小bug记

jieba分词

jieba分词,很好的中文分词库。前一段时间我用它来检测网页的敏感词。
遇到几个问题,记一下。

辣妈比美

我的敏感词库里面,‘妈比’是个敏感词。将敏感词库(TXT)导入结巴的辞典,分词结果为辣妈,妈比,比美,很尴尬

不要用json

我先用scrapy将网页内容抓取下来存入HBASE,然后从HBASE中取出网页内容,BeautifulSoup提取文本并进行分词。后来因为一些编码问题,我在scrapy的pipeline中将网页的html转换成json格式并入库,导致分词失败。
json格式分出来的词是这样的,比如中文字\u4f60\u597d,会被分成\,u,4,f,6,0,\,u,5,9,7,d

flag=ad

我在程序中把广告词的flag(词性)记为ad,结果造成很多误判,查询jieba的dict.txt我发现原来ad这个flag已经被用过了,例如仔细 2997 ad

Scrapy爬虫编码

用Python2最蛋疼的就是编码,爬中文网页最蛋疼的就是编码,最最蛋疼的就是用Python2代码统一爬各种编码的中文站。Scrapy的Python2版本有时抓取gb2312这类编码的网站会爆UnicodeDecodeError
比较彻底的解决办法使用Python3的Scrapy。

Python3!Python3!

最近在把代码向Python3迁移。整体感觉Python3对各种数据格式的转换更加规范,不规范的直接报错,而不是给你来个默认的转换规则。最近看的O'Relly的书,讲Python的,已经没有用Python2做示例代码的了。
也许多年后的某天,我会回想起坐在ThinkPad前的那个下午,那时候讲Python,还有两个版本呢。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 156,907评论 4 360
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 66,546评论 1 289
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 106,705评论 0 238
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 43,624评论 0 203
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 51,940评论 3 285
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,371评论 1 210
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,672评论 2 310
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,396评论 0 195
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,069评论 1 238
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,350评论 2 242
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,876评论 1 256
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,243评论 2 251
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,847评论 3 231
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,004评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,755评论 0 192
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,378评论 2 269
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,266评论 2 259

推荐阅读更多精彩内容

  • 环境管理管理Python版本和环境的工具。p–非常简单的交互式python版本管理工具。pyenv–简单的Pyth...
    MrHamster阅读 3,745评论 1 61
  • # Python 资源大全中文版 我想很多程序员应该记得 GitHub 上有一个 Awesome - XXX 系列...
    小迈克阅读 2,859评论 1 3
  • # Python 资源大全中文版 我想很多程序员应该记得 GitHub 上有一个 Awesome - XXX 系列...
    aimaile阅读 26,292评论 6 428
  • 众所周知在制浆就是由植物纤维原料分离出纤维而得纸浆的过程。在这过程中浆会产生大量的泡沫,这些泡沫会影响纸的质量和...
    1a66028e1490阅读 260评论 0 0
  • 春节时,在外地生活的弟弟和妹妹都回来了。妈妈因为这几年一直在外地给弟弟照顾孩子,家里只有爸一个人在。而爸几十年来很...
    听风掠过阅读 329评论 4 3