- 博客(234)
- 资源 (9)
- 收藏
- 关注
RSS订阅
原创 【资源】我的自然语言处理算法实现源码
背景因为自己对自然语言处理比较感兴趣，研究生毕业之后就一直从事自然语言处理相关的工作（有事也会被领导安排其他算法工作）。自己也在工作之余不断学习，也不断去实现一些主流的NLP算法。后面会继续对知识图谱、推荐、问答领域的算法进行学习和分享。我们主要实现的算法放到了github上了。我的github主页:https://github.com/Htring。欢迎各位同道中人以及潜伏的高人指点。我将相关算法实现的地址进行汇总如下。1 文本分类基于textcnn的文本分类: textCNN论文与原理——短文
2022-05-25 11:34:20
487
原创 《Large Language Models for Generative Information Extraction: A Survey》阅读笔录
映像中，比较早地使用“大模型“”进行信息抽取的一篇论文是2022年发表的，也是我们常说的UIE模型，其主要在T5-v1.1模型的基础上训练一个Text to structure 的UIE基座模型，然后在具体的业务上再进行Fine-tuning。T5也算是比较早期的的大语言模型了。时至今日，chatgpt问世后，各种大模型也不断涌现。大模型在理解能力和生成能力上表现出了非凡的能力。
2024-02-27 22:57:45
1437
1
原创 【NLP】《Unified Named Entity Recognition as Word-Word Relation Classification》论文阅读
该模型核心就是创造性地提出将实体抽取转换成word（中文就是字与字之间的关系）之间的关系抽取类别抽取。通过构建word与word之间关系的抽取可以解决flat、nested、discontinuous 这三种类型的NER识别任务，也就是标题所受的统一的实体抽取模型了。对于一个语句XXX，其由NNN个token（中文可以看成字，英文可以看成单词）组成，那么一个语句就是Xx1x2⋯xNXx1x2⋯xN，一个token pair就是xixj。
2023-04-01 23:44:26
341
2
原创 【NLP】一种联合关系抽取模型——TPLinker
总体来说，这个模型又是一个巧妙的结构设计。整体来说，对于overlap的实体也可以识别出来，对于SEO,EPO问题也可以解决，并且没有暴露偏差，预测效率在同级别模型中也算可以，可以尝试在实际的工业领域中进行落地实验。
2023-02-20 10:53:14
1534
原创 【NLP】一种基于联合方式的三元组抽取模型——CasRel
关系抽取是自然语言处理中一个比较基础的任务，除了关系抽取之外还有类似的任务如：属性抽取等。这些任务也都可看成三元组抽取，即（subject，predicate，object）。基于pipeline的分布抽取方式，在已知两个实体subject和object，去预测predicate。联合抽取方式，一个模型同时将subject，predicate和object抽取出来。现实的场景中还存在重叠关系情况，那么针对这种情况该如何解决呢？
2023-02-05 18:37:44
1337
1
原创 【知识图谱导论-浙大】第三、四章：知识图谱的抽取与构建
隐藏状态集合Q，对应所有可能的标签集合，大小为N；观测状态集合V，对应所有可能的词的集合，大小为M；对于一个长度为T的序列，I对应状态序列（即标签序列），O对应观测序列（即词组成的句子）；状态转移概率矩阵AaijN∗NAaijN∗N：转移概率是指某一个隐藏状态（如标签“B-Per”）转移到下一个隐藏状态（如标签“I-Per” ）的概率。例如，B-ORG标签的下一个标签大概率是I-ORG，但一定不可能是I-Per;发射概率矩阵BbjkN∗MBbj。
2023-01-09 10:58:12
1238
原创 【知识图谱导论-浙大】第二章：知识图谱的表示
简而言之，知识表示（Knowledge Representation， KR）就是用易于计算机处理的方式来描述人脑知识的方法。KR不是数据格式，不等同于数据结构，也不是编程语言，对于人工智能而言，数据与知识的区别在于KR支持推理。,对KR的作用是这样描述的。Role I，事务的名称Role II，事务有了名字之后，在此基础上进行一层层抽象，一群学生中，一些人是本科生，一些人是硕士生，一些人是博士生，他们哪些学校的学生，这种对事务的进行抽象，建立万事万物之间的联系，就是本体的构建（ontology）
2023-01-07 11:46:29
946
原创 【知识图谱导论-浙大】第一章：知识图谱概论
