-
muggle_ocr是一个轻量级、无需训练、支持中英文识别的离线OCR库，适用于验证码和简单文本提取。
-
Pythonlogging模块是标准库中成熟灵活的日志工具，核心在于合理配置、恰当分级与可追溯输出；推荐使用命名logger实例、Handler-Formatter-Level三层协作、分离配置及结构化日志。
-
Python程序先由解释器将源代码经词法语法分析生成平台无关字节码（.pyc），再由PVM逐条解释执行；模块按需导入并立即执行顶层代码；对象通过引用计数与gc协同管理内存。
-
使用requests.Session()可自动保持Cookie、复用TCP连接、统一设置请求头，适用于需登录态或多次交互的场景；普通requests.get()每次独立，无法维持会话状态。
-
Python单线程高并发I/O靠事件循环+非阻塞I/O+协程协作调度，非多线程；await挂起协程交还控制权，I/O就绪后恢复；CPU密集型任务需用run_in_executor避免阻塞循环。
-
conntrack-L-s和-d参数在大多数发行版中已废弃且无过滤作用，实际列出所有连接；正确方式是用grep精确匹配conntrack-L输出，或用conntrack-D-s/-d进行源/目的IP删除。
-
Python中处理绝对路径和相对路径主要依赖os.path和pathlib模块。以下是常用函数及其用途说明。获取绝对路径将相对路径转换为绝对路径，常用以下方法：os.path.abspath(path)：返回指定路径的绝对路径，自动解析.和..os.path.realpath(path)：返回真实路径，会解析符号链接Path.resolve()（来自pathlib.Path）：类似realpath，推荐在新代码中使用示例：importosfrompathlibimportPa
-
Python内存管理依赖引用计数与gc模块协同工作：引用计数实时释放零引用对象，gc模块处理循环引用；需用weakref、及时解绑、避免__del__滥用等预防泄漏，并通过sys.getrefcount、gc.garbage和psutil监控验证。
-
推荐使用Pandas的.assign()方法添加新列。1.该方法非原地修改原始DataFrame，返回包含新列的新DataFrame；2.支持添加常量列、基于现有列计算的新列、通过函数动态生成的新列；3.可一次性添加多列；4.适用于链式操作，提升代码可读性与维护性；5.结合numpy.where或自定义函数可实现复杂逻辑判断；6.能与其他Pandas操作（如筛选、分组、合并等）无缝组合，构建高效数据处理管道。
-
Pandas、NumPy、SciPy应分层协作：Pandas负责数据清洗与表达，NumPy支撑底层向量化计算，SciPy承担统计建模与假设检验；工程化需模块化设计，各层仅传DataFrame或dict，确保可维护、可上线。
-
Python文件操作异常处理需精准捕获FileNotFoundError、PermissionError等具体异常，优先使用with语句确保资源释放，对临时性错误有限重试，并链式抛出带业务上下文的新异常。
-
本文详解为何直接对LoopNet发起GET请求会超时或失败，指出其反爬机制与服务条款限制，并提供合法替代方案（API、官方合作、RSS/邮件订阅等），强调遵守robots.txt与TermsofUse的必要性。
-
Python中int和float的主要区别在于：1.int表示无小数的整数，支持任意大小；float表示带小数的实数，遵循IEEE754双精度标准，存在精度误差。2.int内存动态扩展，无溢出问题；float因二进制表示限制，如0.1+0.2≠0.3。3.可用type()或isinstance()判断类型，int与float可相互转换，但int()直接截断小数。4.运算中/总返回float，//返回整除结果，混合运算时int自动转为float。理解差异有助于提升计算准确性和代码效率。
-
Python配置文件首选JSON、INI、YAML：JSON轻量通用但无注释；INI结构清晰适合简单场景；YAML功能强支持嵌套与注释，推荐中大型项目；应封装Config类统一管理并校验。
-
GitHubActions轻量高效，适合中小型Python项目；Jenkins灵活可控，适合复杂流水线；二者可混合使用，统一配置保障CI可信性。
