【7月最新實現】使用Python獲取全網招聘數據，實現可視化分析

来源:https://www.cnblogs.com/hahaa/archive/2023/07/08/17537187.html
-Advertisement-
Play Games

哈嘍兄弟們，今天來實現採集一下最新的qcwu招聘數據。因為網站嘛，大家都爬來爬去的，人家就會經常更新，所以代碼對應的也要經常重新去寫。 對於會的人來說，當然無所謂，任他更新也攔不住，但是對於不會的小伙伴來說，網站一更新，當場自閉。 所以這期是出給不會的小伙伴的，我還錄製了視頻進行詳細講解，跟源碼一起 ...


哈嘍兄弟們，今天來實現採集一下最新的qcwu招聘數據。
因為網站嘛，大家都爬來爬去的，人家就會經常更新，所以代碼對應的也要經常重新去寫。

對於會的人來說，當然無所謂，任他更新也攔不住，但是對於不會的小伙伴來說，網站一更新，當場自閉。

所以這期是出給不會的小伙伴的，我還錄製了視頻進行詳細講解，跟源碼一起打包好了，代碼里有領取方式

軟體工具

先來看看需要準備啥

環境使用

Python 3.8
Pycharm

 

模塊使用

# 第三方模塊 需要安裝的
requests  >>> pip install requests
csv

 

實現爬蟲基本流程

一、數據來源分析: 思路固定

  1. 明確需求:
    - 明確採集網站以及數據內容
    網址: 51job
    內容: 招聘信息

  2. 通過開發者工具, 進行抓包分析, 分析具體數據來源
    I. 打開開發者工具: F12 / 右鍵點擊檢查選擇network
    II. 刷新網頁, 讓數據內容重新載入一遍
    III. 通過搜索<搜索你要的數據>去找數據具體位置
    招聘信息數據包: https://we.***.com/api/job/search-pc?api_key=51job×tamp=1688645783&keyword=python&searchType=2&function=&industry=&jobArea=010000%2C020000%2C030200%2C040000%2C090200&jobArea2=&landmark=&metro=&salary=&workYear=°ree=&companyType=&companySize=&jobType=&issueDate=&sortType=0&pageNum=1&requestId=&pageSize=20&source=1&accountId=&pageCode=sou%7Csou%7Csoulb

二、代碼實現步驟: 步驟固定

  1. 發送請求, 模擬瀏覽器對於url地址發送請求
    請求鏈接: 招聘信息數據包url
  2. 獲取數據, 獲取伺服器返迴響應數據 <所有的數據>
    開發者工具: response
  3. 解析數據, 提取我們想要的數據內容
    招聘基本信息
  4. 保存數據, 把信息數據保存表格文件裡面

代碼解析

模塊

# 導入數據請求模塊
import requests
# 導入格式化輸出模塊
# Python學習交流扣裙  708525271 
# 代碼和視頻在裙里拿
from pprint import pprint
# 導入csv
import csv

 

