前两天同事问了我一个中文乱码的问题。他写了一个json请求的接口，通过浏览器请求接口的时候，返回的json中包含的中文显示了乱码。后来使用jmeter进行测试时也发现返回的是乱码。 之前也遇到过几次Java/JSP中文乱码的问题，知道乱码通
[阅读更多...]-
一个中文乱码的问题
-
Spark快速入门
这是整理的Spark官网的《QuickStart》教程。在这篇教程里我们会先使用shell初步接触一下spark，然后再编写一个spark应用。我这里会优先使用scala来完成这些工作。如果想使用python或者java请直接移步原文。 s
[阅读更多...] -
Python网络爬虫7 – 使用cookie
很多时候，我们要查看的内容必须要先登录才能找到，比如知乎的回答，QQ空间的好友列表、微博上关注的人和粉丝等。要使用爬虫直接登录抓取这些信息时，有一个不太好解决的难题，就是这些网站设置的登录规则以及登录时的验证码识别。不过，我们可以想办法绕过
[阅读更多...] -
HttpClient多线程并发
说明：以下的代码基于httpclient4.5.2实现。 我们要使用java的HttpClient实现get请求抓取网页是一件比较容易实现的工作： 要多线程执行get请求时上面的方法也堪用。不过这种多线程请求是基于在每次调用get方法时创建
[阅读更多...] -
Java Fork/Join
Fork/Join框架是ExecutorService接口的一个实现，通过它我们可以实现多进程。Fork/Join可以用来将一个大任务递归的拆分为多个小任务，目标是充分利用所有的资源尽可能增强应用的性能。 和任何ExecutorServic
[阅读更多...] -
Python网络爬虫6 – 网页编码
在抓取网页时遇到了一段报错信息： 抓取网页的代码及网址如下： 在错误信息中提示了网页的编码不是utf-8。那么如何确认网页的编码形式呢？有如下几种方式： 从网页源码中查找chaset信息； 使用FireBug。重新打开网页，使用FireBu
[阅读更多...] -
Python网络爬虫5 – 图片抓取
这一节看下如何抓取网页中的图片。目标网址是：http://pp.163.com/longer-yowoo/pp/10069141.html。这里有一组我非常喜欢的图片。 要抓取网页首先就要找出图片的网址。这里仍然是使用BeautifulSo
[阅读更多...] -
Python网络爬虫4 – 多线程抓取
之前的内容已经大致实现了如何获取网页、分析网页、获取目标内容。接下来的目标是如何让网页抓取进行得更效率些。在进行抓取的时候，时间的消耗主要是在请求等待的时间上，所以一个最容易想到的优化方式就是使用多线程。 多线程 多线程的实现还是比较简单的
[阅读更多...] -
lambda表达式3 – 方法引用
一个实例 使用lambda表达式可以创建简洁的匿名方法。不过，有时候lambda表达式只是简单的调用了已有的方法。此时，使用方法引用无疑是一个更简洁易读的方案。 再来看看之前使用过的Person类： 假设所有的Person对象都保存在一个数
[阅读更多...] -
intellij idea git ignore
使用intellij idea时想将一个文件或目录排除在版本控制外，却找不到add to ignore选项。在使用git时，可以直接编辑.ignore文件，但是还是觉得有些不方便。所以安装一个插件好了：settings –> plug
[阅读更多...]