话说回来，什么是知识呢（what is knowledge）?针对这个哲学问题，柏拉图说：Knowledge is justified true belief。其实仔细一想，人类的自然语言、创作的绘画与音乐、数学语言、物理模型、化学公式等都是人类知识的表示形式和传承方式。具有获取、表示和处理知识的能力是人类心智区别于其它物种心智的最本质特征，也是人脑智能的最本质特征。
2023-01-06 20:14:40
1381
原创 【Python】CSV,TSV语料读取的简单操作——内建包csv的使用
总的来说，使用csv内建包，无论数据写入还是数据读取都比较简洁方便，定制化也比较容易，可以根据自己实际的工程需要进行定制化开发。
2022-12-17 09:50:57
1275
原创 【深度学习】学习率预热和学习率衰减 (learning rate warmup & decay)
当然，这种使用warmup和decay的learning rate schedule大多是在bert这种预训练的大模型的微调应用中遇见的。如果是做自然语言处理相关任务的，transformers已经封装了好几个带有warmup 和 decay的lr schedule。如果不是做研究的话，这些已经封装的lr schedule直接拿来用即可。当然也可以使用pytorch中的相关模块自定义。
2022-12-10 09:54:02
4866
原创 【Pytorch】加载模型避坑坑load_state_dict中的strict使用与加载多GPU训练的模型
加载模型的小知识， 使用多GPU训练的模型并保存到ckpt中后，使用torch.load_state_dict加载模型的时候将会报错，但是如果将其中的参数设置为True的时候就可以加载，但是当使用加载后的模型去预测数据时，结果错的离谱。 相关内容可以看看这篇博文：关于Pytorch加载模型参数的避坑指南.那么对应的解决方案是，在使用多GPU训练保存模型的时候，保存的模型应该是model.module，并不是直接保存model。（假设使用的模型是model）
2022-12-04 21:49:52
1479
原创 【Python】标注库中os.path与pathlib中Path的比较
os.path主要是以方法的形式存在，而pathlib中的Path则是以对象形式的存在，如果对地址操作的比较多，需要相关的方法以及对应的属性时，使用Path来创建一个地址对应会更加方便。这里先占个坑，网上有多介绍这个两个包的内容，下载参考文献罗列下来：使用的时候再来直接查就完事了，有时间再将常用的方法汇总过来。
2022-12-03 23:19:25
519
原创 【Pytorch】模型的可复现性
在做研究的时候，通常我们希望同样的样本，同样的代码能够得到同样的实验效果，但由于代码中存在一些随机性，导致虽然是同样的样本和程序，但是得到的结果不一致。在pytorch的官方文档中为此提供了一些建议，原文档：REPRODUCIBILITY。下面我们来看看看具体的内容。pytorch在一些操作具有随机性，如：，我们可以使用设置随机数种子来使得所有的设备（CPU和GPU）的随机性一致（本质来说现有的随机函数都是伪随机，都是通过随机数种子确定）。如：python中的随机性当然有时候我们的程序中可能还会使用py
2022-12-03 22:55:51
1665
1
原创 【小想法】第1期：模型工程化，向量相似度，早停机制，BERT微调小trick
早停机制的背后原理就是监控模型训练过程中的一些参数，当符合要求后就停止训练，以减少模型训练时间等。深度学习模型工程化可以使用方式比较多，如使用Java的DJL库对模型进行封装构建java SDK，使用fastapi(python web框架，flask也是可以的)对模型保证，对外提供服务，或者书写成python SDK供他人使用，如果想保护模型服务源码，也可以进行使用pyinstaller打包，如果方便部署，也可以进一步使用docker构建镜像，除此之外还可以使用onnx进行工程化等。
2022-11-07 21:18:24
699
原创 【Transformers】预训练模型使用工具Transformer(2)：文本分词
从结果中我们可以看出，结果的首位增加了特殊的token：[CLS]、[SEP]，这两个token的起着指示句首和句尾的作用；如果将这些tokens转换成字符串时，带有前缀的token会和前面的token合并，我们可以使用tokenizer的。有了上面的数据batch数据去训练或者去预测还是不够的，我们知道pytorch中有DataLoader这个类去对dataset数据进行批次化处理，方面模型训练和预测，transformers当然也有。在实际的模型微调，数据预测时，通常使用的批次数据的处理。...