發送請求, 模擬瀏覽器對於url地址發送請求

headers = {
    'Cookie': 'guid=54b7a6c4c43a33111912f2b5ac6699e2; sajssdk_2015_cross_new_user=1; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%2254b7a6c4c43a33111912f2b5ac6699e2%22%2C%22first_id%22%3A%221892b08f9d11c8-09728ce3464dad8-26031d51-3686400-1892b08f9d211e7%22%2C%22props%22%3A%7B%22%24latest_traffic_source_type%22%3A%22%E7%9B%B4%E6%8E%A5%E6%B5%81%E9%87%8F%22%2C%22%24latest_search_keyword%22%3A%22%E6%9C%AA%E5%8F%96%E5%88%B0%E5%80%BC_%E7%9B%B4%E6%8E%A5%E6%89%93%E5%BC%80%22%2C%22%24latest_referrer%22%3A%22%22%7D%2C%22identities%22%3A%22eyIkaWRlbnRpdHlfY29va2llX2lkIjoiMTg5MmIwOGY5ZDExYzgtMDk3MjhjZTM0NjRkYWQ4LTI2MDMxZDUxLTM2ODY0MDAtMTg5MmIwOGY5ZDIxMWU3IiwiJGlkZW50aXR5X2xvZ2luX2lkIjoiNTRiN2E2YzRjNDNhMzMxMTE5MTJmMmI1YWM2Njk5ZTIifQ%3D%3D%22%2C%22history_login_id%22%3A%7B%22name%22%3A%22%24identity_login_id%22%2C%22value%22%3A%2254b7a6c4c43a33111912f2b5ac6699e2%22%7D%2C%22%24device_id%22%3A%221892b08f9d11c8-09728ce3464dad8-26031d51-3686400-1892b08f9d211e7%22%7D; nsearch=jobarea%3D%26%7C%26ord_field%3D%26%7C%26recentSearch0%3D%26%7C%26recentSearch1%3D%26%7C%26recentSearch2%3D%26%7C%26recentSearch3%3D%26%7C%26recentSearch4%3D%26%7C%26collapse_expansion%3D; search=jobarea%7E%60010000%2C020000%2C030200%2C040000%2C090200%7C%21recentSearch0%7E%60010000%2C020000%2C030200%2C040000%2C090200%A1%FB%A1%FA000000%A1%FB%A1%FA0000%A1%FB%A1%FA00%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA99%A1%FB%A1%FA9%A1%FB%A1%FA99%A1%FB%A1%FA%A1%FB%A1%FA0%A1%FB%A1%FApython%A1%FB%A1%FA2%A1%FB%A1%FA1%7C%21; privacy=1688644161; Hm_lvt_1370a11171bd6f2d9b1fe98951541941=1688644162; Hm_lpvt_1370a11171bd6f2d9b1fe98951541941=1688644162; JSESSIONID=BA027715BD408799648B89C132AE93BF; acw_tc=ac11000116886495592254609e00df047e220754059e92f8a06d43bc419f21; ssxmod_itna=Qqmx0Q0=K7qeqD5itDXDnBAtKeRjbDce3=e8i=Ax0vTYPGzDAxn40iDtrrkxhziBemeLtE3Yqq6j7rEwPeoiG23pAjix0aDbqGkPA0G4GG0xBYDQxAYDGDDPDocPD1D3qDkD7h6CMy1qGWDm4kDWPDYxDrjOKDRxi7DDvQkx07DQ5kQQGxjpBF=FHpu=i+tBDkD7ypDlaYj9Om6/fxMp7Ev3B3Ix0kl40Oya5s1aoDUlFsBoYPe723tT2NiirY6QiebnnDsAhWC5xyVBDxi74qTZbKAjtDirGn8YD===; ssxmod_itna2=Qqmx0Q0=K7qeqD5itDXDnBAtKeRjbDce3=e8i=DnIfwqxDstKhDL0iWMKV3Ekpun3DwODKGcDYIxxD==; acw_sc__v2=64a6bf58f0b7feda5038718459a3b1e625849fa8',
    'Referer': 'https://we.51job.com/pc/search?jobArea=010000,020000,030200,040000,090200&keyword=python&searchType=2&sortType=0&metro=',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36',
}
# 請求鏈接
url = 'https://we.***.com/api/job/search-pc'
# 請求參數
data = {
    'api_key': '51job',
    'timestamp': '*****',
    'keyword': '****',
    'searchType': '2',
    'function': '',
    'industry': '',
    'jobArea': '010000,020000,030200,040000,090200',
    'jobArea2': '',
    'landmark': '',
    'metro': '',
    'salary': '',
    'workYear': '',
    'degree': '',
    'companyType': '',
    'companySize': '',
    'jobType': '',
    'issueDate': '',
    'sortType': '0',
    'pageNum': '1',
    'requestId': '',
    'pageSize': '20',
    'source': '1',
    'accountId': '',
    'pageCode': 'sou|sou|soulb',
}
# 發送請求
response = requests.get(url=url, params=data, headers=headers)

