title_clean.append(line_clean)

进行去重

title_clean_dist = []
for line in title_clean:
line_dist = []
for word in line:
if word not in line_dist:
line_dist.append(word)
title_clean_dist.append(line_dist)

将 title_clean_dist 转化为一个list

allwords_clean_dist = []
for line in title_clean_dist:
for word in line:
allwords_clean_dist.append(word)

把列表 allwords_clean_dist 转为数据框

df_allwords_clean_dist = pd.DataFrame({
'allwords':allwords_clean_dist
})

对过滤_去重的词语 进行分类汇总

word_count = df_allwords_clean_dist.allwords.value_counts().reset_index()
word_count.columns = ['word', 'count']
接下来需要对已分词好的数据进行词云可视化，代码如下：

from wordcloud import WordCloud
import matplotlib.pyplot as plt
from scipy.misc import imread
plt.figure(figsize=(20,10))

读取图片

pic = imread("猫.png")
w_c = WordCloud(font_path="simhei.ttf", background_color="white", mask=pic, max_font_size=100, margin=1)
wc = w_c.fit_words({
x[0]:x[1] for x in word_count.head(100).values
})
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.show()

　　分析结论：

组合、整装商品占比很高；
特产、零食、休闲、小吃等字眼的商品占比较高；

从品牌上看：三只松鼠、百草味、良品铺子等网红零食品牌为多。

3.2 不同商品关键字word对应的sales之和的统计分析：
假如所爬取到的商品标题中含有“糖果”一词的销量之和，也就是说求出具有“糖果”关键字的商品销量之和。代码如下：

import numpy as np

重新更新索引，之前去重的时候没有更新数据data的索引，导致部分行缺失值

data = data.reset_index(drop=True)

不同关键词word对应的sales之和的统计分析

w_s_sum = []
for w in word_count.word:
i = 0
s_list = []
for t in title_clean_dist:
if w in t:
s_list.append(data.sales[i]);
i+=1
w_s_sum.append(sum(s_list)) # list求和

df_w_s_sum = pd.DataFrame({'w_s_sum':w_s_sum})

把 word_count 与对应的 df_w_s_sum 合并为一个表:

df_word_sum = pd.concat([word_count, df_w_s_sum],
axis=1, ignore_index=True)
df_word_sum.columns = ['word', 'count', 'w_s_sum'] #添加列名
然后对df_word_sum中的word和w_s_sum两列进行可视化，本文将取销量排名前30的词语进行绘图：

df_word_sum.sort_values('w_s_sum', inplace=True, ascending=True) # 升序
df_w_s = df_word_sum.tail(30) # 取最大的30行数据

import matplotlib
from matplotlib import pyplot as plt

font = {'family' : 'SimHei'} # 设置字体
matplotlib.rc('font', **font)

index = np.arange(df_w_s.word.size)
plt.figure(figsize=(10,20))
plt.barh(index, df_w_s.w_s_sum, color='blue', align='center', alpha=0.8)
plt.yticks(index, df_w_s.word, fontsize=15)

添加数据标签

for y, x in zip(index, df_w_s.w_s_sum):
plt.text(x, y, '%.0f' %x , ha='left', va='center', fontsize=15)
plt.show()

由图表可知：

  1. 休闲零食小吃之类的销量最高；

  2. 组合、整装商品占比很高；

  3. 从关键字可以看出销量榜上以网红品牌为主。

3.3 商品的价格分布情况分析：
本文中限定所爬取的零食单品的销售价格区间在0-200元，在这里我们结合自身产品情况对商品的价格分布情况分析，代码如下：

plt.figure(figsize=(7,5))
plt.hist(data['view_price'], bins=15, color='blue')
plt.xlabel('价格', fontsize=25)
plt.ylabel('商品数量', fontsize=25)
plt.title('不同价格对应的商品数量分布', fontsize=17)
plt.show()

