主頁 > 後端開發 > python大資料可視化分析淘寶商品，開專賣店不行啊

python大資料可視化分析淘寶商品，開專賣店不行啊

2022-03-03 06:13:12 後端開發

python大資料可視化分析淘寶商品，開專賣店不行啊

現如今大資料分析例外火爆，如何正確分析資料，并且抓住資料特點，獲得不為人知的秘密?今天沉默帶你用python爬蟲，爬取淘寶網站進行淘寶商品大資料分析的實戰！

 

文章目錄

  • python大資料可視化分析淘寶商品，開專賣店不行啊
  • 1.1 淘寶搜索介面的分析1.1.1 cookie獲取的途徑
  • 1.3 格式化頁面，查找資料1.4 將資料存盤到csv檔案中
  • 1.2 價格分布直方圖實作邏輯1.3 商品銷售地分析實作邏輯1.4 商品店名稱聚集實作邏輯

通過這場專案實戰，我將帶你進入大資料分析的世界，并且學習爬蟲技術，pandas,pyecharts,matplotlib等技術，

干貨主要有：

① 200 多本 Python 電子書（和經典的書籍）應該有

② Python標準庫資料（最全中文版）

③ 專案原始碼（四五十個有趣且可靠的練手專案及原始碼）

④ Python基礎入門、爬蟲、網路開發、大資料分析方面的視頻（適合小白學習）

⑤ Python學習路線圖（告別不入流的學習）

Python學習交流Q群101677771

 

一、明確爬取方向

淘寶的商品數量是特別巨大的，如此海量的資料我們如何去爬取，并且分析？因此我們需要明確爬取方向，怎么才可以爬取自己想分析的資料？我們最有效的方法就是從淘寶主頁的搜索介面找到突破口，

1.1 淘寶搜索介面的分析

淘寶web網站

python大資料可視化分析淘寶商品，開專賣店不行啊

 

我總結如下步驟：

  • 第一步：登錄淘寶網站，獲取我們登錄的淘寶賬號
  • 第二步：獲取我們的cookie
  • 第三步：獲取搜索介面
  • 第四步：分析介面，確定爬取數量

1.1.1 cookie獲取的途徑

我們登錄上淘寶賬戶后，按電腦的F12鍵，進入開發者模式

python大資料可視化分析淘寶商品，開專賣店不行啊

 

點擊Network，這里就是淘寶前端介面互動的資訊，然后我們隨便在搜索框中搜索資訊，然后在開發者框中找search介面，點擊該介面，你就會找到cookie資訊，復制一份資訊，保存起來，待后續爬蟲使用，

python大資料可視化分析淘寶商品，開專賣店不行啊

 

python大資料可視化分析淘寶商品，開專賣店不行啊

 

1.1.2 搜索介面的分析

分析搜索介面

https://s.taobao.com/search?q=小米手機&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200415&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=0
https://s.taobao.com/search?q=小米手機&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200415&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=44
https://s.taobao.com/search?q=小米手機&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200415&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=88

分析得知：每個頁面參請求數基本相同，只有最后一個頁碼引數不同，而且是規律的： 當前頁面資料 （頁數-1） *

所以當我們想要將前端頁面跳轉至下一頁爬取資料只需要將url拼接上面邏輯

運算后的資料即可，

二、爬蟲腳本撰寫

以男士襯衫商品為例子，開展的簡單資料分析，其目的是了解淘寶網站線上銷售男士內褲的方法和模式，通過獲取到的淘寶網站男士襯衫銷售資料情況，進一步分析和判斷出哪個價格區間及品牌等資訊更加受到網購消費者的青睞和偏好，從而給自己買一個性價比較好的襯衫，