 

獲取數據

獲取伺服器返迴響應數據 <所有的數據>
開發者工具: response
- response.json() 獲取響應json數據

解析數據

提取我們想要的數據內容

for迴圈遍歷

for index in response.json()['resultbody']['job']['items']:
    # index 具體崗位信息 --> 字典
    dit = {
        '職位': index['jobName'],
        '公司': index['fullCompanyName'],
        '薪資': index['provideSalaryString'],
        '城市': index['jobAreaString'],
        '經驗': index['workYearString'],
        '學歷': index['degreeString'],
        '公司性質': index['companyTypeString'],
        '公司規模': index['companySizeString'],
        '職位詳情頁': index['jobHref'],
        '公司詳情頁': index['companyHref'],
    }

 

以字典方式進行數據保存

csv_writer.writerow(dit)
print(dit)

 

保存表格

f = open('python.csv', mode='w', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
    '職位',
    '公司',
    '薪資',
    '城市',
    '經驗',
    '學歷',
    '公司性質',
    '公司規模',
    '職位詳情頁',
    '公司詳情頁',
])
csv_writer.writeheader()

 

可視化部分

import pandas as pd


df = pd.read_csv('data.csv')
df.head()


df['學歷'] = df['學歷'].fillna('不限學歷')
edu_type = df['學歷'].value_counts().index.to_list()
edu_num = df['學歷'].value_counts().to_list()



from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker
from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB
c = (
    Pie()
    .add(
        "",
        [
            list(z)
            for z in zip(edu_type,edu_num)
        ],
        center=["40%", "50%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Python學歷要求"),
        legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
c.load_javascript()



c.render_notebook()



df['城市'] = df['城市'].str.split('·').str[0]
city_type = df['城市'].value_counts().index.to_list()
city_num = df['城市'].value_counts().to_list()



c = (
    Pie()
    .add(
        "",
        [
            list(z)
            for z in zip(city_type,city_num)
        ],
        center=["40%", "50%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Python招聘城市分佈"),
        legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
c.render_notebook()



def LowMoney(i):
    if '萬' in i:
        low = i.split('-')[0]
        if '千' in low:
            low_num = low.replace('千', '')
            low_money = int(float(low_num) * 1000)
        else:
            low_money = int(float(low) * 10000)
    else:
        low = i.split('-')[0]
        if '元/天' in low:
            low_num = low.replace('元/天', '')
            low_money = int(low_num) * 30
        else:
            low_money = int(float(low) * 1000)
    return low_money
df['最低薪資'] = df['薪資'].apply(LowMoney)



def MaxMoney(j):
    Max = j.split('-')[-1].split('·')[0]
    if '萬' in Max and '萬/年' not in Max:
        max_num = int(float(Max.replace('萬', '')) * 10000)
    elif '千' in Max:
        max_num = int(float(Max.replace('千', '')) * 1000)
    elif '元/天' in Max:
        max_num = int(Max.replace('元/天', ''))  * 30
    else:
        max_num = int((int(Max.replace('萬/年', ''))  * 10000) / 12)
    return max_num
df['最高薪資'] = df['薪資'].apply(MaxMoney)



def tranform_price(x):
    if x <= 5000.0:
        return '0~5000元'
    elif x <= 8000.0:
        return '5001~8000元'
    elif x <= 15000.0:
        return '8001~15000元'
    elif x <= 25000.0:
        return '15001~25000元'
    else:
        return '25000以上'



df['最低薪資分級'] = df['最低薪資'].apply(lambda x:tranform_price(x))
price_1 = df['最低薪資分級'].value_counts()
datas_pair_1 = [(i, int(j)) for i, j in zip(price_1.index, price_1.values)]
df['最高薪資分級'] = df['最高薪資'].apply(lambda x:tranform_price(x))
price_2 = df['最高薪資分級'].value_counts()
datas_pair_2 = [(i, int(j)) for i, j in zip(price_2.index, price_2.values)]



pie1 = (
    Pie(init_opts=opts.InitOpts(theme='dark',width='1000px',height='600px'))
    
