TLDR

这篇文章比较长，介绍全面。恐怕很多人读不完，先来一个Too Long Don’t Read的总结：

2024-01-11

【译】基于MarkupLM的web数据抽取

摘要

网站在当今数字时代已成为许多组织获取信息的关键来源。然而，从多个网站的网页中提取和组织半结构化数据存在挑战，尤其是在希望保持广泛适用性的同时实现高度自动化时。在追求自动化的过程中，自然而然的发展是将网页数据提取的方法从仅能处理单个网站扩展到通常在同一领域内处理多个网站。尽管这些网站共享相同的域，但数据的结构可能差异巨大。一个关键问题是在保持足够准确性的同时，这样的系统能够通用地涵盖大量网站。该论文检查了在多个瑞典保险公司网站上进行的自动化网络数据提取的效率。先前的工作表明，使用包含多个领域网页的已知英语数据集可以取得良好的结果。选择了最先进的模型MarkupLM，并使用监督学习使用两个预训练模型（一个瑞典模型和一个英语模型）在标记的汽车保险客户网络数据的训练集上进行零样本学习。结果显示，这样的模型可以通过利用预训练模型，在源语言为瑞典的情况下，以相对较小的数据集在领域范围内取得良好的准确性。

2023-09-26

经济与金融

直接税改革——王朝周期律的胜负手

关于财产私有制

在讨论《苏联解体的根本原因》时，提到了几个问题。其中有一个是：

2023-09-03

Rust

Rust中的宏

什么是宏？

宏是一种元编程的方式，和Java1.6引进的AnnotationProcessor类似，它可以在编译时生成源代码。这种元编程技术可以让我们从样板代码中解脱出来，比如Lombok。

2023-08-06

经济与金融

唯物主义历史观

人猿相揖别。只几个石头磨过，小儿时节。铜铁炉中翻火焰，为问何时猜得？不过几千寒热。人世难逢开口笑，上疆场彼此弯弓月。流遍了，郊原血。
一篇读罢头飞雪，但记得斑斑点点，几行陈迹。五帝三皇神圣事，骗了无涯过客。有多少风流人物？盗跖庄屩流誉后，更陈王奋起挥黄钺。歌未竟，东方白。
贺新郎·读史————毛泽东

农业时代的生产力发展

2023-05-28

J2EE

SpringBoot3的新特性-RFC7807-ProblemDetail

默认情况下，SpringBoot提供了DefaultErrorAttributes类，该类实现了ErrorAttributes接口，以在发生未处理的错误时生成错误响应。在默认错误的情况下，系统会生成一个 JSON 响应结构，我们可以更仔细地检查它：

{
    "timestamp": "2023-04-01T00:00:00.000+00:00",
    "status": 500,
    "error": "Internal Server Error",
    "path": "/api/example"
}

2023-01-26

算法

DEPTA

Web Data Extraction Based on Partial Tree Alignment ———— 论文翻译

摘要

2022-08-04

数据库

时序数据库和传统关系型数据库

时序数据特点：

1、写多读少：持续高并发的写入，由于定期采样的特点，写入量平稳，几乎不会有更新操作。

2022-02-13

Linux运维

解决Docker镜像爆满的问题

现象

使用过docker的人都知道，在正常情况下。我们使用multi-stage构建利用docker镜像缓存机制，可以加快构建速度。

2021-11-01

C&C++

在nginx中安装并调试OpenResty

安装OpenResty相关模块

OpenResty是基于Lua即时编译器(LuaJIT)对Nginx进行扩展的模块——最核心的就是lua-nginx-module这个模块。其他的都是OpenResty基于lua开发的相关模块，当然也可以基于lua开发自己的第三方模块。