1.1引入庫

代碼如下（區域）：

# -*- coding: utf-8 -*-
import requests
import re
import pandas as pd
import time

如果上述的的庫沒有下載，請安裝后在使用；（如果沒有安裝庫，就會爆紅）

## 1.2 獲取頁面資訊

# 此處寫入登錄之后自己的cookies
cookie = '' 
# 獲取頁面資訊
def getHTMLText(url):
    headers = {
 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}
    user_cookies = cookie
    cookies = {
 }
  
    for a in user_cookies.split(';'):  # 因為cookies是字典形式，所以用spilt函式將之改為字典形式
        name, value = https://www.cnblogs.com/sn5200/p/a.strip().split('=', 1)
        cookies[name] = value
    try:
        r = requests.get(url, cookies=cookies, headers=headers, timeout=60)
        print(r.status_code)
        print(r.cookies)
        return r.text
    except:
        print('獲取頁面資訊失敗')
        return ''

1.3 格式化頁面，查找資料

#  格式化頁面，查找資料
def parsePage(html):
    list = []
    try:
        views_title = re.findall('"raw_title":"(.*?)","pic_url"', html)
        print(len(views_title))  # 列印檢索到資料資訊的個數，如果此個數與后面的不一致，則資料資訊不能加入串列
        print(views_title)
        views_price = re.findall('"view_price":"(.*?)","view_fee"', html)
        print(len(views_price))
        print(views_price)
        item_loc = re.findall('"item_loc":"(.*?)","view_sales"', html)
        print(len(item_loc))
        print(item_loc)
        views_sales = re.findall('"view_sales":"(.*?)","comment_count"', html)
        print(len(views_sales))
        print(views_sales)
        comment_count = re.findall('"comment_count":"(.*?)","user_id"', html)
        print(len(comment_count))
        print(comment_count)
        shop_name = re.findall('"nick":"(.*?)","shopcard"', html)
        print(len(shop_name))
        for i in range(len(views_price)):
            list.append([views_title[i], views_price[i], item_loc[i], comment_count[i], views_sales[i], shop_name[i]])
        # print(list)
        print('爬取資料成功')
        return list
    except:
        print('有資料資訊不全，如某一頁面中某一商品缺少地區資訊')

1.4 將資料存盤到csv檔案中

# 存盤到csv檔案中，為接下來的資料分析做準備
def save_to_file(list):
    data = https://www.cnblogs.com/sn5200/p/pd.DataFrame(list)
    data.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 用追加寫入的方式

1.5 完整代碼

# -*- coding: utf-8 -*-
import requests
import re
import pandas as pd
import time

# 此處寫入登錄之后自己的cookies
cookie = ''


# 獲取頁面資訊
def getHTMLText(url):
    headers = {
 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}
    user_cookies = cookie
    cookies = {
 }
  
    for a in user_cookies.split(';'):  # 因為cookies是字典形式，所以用spilt函式將之改為字典形式
        name, value = https://www.cnblogs.com/sn5200/p/a.strip().split('=', 1)
        cookies[name] = value
    try:
        r = requests.get(url, cookies=cookies, headers=headers, timeout=60)
        print(r.status_code)
        print(r.cookies)
        return r.text
    except:
        print('獲取頁面資訊失敗')
        return ''


#  格式化頁面，查找資料
def parsePage(html):
    list = []
    try:
        views_title = re.findall('"raw_title":"(.*?)","pic_url"', html)
        print(len(views_title))  # 列印檢索到資料資訊的個數，如果此個數與后面的不一致，則資料資訊不能加入串列
        print(views_title)
        views_price = re.findall('"view_price":"(.*?)","view_fee"', html)
        print(len(views_price))
        print(views_price)
        item_loc = re.findall('"item_loc":"(.*?)","view_sales"', html)
        print(len(item_loc))
        print(item_loc)
        views_sales = re.findall('"view_sales":"(.*?)","comment_count"', html)
        print(len(views_sales))
        print(views_sales)
        comment_count = re.findall('"comment_count":"(.*?)","user_id"', html)
        print(len(comment_count))
        print(comment_count)
        shop_name = re.findall('"nick":"(.*?)","shopcard"', html)
        print(len(shop_name))
        for i in range(len(views_price)):
            list.append([views_title[i], views_price[i], item_loc[i], comment_count[i], views_sales[i], shop_name[i]])
        # print(list)
        print('爬取資料成功')
        return list
    except:
        print('有資料資訊不全，如某一頁面中某一商品缺少地區資訊')


