Archive for the '收藏' Category
收藏——The Easy Way to Extract Useful Text from Arbitrary HTML
星期日, 06月 29th, 2008原文地址：http://ai-depot.com/articles/the-easy-way-to-extract-useful-text-from-arbitrary-html/
作者： alexjc
介绍了一种另类的、简单的、有效的、具有一定广泛性的提取HTML文档正文内容的方法，这种方法从统计学和机器学习的角度出发，使用文本和HTML代码的密度来决定一行文件是否应该输出，从而跨越了HTML文件的结构和标签的分析难度，实现真正文本信息的挖掘。
如文章中所示，其主要原理如下：
- Parse the HTML code and keep track of the number of bytes processed.
- Store the text output on a per-line, or per-paragraph basis.
- Associate with each text line the number of bytes of HTML required to describe it.
- Compute the text density of each line by calculating the ratio of text to bytes.
- Then decide if the line is part of the content by using a neural network.
作者使用了python来实现了基本的实例，并使用了FANN（Fast Artificial Neural NetWork，人工神经网络库）的机器学习算法使得结果更为成熟，思路明确，代码简单，图表清晰，很棒的文章。
csdn的赖勇浩（恋花蝶的博客）曾翻译过该文，地址是：http://blog.csdn.net/lanphaday/archive/2007/08/13/1741185.aspx
收藏——MySpace的六次重构
星期日, 06月 29th, 2008本文来自互联网，如侵犯了您的权利，请来信告知：gsls.info@gmail.com
在每个里程碑，站点负担都会超过底层系统部分组件的最大载荷，特别是数据库和存储系统。接着，功能出现问题，用户失声尖叫。最后，技术团队必须为此修订系统策略。
虽然自2005年早期，站点账户数超过7百万后，系统架构到目前为止保持了相对稳定，但MySpace仍然在为SQL Server支持的同时连接数等方面继续攻坚，Benedetto说，”我们已经尽可能把事情做到最好”。
1.里程碑一：50万账户
按Benedetto 的说法，MySpace最初的系统很小，只有两台Web服务器和一个数据库服务器。那时使用的是Dell双CPU、4G内存的系统。
单个数据库就意味着所有数据都存储在一个地方，再由两台Web服务器分担处理用户请求的工作量。但就像MySpace后来的几次底层系统修订时 的情况一样，三服务器架构很快不堪重负。此后一个时期内，MySpace基本是通过添置更多Web服务器来对付用户暴增问题的。
但到在2004年早期，MySpace用户数增长到50万后，数据库服务器也已开始汗流浃背。
但和Web服务器不同，增加数据库可没那么简单。如果一个站点由多个数据库支持，设计者必须考虑的是，如何在保证数据一致性的前提下，让多个数据库分担压力。
在第二代架构中，MySpace运行在3个SQL Server数据库服务器上–一个为主，所有的新数据都向它提交，然后由它复制到其他两个；另两个全力向用户供给数据，用以在博客和个人资料栏显示。这 种方式在一段时间内效果很好–只要增加数据库服务器，加大硬盘，就可以应对用户数和访问量的增加。
奇人奇词：词二首
星期日, 06月 15th, 2008词二首
作者：王兆山
江城子.废墟下的自述
一位废墟中的地震遇难者，冥冥之中感知了地震后地面上发生的一切，遂发出如是感慨——
天灾难避死何诉，
主席唤，总理呼，
党疼国爱，声声入废墟。
十三亿人共一哭，
纵做鬼，也幸福。
银鹰战车救雏犊，
左军叔，右警姑，
民族大爱，亲历死也足。
只盼坟前有屏幕，
看奥运，同欢呼。
钗头凤
川之吟
山青秀，水碧透，
峰塌须臾河毁骤。
城飞歌，乡飘乐，
楼崩灵折，村消屯破。
祸。祸。祸。
国殇忧，八方吼，
令发京城动九州。
红旗烁，军歌越，
救川举国，不弃一个。
魄！魄！魄！
G一下吧：王兆山
想起屈原的“长太息以淹涕兮，哀民生之多难”，想起郑板桥的“衙斋卧听萧萧竹，疑是民间疾苦声”。不由得对这个现实和人生，失望无比。