2022-08-28 23:27:23
1560
原创 【Transformers】预训练模型使用工具Transformer(1)：初识Hugging Face
上面包含的自回归模型如：GPT2，Transformer-XL，XLNet，自编码类型的BERT，ALBERT，RoBERTa，ELECTRA以及seq2seq类型的BART，Pegasu，T5等模型。hugging face是一个开源社区，它提供了一个可以上传先进NLP模型、数据集的一个平台，我们可以在这个平台上下载相关的模型，以及还提供了其他便利的工具，例如我们要介绍的transformers工具。由于是第一次执行，程序会自动下载对应的模型，下载模型的速度也是蛮快的。这些模型，数据集怎么使用呢？...
2022-08-28 11:29:14
1893
原创 【NLP】AI相关比赛汇总（2022）
主要查找的是国内的一些比赛平台。以往举办的一些平台不能够访问的，或者比赛列表中近年来没有相关比赛的就没有放上去。读者可以根据自己的喜好选择合适自己的平台进行学习和演练，好运哦。当然，以上平台也是从互联网中查找的也不一定全面，欢迎补充。......
2022-08-27 15:46:24
3063
7
原创 【NLP】基于神经网络PCNN（Piece-Wise-CNN）的关系抽取模型
总得来说，在限定域的pipline形式的关系抽取中，使用分段的最大池化能够减少人为特征提取的操作，再引入远程监督的内容后，使用多实例学习的方式在一定程度上也能够减少远程监督引入的错误，使得关系抽取的整体效果达到当时的sota水平。当然也存在不足之处，多实例学习仅从某个实体对句子中挑选最可能的句子进行反向传播计算，这也必然造成信息的大量损失。
2022-08-21 14:36:32
2447
原创 【知识图谱】实践篇——基于医疗知识图谱的问答系统实践（Part5-完结）：信息检索与结果组装
总得来说，这个项目把使用知识图谱进行QA的一些流程介绍的比较清楚，但是在完成问答的过程中技术相对老旧，不过效果依然还不错。https，有兴趣的可以下载运行看看哦，上面有运行介绍哦。为了能够进一步提升效果的话可以引入很多新技术。例如在问题分类环节可以引入基于深度学习的问题分类方法，在进行问题解析的时候，可以引入基于深度学习的NER实体识别方式以及进一步处进行实体对齐等，这里不作进一步展开。https。...
2022-07-24 19:52:11
806
原创 【知识图谱】实践篇——基于医疗知识图谱的问答系统实践（Part4）：结合问题分类的问题解析与检索语句生成
原程序中设计的问题也相对简单，对应问题的解析也不复杂。在问题分类中输出的结果这一环节中其实已经默认做了实体对齐操作（问句中的实体与数据库中的实体相对应），主要的工作就是根据不同实体对应关系生成对应的neo4j关系查询或者实体属性查询的语句即可。前文中已经对问题分类做了处理，下面就需要针对具体类别的问题进行进一步的解析，以生成对应的neo4j的查询语句。针对百日咳可以吃什么问题，我们通过规则生活对应的cypher查询语句。......
2022-07-24 15:37:47
654
原创 【知识图谱】实践篇——基于医疗知识图谱的问答系统实践（Part3）：基于规则的问题分类
对于意图识别获问题分类来说，本质上就是对文本进行分类，可以使用传统的机器学习算法以及深度学习算法来处理该问题，但是在缺乏语料标注的情况下，使用规则可能是最好的方式。在知识图谱数据入库的模块中提供了实体数据导出功能，导出的数据即为一些实体数据，除此之外源代码中还提供了一些否定词deny.txt，我也将该文件放到dict文件夹下。问题的问题主要是接下来的对应类别的问题解析，已经问题搜索做准备。问题分类的第一步是判断问句内容中是否有图数据库中的实体内容，如果没有就无法做出相关的查询解答。效果也基本上符合预期。..
2022-07-24 11:30:32
1461
原创 【知识图谱】实践篇——基于医疗知识图谱的问答系统实践（Part2）：图谱数据准备与导入
由于导入数据库时间比较长，这里就没有尝试运行导入到数据库模块程序，只将对应的实体输入到KGQAMedicine/data/dict目录下。我将原项目中的数据放到KGQAMedicine/data/medicial.json中，并将路径配置的配置文件中。从数据形式上来看，该文件中的数据应该是从mongodb中导出。我们使用原项目中已经爬取和处理完毕的数据。下面介绍图谱数据获取，数据主要从http//jib.xywy.com/爬取。按照原来的计划是将数据爬取相关的代码也过一下的，于是做了以下相关配置。.....