    .add('', datas_pair_1, radius=['35%', '60%'])
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="Python工作薪資\n\n最低薪資區間", 
            pos_left='center', 
            pos_top='center',
            title_textstyle_opts=opts.TextStyleOpts(
                color='#F0F8FF', 
                font_size=20, 
                font_weight='bold'
            ),
        )
    )
    .set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
)
pie1.render_notebook()



pie1 = (
    Pie(init_opts=opts.InitOpts(theme='dark',width='1000px',height='600px'))
    
    .add('', datas_pair_2, radius=['35%', '60%'])
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="Python工作薪資\n\n最高薪資區間", 
            pos_left='center', 
            pos_top='center',
            title_textstyle_opts=opts.TextStyleOpts(
                color='#F0F8FF', 
                font_size=20, 
                font_weight='bold'
            ),
        )
    )
    .set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
)
pie1.render_notebook() 



exp_type = df['經驗'].value_counts().index.to_list()
exp_num = df['經驗'].value_counts().to_list()
c = (
    Pie()
    .add(
        "",
        [
            list(z)
            for z in zip(exp_type,exp_num)
        ],
        center=["40%", "50%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Python招聘經驗要求"),
        legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
c.render_notebook()



# 按城市分組並計算平均薪資
avg_salary = df.groupby('城市')['最低薪資'].mean()
CityType = avg_salary.index.tolist()
CityNum = [int(a) for a in avg_salary.values.tolist()]
avg_salary_1 = df.groupby('城市')['最高薪資'].mean()
CityType_1 = avg_salary_1.index.tolist()
CityNum_1 = [int(a) for a in avg_salary_1.values.tolist()]



from pyecharts.charts import Bar
# 創建柱狀圖實例
c = (
    Bar()
    .add_xaxis(CityType)
    .add_yaxis("", CityNum)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="各大城市Python低平均薪資"),
        visualmap_opts=opts.VisualMapOpts(
            dimension=1,
            pos_right="5%",
            max_=30,
            is_inverse=True,
        ),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=45))  # 設置X軸標簽旋轉角度為45度
    )
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False),
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_="min", name="最小值"),
                opts.MarkLineItem(type_="max", name="最大值"),
                opts.MarkLineItem(type_="average", name="平均值"),
            ]
        ),
    )
)

c.render_notebook()


# 創建柱狀圖實例
c = (
    Bar()
    .add_xaxis(CityType_1)
    .add_yaxis("", CityNum_1)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="各大城市Python高平均薪資"),
        visualmap_opts=opts.VisualMapOpts(
            dimension=1,
            pos_right="5%",
            max_=30,
            is_inverse=True,
        ),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=45))  # 設置X軸標簽旋轉角度為45度
    )
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False),
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_="min", name="最小值"),
                opts.MarkLineItem(type_="max", name="最大值"),
                opts.MarkLineItem(type_="average", name="平均值"),
            ]
        ),
    )
)

c.render_notebook()


### 結論:
    1. 學歷要求基本大專以上
    2. 薪資待遇: 8000-25000 左右
    3. 北上廣 薪資偏高一些
### 如何簡單實現可視化分析
    1. 通過爬蟲採集完整的數據內容 --> 表格 / 資料庫
    2. 讀取文件內容
    3. 統計每個類目的數據情況
    4. 通過可視化模塊: <使用官方文檔提供代碼模板去實現>


import pandas as pd


# 讀取數據
df = pd.read_csv('data.csv')
# 顯示前五行數據
df.head()


c_type = df['公司性質'].value_counts().index.to_list() # 統計數據類目
c_num = df['公司性質'].value_counts().to_list() # 統計數據個數
c_type