由图表可知：

  1. 商品数量集中在0-50元之间，总体呈现先增后减；

  2. 低价位商品居多，价格在12-25元之间的商品最多，次之0-12元，商品最少的在价格160-180元之间；

3.4 商品的销量分布情况分析：
为了商品的可视化效果更直观，在这里我们选择销量大于100的商品，代码如下：

data_s = data[data['sales'] > 100]
print('销量100以上的商品占比：%.3f'%(len(data_s) / len(data)))

plt.figure(figsize=(12,8))
plt.hist(data_s['sales'],bins=20, color='blue') # 分二十组
plt.xlabel('销量', fontsize=25)
plt.ylabel('商品数量', fontsize=25)
plt.title('不同销量对应的商品数量分布', fontsize=25)
plt.show()

由图表可知：

  1. 销量100以上的商品接近100%，其中销量100-18000之间的商品最多；

  2. 销量在18000以上的，商品的数量下降的很厉害，低销量商品居多。

  3. 销量在60000以上的商品很少。

3.5 商品价格对销量的影响分析
在这里我们结合自身产品情况对商品价格在0-200元之间对销量的影响分析：

flg, ax = plt.subplots()
ax.scatter(data['view_price'],
data['sales'], color='blue')
ax.set_xlabel('价格')
ax.set_ylabel('销量')
ax.set_title('商品价格对销量的影响')
plt.show()

由图表可知：

  1. 总体趋势：随着商品价格增多，其销量有所减少，商品价格对其销量有影响的；

  2. 价格在0-50之间的商品销量比较集中，销量在100-100000之间，价格150-200元之间的商品多数销量偏少，少数相对较高。

3.6 商品价格对销售额的影响分析
代码如下：

data['GMV'] = data['price'] * data['sales']

import seaborn as sns
sns.regplot(x='price', y='GMV', data=data, color='purple')

由图表可知：

  1. 总体趋势：由线性回归拟合线可以看出，商品销售额随着价格增长呈现缓慢上升趋势；

  2. 多数商品的价格偏高，销售额也偏低。

3.7 不同省份的商品数量分布：
代码如下：

plt.figure(figsize=(12,8))
data.province.value_counts().plot(
kind='bar', color='purple')
plt.xticks(rotation=0)
plt.xlabel('省份')
plt.ylabel('数量')
plt.title('不同省份的商品数量分布')
plt.show()

由图表可知：

  1. 位于上海的商品最多，浙江次之，湖南第三，尤其是上海的商品数量远超过浙江、湖南、湖北等地，说明在零食这个子类目上，上海的店铺居多。

  2. 总体趋势：商品店铺大部分位于沿海地区以及长江中下游。

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.hqwc.cn/news/893466.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Pandas 常用操作 （缺失值处理/排序/字符串处理/Index/Merge/合并）

Pandas 常用操作 （缺失值处理/排序/字符串处理/Index/Merge/合并）

处理示例：清洗成 -> Code:import pandas as pd# 读取Excel，跳过前面两行空行 studf = pd.read_excel(rstudent_excel.xlsx, skiprows=2) print(studf) # 删除掉全部是空值的列 studf.dropna(axis=columns, how=all, inplace=True) # 删除掉全部是空值的行 studf.dropn…
阅读更多...
Flutter QQ聊天项目（2）：消息与联系人界面实现

Flutter QQ聊天项目（2）：消息与联系人界面实现

这里在上一篇博客：Flutter QQ聊天项目（1）：登录界面实现 的基础上，进一步扩展实现了包含消息列表界面和联系人界面的主界面，在登录界面成功登录即可进入。先看下效果图：一、初步实现主界面 1.1 主界面（MainWidget.dart） 这里就初步实现了一个主界面框架，左侧是菜单按钮…
阅读更多...
【域攻击】横向移动：PTH

【域攻击】横向移动：PTH

免责声明 本文档所提供的信息旨在帮助网络安全专业人员更好地理解并维护他们负责的网站和服务器等系统。我们鼓励在获得适当授权的情况下使用这些信息。请注意，任何未经授权的使用或由此产生的直接或间接后果和损失，均由使用者自行承担。我们提供的资源和工具仅供学习和研究之…
阅读更多...
【完整汇总】近 5 年 JavaScript 新特性完整总览

【完整汇总】近 5 年 JavaScript 新特性完整总览

关于 JavaScript 近 5 年新特性完整总结，一篇文章带你全面掌握ES2019-ES2024所有实用功能Hey, 我是 沉浸式趣谈 本文首发于 【沉浸式趣谈】，我的个人博客 https://yaolifeng.com 也同步更新。 转载请在文章开头注明出处和版权信息。 如果本文对您有所帮助，请 点赞、评论、转…
阅读更多...
No.30 JavaScript--字符串