2022-07-23 19:26:42
1472
原创 【知识图谱】实践篇——基于医疗知识图谱的问答系统实践（Part1）：项目介绍与环境准备
在我阅读这个项目时（2022-7-17）,该项目的start数目大4.2k，fork达1.6k。从数据上来看，大家是比较认可该项目的。当然，原作者也是很厉害的，是中国科学院软件研究的所刘焕勇老师。该项目从无到有搭建一个以疾病为中心的一定规模医药领域知识图谱，并以该知识图谱完成自动问答与分析服务。适合一个初学人员了解该类项目的pipline过程。该项目立足医药领域，以垂直型医药网站为数据来源，以疾病为核心，构建起一个包含7类规模为4.4万的知识实体，11类规模约30万实体关系的知识图谱。......
2022-07-17 23:38:14
3216
2
原创 【NLP】一个支持低资源、长篇章、多模态的开源知识抽取工具——DeepKE
http.主要功能分为三个类别单句、篇章级、多模态。对于单句支持常用的实体抽取、属性抽取、关系抽取三个任务。如实体抽取效果篇章级、多模态则主要是关系抽取任务。https.该工具设计的框架如下DeepKE包含命名实体识别、关系抽取和属性抽取三个模块，分别是三个任务。每个模块都有自己的子模块。例如，关系抽取模块中有标准的、少样本、文档级和多模态子模块。每个子模块由三部分组成一组可用作tokenizer的工具、数据加载器、训练和预测时使用编码的一种处理模块。deepke，然后激活。......
2022-07-14 21:48:58
3265
2
原创 【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part7项目优化与打包
前序文章：本部分主要是对项目进行优化，已经打包发布到github上。在学习flask时我们知道，flask支持自定义命令行命令去实现一些功能。在实现该功能之前，我们先将neo4j数据库进行清空，在neo4j页面端执行如下命令：在KGQAHLM/serve目录下创建db.py文件，内容如下：然后就是把该内容注册到app应用中，如下：效果测试，即在终端输入：即可，如下：数据库查看：那么原来的KGQAHLM/build_graph.py就可以删除了。这一步就是配置项目在其他环境中，通过pip i
2022-07-10 21:45:33
1983
原创 【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part6基于图谱的问答实现
前序文章：本部分则是整个项目的核心内容——基于图谱的问答。需要实现的是对于“简单问题”进行解析，然后从图谱数据库中查询与该人员及其相关人员信息，返回到前端并显示该人员的基本信息。除此之外，用户可以点击返回的结果人员节点，页面能够显示该用户的个人基本信息。那么现在就开始吧。根据源码实现问答形式，其实是比较简单的。原代码中使用ltp对问题进行分词，选取具有名次词性的关键词进行处理。ltp配置稍许麻烦，我使用jieba分词工具对问题进行分词，然后再按照原文提取问句中人物及关系，然后构建cypher neo4j查
2022-07-10 19:24:17
1835
原创 【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part5人物关系全貌与问答初入
前序文章：本部分主要是实现页面中查看所有任务关系并在前端展示的功能以及进行问答模块的准备。当图谱数据量比较大的时候，就不适合将所有的数据放到前端展示，因为前端在面临大量数据时渲染可能会存在一些问题。源代码中使用加载离线的关系数据。为了便于查看，我截图如下：我将这个数据放到KGQAHLM/serve/static/data.json中。供待会页面加载使用。这时该功能的前端代码如下：KGQAHLM/templates/relation.html效果查看：那么到这里几个基本功能就实现了，下面就要开始整个
2022-07-10 11:19:07
1503
2
原创 【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part4检索人物关系实现
前序文章：这个阶段开始，我们会查询很多neo4j数据库中的内容。为了方便，下面对以往的程序进行优化。将与neo4j连接放到config中，其他地方使用时，导入即可。调整如下：KGQAHLM/utils/config.py那么对应的KGQAHLM/build_graph.py中的代码调整如下：后续查询和处理问答相关数据的功能实现，我会统一放到一个包中，KGQAHLM/KGQA。原代码中已经为各人物爬取好了对应的图片，我将该图片资源放到：KGQAHLM/serve/static 目录下，并更名为people