from pyecharts.charts import Bar # 導入pyecharts裡面柱狀圖
from pyecharts.faker import Faker # 導入隨機生成數據
from pyecharts.globals import ThemeType # 主題設置

c = (
    Bar({"theme": ThemeType.MACARONS}) # 主題設置
    .add_xaxis(c_type)  # x軸數據
    .add_yaxis("", c_num) # Y軸數據
    .set_global_opts(
        # 標題顯示
        title_opts={"text": "Python招聘企業公司性質分佈", "subtext": "民營', '已上市', '外資（非歐美）', '合資', '國企', '外資（歐美）', '事業單位'"}
    )
    # 保存html文件
#     .render("bar_base_dict_config.html")
)
# print(Faker.choose()) # ['小米', '三星', '華為', '蘋果', '魅族', 'VIVO', 'OPPO'] 數據類目
# print(Faker.values()) # [38, 54, 20, 85, 71, 22, 38] 數據個數
c.render_notebook() # 直接顯示在jupyter上面

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 電腦COM口數據測試
    電腦COM口數據測試一、基本使用流程 程式需要以管理員身份運行，COM口迴路測試需短接2,3pin，測試時候使用控制台，配置測試相關路徑，併在測試完成後 1.測試配置路徑D:\bigdata\INI\FWCOM.ini 2.測試完成後需要在路徑D:\bigdata\LOG\生成測試FWCOM.lo ...
  • Python潮流周刊#10：Twitter 的強敵 Threads 是用 Python 開發的！
    # C++ 慣用法之 Copy-Swap 拷貝交換 > 這是“C++ 慣用法”合集的第 3 篇，前面 2 篇分別介紹了 RAII 和 PIMPL 兩種慣用法： > > - [RAII: Resouce Acquistion Is Initialization](https://www.cnblogs ...
  • Python Django 模版全解與實戰
    **本文首先介紹了Django模板系統的基礎知識，接著探討瞭如何安裝和配置Django模板系統，然後深入解析了Django模板的基本結構、標簽和過濾器的用法，闡述瞭如何在模板中展示模型數據，最後使用一個實際項目的例子來演示如何在實際開發中使用Django模板系統。** ## Django模板系統的簡 ...
  • RabbitMQ基本配置
    # 1.用戶角色配置 ![image.png](https://cdn.nlark.com/yuque/0/2023/png/38371876/1688636206975-acd927ca-1559-4236-85f2-07283999d50b.png#averageHue=%23f3f2f2&cl ...
  • SpringBoot與MyBatis零XML配置集成和集成測試
    Java存在很多ORM框架，MyBaits框架是我們項目中使用得最多也是最願意推薦的框架，它既有數據表和Java對象映射功能，又有原生SQL的特性。在與SpringBoot集成上，和其他框架一樣，可以做到全註解化，無XML配置…… ...
  • 從零用python flask框架寫一個簡易的網站
    要用Python寫一個網站，你可以使用Python的Web框架來開發。常見的Python Web框架包括Django、Flask、Bottle等。以下是一個簡單的使用Flask框架開發的示例。 ### 1. 安裝Flask 在開始開發之前，你需要安裝Flask框架。你可以使用以下命令來安裝： ``` ...
  • Python多任務教程：進程、線程、協程
    ### 1.進程 進程是一個具有一定獨立功能的程式在一個數據集上的一次動態執行的過程，是操作系統進行資源分配和調度的一個獨立單位，是應用程式運行的載體。進程是一種抽象的概念，從來沒有統一的標准定義。進程一般由程式、數據集合和進程式控制制塊三部分組成。程式用於描述進程要完成的功能，是控制進程執行的指令集； ...
  • python中zeros函數和ones函數的詳細用法
    ## 1.生產者工程 - pom.xml里引入依賴 ~~~xml org.springframework.boot spring-boot-starter-amqp ~~~ - application.yml里配置基本信息 ~~~yaml spring: rabbitmq: host: localh ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類