No.30 JavaScript--字符串

一、字符串 1.定义字符串就是零个或多个排在一起的字符，放在单引号或双引号之中。 单引号字符串的内部，可以使用双引号。双引号字符串的内部，可以使用单引号。如果要在单引号字符串的内部，使用单引号，就必须在内部的单引号前面加上反斜杠，用来转义。双引号字符串内部使用…
阅读更多...
使用DeepSeek搭建个人知识库教程

使用DeepSeek搭建个人知识库教程

背景 为什么你需要一个个人知识库？ 在日常工作和学习中，我们常常会积累大量的文档、代码、笔记等资料。如果没有一个统一的存储和检索系统，这些资料很容易变得杂乱无章，查找起来费时费力。 别慌，这次我们用DeepSeek快速搭建自己的个人知识库，实现本地上传文档，量化成知识…
阅读更多...
Java的各种内部类

Java的各种内部类

对Java的各种内部类进行梳理和总结17-各种内部类https://www.cnblogs.com/kxxiaomutou/p/15646878.html 2022-11-23 21:51:14一、介绍 可以将一个类的定义放在另一个类的定义内部，这就是内部类 内部类可以分为几种具体的类型：成员内部类（常说的内部类） 匿名内部类 局部内部…
阅读更多...
无源晶振测试仪测试参数详解

无源晶振测试仪测试参数详解

晶振测试仪 GDS-80 是一款高性价比的晶振测试系统，采用微处理器技术，实现智能化测量，符合 IEC-444 标准。其测量频率范围为 20KHz-100MHz，能够对晶振的多种参数进行精确测量，广泛应用于晶体行业、邮电、通信、广播电视、学校、研究所及工矿企业等生产和科研领域。晶振测试…
阅读更多...
FormCreate设计器v5.6发布—AI加持的低代码表单设计器正式上线！

FormCreate设计器v5.6发布—AI加持的低代码表单设计器正式上线！

近期DeepSeek可谓是刷遍全网，当然，在DeepSeek等AI技术的推动下，人工智能正以惊人的速度改变着各行各业。AI不仅是一种技术趋势，更是未来生产力的核心驱动力。 如今，FormCreate设计器也正式迈入AI时代🎉🎉，推出v5.6版本，搭载AI智能表单助理，让表单设计从繁琐的手动操…
阅读更多...
清华大学第7弹 ｜ 亿万家长福音 -《DeepSeek赋能家庭教育》 ｜ 免费下载

清华大学第7弹 ｜ 亿万家长福音 -《DeepSeek赋能家庭教育》 ｜ 免费下载

《DeepSeek赋能家庭教育》是由清华大学张诗瑶博士出品的教程，帮助中国家长解放自己的同时，提高孩子的自主学习能力和核心竞争力。下载地址：https://pdfs.top/book/清华大学-DeepSeek赋能家庭教育.html直到听了清华博士后张诗瑶的直播，我才发现： “不是孩子笨，而是我们用错…
阅读更多...
揭秘Chrome DevTools：从原理到自定义调试工具

揭秘Chrome DevTools：从原理到自定义调试工具

作者：京东科技 杜强强 引言Chrome DevTools 是前端开发者的必备工具，不仅可以用于调试 Chrome 网页，还支持 Android WebView、Roma (跨平台开发框架) 安卓&鸿蒙端等平台的调试。 作为最常用的调试工具之一，DevTools 不仅能快速定位问题，还能让我们深入了解调试的内部机…
阅读更多...
升级到Windows 11 24h2版本后惠普打印机报错spl error 11-1114 line 601

升级到Windows 11 24h2版本后惠普打印机报错spl error 11-1114 line 601

问题描述 近日升级到Windows 11 24h2版本后发现使用HP Laser MFP 1136w Printer打印文档皆会打出一页报错页面，内容如下图所示，但是使用HP Smart Assistant打印PDF一切正常，尝试了使用HP SMART进行修复，修改网络连接方式，重新添加打印机等等方式皆无果。解决方案 排查后发…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023