2022-07-10 10:02:12
1821
1
原创 【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part3前端搭建与可视化
前序文章：本部分内容主要是参见flask服务搭建可视化前端部分。程序中我也尽可能地使用前后端分类的方式去实现前后端的结合，也就是使用ajax的方式前端提交请求，后端接受请求并返回。原程序使用boot strap框架。那么就需要把很多css，js文件放到静态文件夹中。于是在对应文件夹中创建static、templates文件夹，如下：后面若有需要的调整的内容，再做说明。主要是在模板部分将静态文件中引入。页面模板暂时设置四个block供后文继承。如下（KGQAHLM/serve/templates/base
2022-07-10 07:53:05
2085
1
原创 【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part2知识获取与图谱构建、服务搭建
前序文章：其中原项目提供了关系数据如下：其中五列数据表示：人物1，人物2，人物1与人物2关系，人物1所属家族，人物2所属家族。关系说明：以第一列为例，贾演是贾代化的父亲。下面我们就将这个数据放到neo4j中。这些需要去连接，需要安装这个包：程序中，我使用去读取配置文件，其中为了保持配置全局唯一性，使用单例的写法。后面就是创建构建关系文件，构建neo4j图谱数据了，如下：后期可能会将构建图谱内容使用flask去生成命令行的方式构建，暂时在开发的过程查看构建情况，便于调试。导入关系后，我们再查看
2022-07-09 23:14:47
2402
原创 【Linux】 常见命令总结
PS，是Linux系统命令之一，是在Linux中是查看进程的命令。ps查看正处于Running的进程，ps aux查看所有的进程。实际名称为进程状态（process status, ps）.主要参数如下：更多信息可参考：Linux ps 命令，我们通常会时使用命令去查看某个进程状态。可参考：Linux grep 命令。通常我们会在一个查询结果后面通过管道 传给去查找指定内容。例如：就是把查询自身给过滤掉，其中-v 或 --invert-match : 显示不包含匹配文本的所有行。可参考：Linux awk
2022-07-09 22:18:30
193
原创 【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part1项目介绍与环境准备
看到这篇文章的你，相信对知识图谱相关概念不在陌生。知识图谱相关内容在实际开发中包含两个部分：1.知识图谱构建，2.知识图谱使用。知识图谱构建过程中涉及内容、技术都比较多。知识图谱的应用也逐渐在我们的生活中随处可见，其中基于知识图谱的问答系统就是其中的一个应用。基于知识图谱的问答系统称做KGQA（knowledge graph question answer），也有人称其为KBQA（knowledge based question answ）.基于知识图谱的问答系统通常是使用的是领域知识图谱。下面就结合Git
2022-07-09 19:28:14
3321
原创 【neo4j】docker容器化安装
做与知识图谱相关任务时，少不了需要和neo4j打交道。对于数据库服务的安装我是比较青睐于使用docker容器来安装，减少了环境配置等。毕竟没有太多时间去搞环境配置和运维相关的工作。本文的neo4j的安装参考了博文：docker安装部署neo4j1.从镜像源中找合适的镜像：2.拉取镜像源，也可以加上版本号3.查看本地镜像，检查是否拉取成功，在你根目录的任意一个子目录（我这里是/home)下建立四个基本的文件夹简化命令：其中container_name可以自己指定，挂载在根目录下的子目录可以根据你自己的实际
2022-07-09 16:17:35
2130
原创 【Python】将文件夹中文件按时间排序输出及os.path使用汇总
通常使用获取的文件list是按照文件名进行排序的，但有时需求是按照文件创建时间或修改时间后排序的结果。依然使用的系统自带的功能包。在使用之前我们需要了解几个功能（参考：Python os.path() 模块）：在相关使用中，我们可以看到有几个关于获取文件时间的函数：有了这几个函数那么就好办了，以获取文件夹下按照创建时间排序后的文件列表实现如下：...