# 存盤到csv檔案中，為接下來的資料分析做準備
def save_to_file(list):
    data = https://www.cnblogs.com/sn5200/p/pd.DataFrame(list)
    data.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 用追加寫入的方式


def main():
    name = [['views_title', 'views_price', 'item_loc', 'comment_count', 'views_sales', 'shop_name']]
    data_name = pd.DataFrame(name)
    data_name.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 提前保存一行列名稱
    goods = input('請輸入想查詢的商品名稱：'.strip())  # 輸入想搜索的商品名稱
    depth = 5  # 爬取的頁數
    start_url = 'https://s.taobao.com/search?q=' + goods  # 初始搜索地址
    for i in range(depth):
        time.sleep(3 + i)
        try:
            page = i + 1
            print('正在爬取第%s頁資料' % page)
            url = start_url + 'imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200408&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=' + str(
                44 * i)
            html = getHTMLText(url)
            # print(html)
            list = parsePage(html)
            save_to_file(list)
        except:
            print('資料沒保存成功')


if __name__ == '__main__':
    main()

運行專案，輸入男士襯衫，回車，自動爬取資料

python大資料可視化分析淘寶商品，開專賣店不行啊

 

保存的商品資訊csv檔案：

python大資料可視化分析淘寶商品，開專賣店不行啊

 

三、資料可視化實作

資料可視化說白了，也就是通過資料分析，將得出的結果用圖表的形式展示出來，圖表的展示無非就是k,v的方式實作，所以我們可以借助pandas，將海量的資料分析出來，并且將分析后的資料處理成可視化表所識別的資料格式就可以實作資料可視化，我們這里可視化依賴于pyecharts和matplotlib，

1.1 引入依賴

沒有以下庫的請下載安裝

import pandas as pd
import operator
from matplotlib import pyplot as plt
import matplotlib as mpl
from pyecharts.charts import Bar, Pie
# 用于設值全域配置和系列配置
from pyecharts import options as opts
mpl.rcParams['font.sans-serif'] = ['KaiTi']  # 畫圖時顯示中文
mpl.rcParams['font.serif'] = ['KaiTi']
data = https://www.cnblogs.com/sn5200/p/pd.read_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', encoding='utf-8')

1.2 價格分布直方圖實作邏輯

# 商品價格分析
def priceshow():
    print(data['views_price'].describe())
    # 價格分布直方圖
    plt.figure(figsize=(16, 9))  # 這里是圖片長寬比例
    plt.hist(data['views_price'], bins=30, alpha=0.4, color='orange') 
    plt.title('價格頻數分布直方圖')
    plt.xlabel('價格')
    plt.ylabel('頻數')
    plt.savefig('價格分布直方圖.png')
python大資料可視化分析淘寶商品，開專賣店不行啊

 

1.3 商品銷售地分析實作邏輯

# 分析商品的資料（商品銷售地分析）
def shop_localdatashow():
    # 銷售地分布
    group_data = https://www.cnblogs.com/sn5200/p/list(data.groupby('item_loc'))
    loc_num = {
 }
    for i in range(len(group_data)):
        loc_num[group_data[i][0]] = len(group_data[i][1])
    print(loc_num)
    plt.figure(figsize=(30, 10))
    plt.title('銷售地折線圖')
    plt.scatter(list(loc_num.keys()), list(loc_num.values()), color='r')
    plt.plot(list(loc_num.keys()), list(loc_num.values()))
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.savefig('銷售地.png')
    sorted_loc_num = sorted(loc_num.items(), key=operator.itemgetter(1), reverse=True)  # 排序
    loc_num_10 = sorted_loc_num[:10]  # 取前10
    loc_10 = []
    num_10 = []
    for i in range(10):
        loc_10.append(loc_num_10[i][0])
        num_10.append(loc_num_10[i][1])
    plt.figure(figsize=(16, 9))
    plt.title('銷售地TOP10')
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.bar(loc_10, num_10, facecolor='lightskyblue', edgecolor='white')
    plt.savefig('銷售地TOP10.png')
python大資料可視化分析淘寶商品，開專賣店不行啊

