忧伤的南瓜

摘要： 背景和概述 数据状况： mongodb的一个db中存了近2000万记录，有type（字符串）、ctime（float，创建时间）等索引参数，记录的自然顺序和ctime的排序是一致的。 查询需求： 从第47万开始查询并返回结果，每批次返回100条；为后续业务逻辑需求，在执行batch_size(100 阅读全文

摘要： 背景 python连接mysql存储数据时，如果数据中有表情符号等，可能碰到以下两类警告： 方案 要避免这类警告，保证存储数据的完整性，需要确保mysql的server(database) connection client通路上每一个节点的字符编码都为utf8mb4. 服务器端的设置 数据库的设置 阅读全文

摘要： ```ipython In [14]: import urllib In [15]: urllib.unquote("%3a") Out[15]: ':' In [16]: urllib.unquote("%2f") Out[16]: '/' In [17]: urllib.unquote("%3f") Out[17]: '?' In [18]: urllib.unquote("%26")... 阅读全文

摘要： 9 12，结论：unicode不能直接写入文件，需要先编码，编码方式任意，只要能成功编码即可，如可用GBK、UTF 8。 13，结论：选用的编码方式须能编码目标字符（例子中的“喆”不包含在GB2312中，导致失败） 14，结论：用codecs操作写文件时，参数指定编码方式后，无须手动对字符串进行编码 阅读全文

摘要： 17 19，结论：对于unicode字符串，要用unicode正则字符串查找，unicode正则字符串的构成有两个要件，一是字符串本身由unicode字符构成，二是用'u'引导（python2）； 20 23，结论：对于str字符串，要用二进制正则字符串查找，用'r'引导，如果用'u'引导，因为并不 阅读全文

摘要： 1. 前言 mongodb文档中存储一节中关于磁盘空间回收的说明，简单处理、备注记于此。标号为另加，原文档见：https://docs.mongodb.com/v3.2/faq/storage/ 2. Why are the files in my data directory larger tha 阅读全文

摘要： 背景 爬虫单位时间内请求数多，对己方机器、对方服务器都会形成压力，如果每个请求都开启一个新连接，更是如此；如果服务器支持keep alive，爬虫就可以通过多个请求共用一个连接实现“减员增效”：单位时间内新建、关闭的连接的数目少了，但可实现的有效请求多了，并且也能有效降低给目标服务器造成的压力。 k 阅读全文

摘要： 背景 需要缓存html源码以备解析用，且需要去除与解析结果无关的代码以节省存储；可根据实际需要扩展。 代码 阅读全文

摘要： python2默认终端环境中文由gb系列编码处理 ipython默认终端环境中文由utf 8编码处理 字符编码方案对字节数相关计算的影响 总结 牢记unicode是字符集，gb/utf 8等是编码方案，decode是“编码结果→字符集”，encode是“字符集→编码结果” 阅读全文

摘要： 方案 任务队列存储在redis的list中，所有下载过、未下载的url存储在redis的set，通过set的sismember函数查重。 性能 set成员1.2kw左右，进行10000次测试，每次测试时需查重的url数量不一（20~100）； 结果显示1000次查重运算（以及更多数量的正则匹配等运算 阅读全文