2022-07-09 15:37:32
6084
2
原创 【Flask】官方教程(Tutorial)-part4（完结）测试覆盖度、部署到生产、持续开发
前序文章：官方教程(Tutorial)-part1：项目布局、应用程序设置、定义和访问数据库官方教程(Tutorial)-part2：蓝图-视图、模板、静态文件官方教程(Tutorial)-part3：blog蓝图、项目可安装化为您的应用程序编写单元测试可以让您检查您编写的代码是否按您期望的方式工作。 Flask 提供了一个测试客户端，可以模拟对应用程序的请求并返回响应数据。您应该尽可能多地测试您的代码。函数中的代码仅在函数被调用时运行，分支中的代码（例如 if 块）仅在满足条件时运行。您要确保使用涵
2022-07-06 23:19:43
412
原创 【Flask】官方教程(Tutorial)-part3：blog蓝图、项目可安装化
前序文章：官方教程(Tutorial)-part1：项目布局、应用程序设置、定义和访问数据库官方教程(Tutorial)-part2：蓝图-视图、模板、静态文件下面我们使用书写验证蓝图模型的相关技术来写博客的蓝图。博客应该列出所有帖子，允许登录用户创建帖子，并允许帖子作者编辑或删除它。在实现每个视图时，请保持开发服务器运行。保存更改时，请尝试转到浏览器中的 URL 并对其进行测试。定义蓝图并在应用工厂中注册。使用从工厂导入并注册蓝图。在返回应用程序之前，将新代码放在工厂函数的末尾。与身份验证蓝图不同，
2022-07-05 23:54:19
346
原创 【Flask】官方教程(Tutorial)-part2：蓝图-视图、模板、静态文件
前序文章：官方教程(Tutorial)-part1：项目布局、应用程序设置、定义和访问数据库视图函数是您为响应应用程序请求而编写的代码。Flask 使用模式将传入的请求 URL 与应该处理它的视图相匹配。视图返回 Flask 转换为传出响应的数据。 Flask 也可以换一种方式，根据视图的名称和参数生成视图的 URL。蓝图是一种组织一组相关视图和其他代码的方式。与其将视图和其他代码直接注册到应用程序，不如将它们注册到蓝图。然后蓝图在工厂函数中可用时向应用程序注册。Flaskr 将有两个蓝图，一个用于身份验
2022-07-04 22:57:04
689
原创 【Flask】官方教程(Tutorial)-part1：项目布局、应用程序设置、定义和访问数据库
前几篇文章应该大致对flask入了门。实战才是硬道理，根据实战内容不懂什么就需要查阅资料和学习，这样才能对很多概念有更深入的了解。现在就根据官方教程来来总体过一下一个简单的web application demo.这个教程将引导我们创建一个名为 Flaskr 的基本博客应用程序。用户将能够注册、登录、创建帖子以及编辑或删除他们自己的帖子。您将能够在其他计算机上打包和安装该应用程序。那么这里也假设读者对python有一定的了解。虽然它旨在提供一个良好的起点，但本教程并未涵盖 Flask 的所有功能。本教程
2022-07-03 20:11:37
1060
原创 【Flask】响应、session与Message Flashing
前序文章：视图函数（请求处理对应的函数）的返回值会自动为您转换为响应对象。如果返回值是一个字符串，它会被转换成一个响应对象，其中字符串作为响应主体，一个 200 OK 状态码和一个 text/html mimetype。如果返回值是一个dict类型的数据，我们则需要借用去生成一个response。Flask 应用于将返回值转换为响应对象的逻辑如下：如果要在视图中获取结果响应对象，可以使用 函数。假如我们有如下的视图：你只需要用 包装返回表达式并获取响应对象来修改它，然后返回它：JSON类型的API在
2022-07-03 14:57:43
213
原创 【Flask】获取请求信息、重定向、错误处理
前序文章：我们知道，对于 Web 应用程序，对客户端发送到服务器的数据做出反应至关重要。在 Flask 中，这个信息由全局request对象提供。使用它的第一步则是从flask模块中导入：前面的文章中介绍过，在httpt协议中，一个请求有多种可能，如GET,POST等。我们可以通过来获取。在html端有时我们使用form表单（POST,PUT方法会进行数据请求）去提交数据，那么服务端获取form表单中数据的方式是通过form属性获取。一个简单的案例如下：当key没有在form中时，就会包KeyError
2022-07-02 15:52:14
785
latex代码显示文档.zip
2020-02-29
常用6722个繁体简体mysql数据库
2018-11-25
用java调用python
2018-03-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人