 

top10生產地表

python大資料可視化分析淘寶商品，開專賣店不行啊

 

1.4 商品店名稱聚集實作邏輯

資料獲取，通過pyecharts展示資料

# 分析商品店名稱聚集
def shop_name():
    # 店名稱分析
    df1 = data['shop_name'].str[-3:]
    shop = list(df1.groupby(df1))
    # print(shop)
    shop_num = {
 }
    for i in range(len(shop)):
        shop_num[shop[i][0]] = len(shop[i][1])
    shop_num['其他'] =176 - shop_num['專賣店'] - shop_num['專營店'] - shop_num['旗艦店']
    data1 = sorted(shop_num.values(), reverse=True)[:4]
    # print(shop_num)
    label = ['旗艦店', '專賣店', '其他', '專營店']  # 定義餅圖的標簽，標簽是串列
    # explode = [0.01, 0.01, 0.01, 0.01]  # 設定各項距離圓心n個半徑
    # attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋", "襪子"]
    v = [shop_num['旗艦店'], shop_num['專賣店'], shop_num['其他'], shop_num['專賣店']]
    arr = [label, v]
    return arr

這里注意：

  • shop_num['其他'] =176 - shop_num['專賣店'] - shop_num['專營店'] - shop_num['旗艦店']
  • 176是指我爬出了多少條資料資訊，檔案第一行是表頭，不算在內，

銷售店名稱餅圖

def text(x, y):
    # 餅圖用的資料格式是[(key1,value1),(key2,value2)]，所以先使用 zip函式將二者進行組合
    data_pair = [list(z) for z in zip(x, y)]
    (
        # 初始化配置項，內部可設定顏色
        Pie(init_opts=opts.InitOpts(bg_color="#2c343c"))
            .add(
            # 系列名稱，即該餅圖的名稱
            series_name="銷售店名稱餅圖分析",
            # 系列資料項，格式為[(key1,value1),(key2,value2)]
            data_pair=data_pair,
            # 通過半徑區分資料大小 “radius” 和 “area” 兩種
            rosetype="radius",
            # 餅圖的半徑，設定成默認百分比，相對于容器高寬中較小的一項的一半
            radius="60%",
            # 餅圖的圓心，第一項是相對于容器的寬度，第二項是相對于容器的高度
            center=["50%", "50%"],
            # 標簽配置項
            label_opts=opts.LabelOpts(is_show=False, position="center"),
        )
            # 全域設定
            .set_global_opts(
            # 設定標題
            title_opts=opts.TitleOpts(
                # 名字
                title="銷售店名稱餅圖分析",
                # 組件距離容器左側的位置
                pos_left="center",
                # 組件距離容器上方的像素值
                pos_top="20",
                # 設定標題顏色
                title_textstyle_opts=opts.TextStyleOpts(color="#ffffff"),
            ),
            # 圖例配置項，引數 是否顯示圖里組件
            legend_opts=opts.LegendOpts(is_show=False),
        )
            # 系列設定
            .set_series_opts(
            tooltip_opts=opts.TooltipOpts(
                trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"
            ),
            # 設定標簽顏色
            label_opts=opts.LabelOpts(color="rgba(255, 255, 255, 0.4)"),
        )
            .render("銷售店名稱餅圖分析.html")
    )
python大資料可視化分析淘寶商品，開專賣店不行啊

 

