老船长 – 船长的藏宝图

网页数据爬取24小时入门

2023年9月14日2023年9月14日老船长

数据爬取根据数据源的不同，涉及到的必备技能，工具和实现大不相同。本文主要针对网页数据爬取入手，覆盖以下知识要点：

HTML基础知识
浏览器开发者工具
XPATH基础知识
在开发者工具中使用XPATH定位HTML节点
静态页面和动态页面的区别
使用开发者工具区分静态页面和动态页面
静态页面爬虫开发
动态页面爬虫开发
页面分析与模版配置

相关参考文档

Chrome Dev Tools

爬虫技术评估与选型

2023年8月15日2023年8月15日老船长

随着大模型的不断涌现，优质数据是模型训练过程中必不可少的生产资料。目前网上有大量开源的数据集可供下载。对于训练基座模型，通常这些开源的数据集已经足够了。但是对于各种垂直领域的数据需求，特别是需要一些特定数据进行模型微调和优化，数据爬取成为这些特殊领域数据的主要来源和手段。本文将主要分析在数据爬取前如何进行技术评估和选型。

从JS逆向到Python DES解码

2023年7月26日2023年7月26日老船长

写教程比较麻烦的地方是提供一个可行的事例，对于逆行来说，这里可能会碰触到合法合规的问题。毕竟逆向和破解是分不开的。因此本文中相关的JS逆向，只能空口说说，任何截图可能会出现意想不到的问题。本文主要是讲解如何使用开发者工具调试和分析网站的数据访问控制，加密手段等。

对于网站调试，Chrome的开发者工具是个好东西（Firefox和Edge的也很好用）。例如A网站向服务器发起一个获取密钥的操作。通过开发者工具的网络检查数据包，通过源代码中的XHR断点，追踪XHR调用和返回，可以大致找到JS对数据的后续操作。

使用Edge和Mitmproxy调试模拟百度搜索

2023年7月19日2023年7月19日老船长

先说说事情的起因。最近在调试百度搜索的自动化脚本，但是使用最普通的Python脚本（没有配置任何headers信息）发送搜索请求没有办法返回搜索页面。因此无论使用BeautifulSoap或者lxml都无法从结果中使用xpath抽取需要的字段。多次尝试后会出现302跳转验证码的情况，并且由于Requests脚本是下载的是静态数据，所以直接显示“百度安全验证”信息。但是在本地浏览器中却可以正常访问搜索百度。在这种情况下，通过以下步骤，分析浏览器访问百度的数据包，并用Python实现自动搜索脚本。

LLM相关技术知识分享

2023年6月9日2023年6月9日老船长

LLM即大语言模型，它具有强大的自然语言处理（NLP）能力（包括理解NLU和生成）。我们可以借助大语言模型的能力帮助我们更好地完成一些工作，包括文本创作、FAQ问答、对话聊天、知识查询、语言翻译、文章摘要、辅助编程等。如果与其他领域的模型组合在一起使用，还能够完成视频语音字幕生成、智能客服问答等相关任务。另外，像文本分类、情感分析、命名实体识别（Named Entity Recognition）等传统的NLP任务就不适合使用LLM来完成，因为这种传统的任务对于LLM来说过于简单了。

文件完整性校验

2023年6月2日2023年7月6日老船长

最近一直在做大数据下载和上传工作，其中比较麻烦的就是一个大文件经过分段下载以后如何确保其完整性。比如下载到一半断了，需要进行断点续传。比如上传过程中出现了问题，无法上传大文件，需要切成小份，上传以后在合并。

MongoDB分片集群扩容与缩容

2023年5月22日2023年5月24日老船长

MongoDB开启分片以后，有两种扩容（缩容）方式。一种是纵向扩容，在现有的分片副本集上添加新的机器节点。这种只需要在副本集内部进行数据复制。另一种是横向扩容是扩展分片数量，需要创建新的副本集并创建新分片，随后要进行数据自动分割迁移。

CURL断点续传

2023年5月12日2023年5月15日老船长

前一篇文章《CURL帮助文档》中简单介绍了如何用curl命令下载RedPajama数据集。在下载的过程中，前期使用huggingface里面提供的脚本下载比较顺利。但是到中后期，尤其是下载common crawl部分的数据集，就开始出现很多问题。目前下载过程中遇到的各种问题如下：

CURL帮助文档

2023年4月21日2023年5月5日老船长

Curl非常有用，以下是遇到的一些问题和解决方案。

使用CentOS 7.9搭建ShadowSocks服务

2023年4月5日2023年4月5日老船长

由于在网上搜索了一圈，发现都是使用Python直接安装ShadowSocks服务，但是目前python支持的版本为ShadowSocks 2.8，非常老旧的版本。首先为了安装Python 3.10也花了不少时间，主要是遇到了openssl的问题。所以本文分两个部分：第一部分为安装Python3.10，主要是要说明那个pip报SSL错误的大坑；第二部分为安装shadowsocks-libev。