通過分析，旗艦店的商戶占比較大，所以大部分用戶都是在旗艦店購買的衣服，

1.5 完整代碼

import pandas as pd
import operator
from matplotlib import pyplot as plt
import matplotlib as mpl
from pyecharts.charts import Bar, Pie
# 用于設值全域配置和系列配置
from pyecharts import options as opts

mpl.rcParams['font.sans-serif'] = ['KaiTi']  # 畫圖時顯示中文
mpl.rcParams['font.serif'] = ['KaiTi']
data = https://www.cnblogs.com/sn5200/p/pd.read_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', encoding='utf-8')


# 商品價格分析
def priceshow():
    print(data['views_price'].describe())
    # 價格分布直方圖
    plt.figure(figsize=(16, 9))
    plt.hist(data['views_price'], bins=30, alpha=0.4, color='red')
    plt.title('價格頻數分布直方圖')
    plt.xlabel('價格')
    plt.ylabel('頻數')
    plt.savefig('價格分布直方圖.png')


# 分析商品的資料（商品銷售地分析）
def shop_localdatashow():
    # 銷售地分布
    group_data = https://www.cnblogs.com/sn5200/p/list(data.groupby('item_loc'))
    loc_num = {
 }
    for i in range(len(group_data)):
        loc_num[group_data[i][0]] = len(group_data[i][1])
    print(loc_num)
    plt.figure(figsize=(30, 10))
    plt.title('銷售地折線圖')
    plt.scatter(list(loc_num.keys()), list(loc_num.values()), color='r')
    plt.plot(list(loc_num.keys()), list(loc_num.values()))
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.savefig('銷售地.png')
    sorted_loc_num = sorted(loc_num.items(), key=operator.itemgetter(1), reverse=True)  # 排序
    loc_num_10 = sorted_loc_num[:10]  # 取前10
    loc_10 = []
    num_10 = []
    for i in range(10):
        loc_10.append(loc_num_10[i][0])
        num_10.append(loc_num_10[i][1])
    plt.figure(figsize=(16, 9))
    plt.title('銷售地TOP10')
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.bar(loc_10, num_10, facecolor='lightskyblue', edgecolor='white')
    plt.savefig('銷售地TOP10.png')


# 分析商品店名稱聚集
def shop_name():
    # 店名稱分析
    df1 = data['shop_name'].str[-3:]
    shop = list(df1.groupby(df1))
    # print(shop)
    shop_num = {
 }
    for i in range(len(shop)):
        shop_num[shop[i][0]] = len(shop[i][1])
    shop_num['其他'] = 176 - shop_num['專賣店'] - shop_num['專營店'] - shop_num['旗艦店']
    data1 = sorted(shop_num.values(), reverse=True)[:4]
    # print(shop_num)
    label = ['旗艦店', '專賣店', '其他', '專營店']  # 定義餅圖的標簽，標簽是串列
    # explode = [0.01, 0.01, 0.01, 0.01]  # 設定各項距離圓心n個半徑
    # attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋", "襪子"]
    v = [shop_num['旗艦店'], shop_num['專賣店'], shop_num['其他'], shop_num['專賣店']]
    arr = [label, v]
    return arr




def text(x, y):
    # 餅圖用的資料格式是[(key1,value1),(key2,value2)]，所以先使用 zip函式將二者進行組合
    data_pair = [list(z) for z in zip(x, y)]
    (
        # 初始化配置項，內部可設定顏色
        Pie(init_opts=opts.InitOpts(bg_color="#2c343c"))
            .add(
            # 系列名稱，即該餅圖的名稱
            series_name="銷售店名稱餅圖分析",
            # 系列資料項，格式為[(key1,value1),(key2,value2)]
            data_pair=data_pair,
            # 通過半徑區分資料大小 “radius” 和 “area” 兩種
            rosetype="radius",
            # 餅圖的半徑，設定成默認百分比，相對于容器高寬中較小的一項的一半
            radius="60%",
            # 餅圖的圓心，第一項是相對于容器的寬度，第二項是相對于容器的高度
            center=["50%", "50%"],
            # 標簽配置項
            label_opts=opts.LabelOpts(is_show=False, position="center"),
        )
            # 全域設定
            .set_global_opts(
            # 設定標題
            title_opts=opts.TitleOpts(
                # 名字
                title="銷售店名稱餅圖分析",
                # 組件距離容器左側的位置
                pos_left="center",
                # 組件距離容器上方的像素值
                pos_top="20",
                # 設定標題顏色
                title_textstyle_opts=opts.TextStyleOpts(color="#ffffff"),
            ),
            # 圖例配置項，引數 是否顯示圖里組件
            legend_opts=opts.LegendOpts(is_show=False),
        )
            # 系列設定
            .set_series_opts(
            tooltip_opts=opts.TooltipOpts(
                trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"
            ),
            # 設定標簽顏色
            label_opts=opts.LabelOpts(color="rgba(255, 255, 255, 0.4)"),
        )
            .render("銷售店名稱餅圖分析.html")
    )


# 通過matplotlib產生的餅圖并不完善
# plt.title('銷售店名稱餅圖分析')
# plt.pie(data1, explode=explode, labels=label, autopct='%1.1f%%')  # 繪制餅圖
#  plt.savefig('銷售店名稱.png')


if __name__ == '__main__':
    priceshow()
    shop_localdatashow()
    dist = shop_name()
    print(dist[0])
    print(dist[1])
    text(dist[0], dist[1])

四 、擴展

我在腳本設計的時候靈活的將需要爬取的商品通過控制臺輸入，并沒有固定一個商品，所以理論上可以實作所有商品的資料分析，這里我測驗，統計小米手機的資料；

在測驗前，需要洗掉csv檔案，因為在資料爬取之前我是采用追加的方式，如果檔案里有其他商品，資料分析是失敗的

data.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 用追加寫入的方式
python大資料可視化分析淘寶商品，開專賣店不行啊

 

python大資料可視化分析淘寶商品，開專賣店不行啊

 

python大資料可視化分析淘寶商品，開專賣店不行啊

 

python大資料可視化分析淘寶商品，開專賣店不行啊

 

python大資料可視化分析淘寶商品，開專賣店不行啊

 

話說，專賣店生意是真不行！

例如：以上就是今天要講的內容，本文僅僅簡單介紹了pandas的使用，而pandas提供了大量能使我們快速便捷地處理資料的函式和方法，

 

 

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/436316.html

標籤：Python

上一篇：10行python代碼做出哪些酷炫的事情？

下一篇：linux centos7部署anaconda3

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 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(2429) ASP.NET(2402) 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) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 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
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標（smart pointers）是一類資料結構，是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標（pointer）是一個包含記憶體地址的變數的通用概念。這個地址參考，或 ” 指向”（points at）一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身，參考傳遞（如果傳遞的值需要實體化到堆里）如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如： 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號：Hunter后端 原文鏈接：Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類，Extract() 和 Trunc() Extract() 函式作用是提取日期，比如我們可以提取一個日期欄位的年份，月份，日等資料 Trunc() 的作用則是截取，比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM？ JVM，全稱Java Virtual Machine（Java虛擬機），是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊，使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息！

    更新完微信服務號的模板訊息之后，我又趕緊把微信小程式的訂閱訊息給實作了！之前我一直以為微信小程式也是要企業才能申請，沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類： 位元組緩沖流：BufferedInputStream，BufferedOutputStream 字符緩沖流：BufferedReader，BufferedWriter 緩沖流的基本原理，是在創建流物件時，會創建一個內置的默認大小的緩沖區陣列，通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說，人太懶了，現在基本都不喜歡寫筆記了，但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的，寫的注釋挺全的，應該直接看得懂，就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景：視頻分段傳輸、視頻多段傳輸（理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發，從基本到高級概念，包括簡介，UWP，第一個應用程式，商店，XAML控制元件，資料系結，XAML性能，自適應設計，自適應UI，自適應代碼，檔案管理，SQLite資料庫，應用程式到應用程式通信，應用程式本地化，應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more

Copyright © 2010-2020 有解無憂