我们曾经介绍过很多搜索谷歌的方法，尤其是 Google dorks，对开发者、公民调查和黑客都非常重要。比如，见这里：《》。

我们曾经介绍过很多搜索谷歌的方法，尤其是 Google dorks，对开发者、公民调查和黑客都非常重要。比如，见这里：《》。 但是，如果您是新手，也许很难一下子掌握其要领。即便把基本运算符全背下来也不一定就能够顺利设置一个恰当的和高明的 dorks。 幸运的是，现在有一个很简单的方法，帮助初学者轻而易举地做到使用 dorks 挖掘信息而不需要掌握其技能。 FilePhish 这个工具是一个简单的 Google 查询生成器，用于快速轻松地搜寻文档文件。您不需要使用 dorks 句式，​​只需输入目标网站的 url 和关键字，剩下的工作就交给 FilePhish 好啦。 默认情况下，FilePhish 将使用您输入的站点名称和关键字打开一个新选项卡，支持的文件类型包括 .PDF .DOCX .DOC .CSV .XLSX .TXT .RTF .ODT .PPTX .PPTM .PPT .XML .KML 通过在 “更多文件类型” 选项下选择 “数据库或软件”，它将可以分别搜索 .PHP .SQL .SQLITE .PDB .IDB .CDB .SIS .ODB 和 .ENV .CFG .CONF .CONFIG .CFM .LOG .INF 文件 FilePhish 目前适用于 Safari、Google Chrome 和 Mozilla Firefox 浏览器。 链接： #tools #search #dorking

使用Node和Cheerio进行网页抓取

使用Node和Cheerio进行网页抓取 网页抓取是一种从网站获取数据的方式，数据可以是文本、图片或任何其他可下载的文件等。在本教程中，我们将抓取非CSR即客户端使用 JavaScript (React/角网站）。 在本教程中，将使用网络抓取来获取列出的相关工作Hacker News。每当执行爬虫代码时，我们都会将 JavaScript、react、node 等作业保存到 Excel。此外，我们将使代码可配置以轻松更改过滤器参数。 我们将使用node.js进行网页抓取，为此，我们将使用Axios获取网站的 HTML，然后在Cheerio的帮助下找到我们需要保存的数据。此外，我们将看到如何将抓取的数据保存到node.js中的CSV文件并处理分页 | #教程

一个用于传输中的嵌套、非结构化、多模态数据的库，包括文本、图像、音频、视频、3D 网格等。它允许深度学习工程师使用 Python

一个用于传输中的嵌套、非结构化、多模态数据的库，包括文本、图像、音频、视频、3D 网格等。它允许深度学习工程师使用 Pythonic API 高效地处理、嵌入、搜索、推荐、存储和传输多模态数据。 跨/多模态世界的大门：用于表示复杂/混合/嵌套文本、图像、视频、音频、3D 网格数据的超表现力数据结构。吉娜的基础数据结构，CLIP-即服务，DALL·E流，迪斯科艺术等 数据科学强国：通过CPU/GPU上的Torch/TensorFlow/ONNX/PaddlePaddle，大大加快数据科学家在嵌入、k-NN匹配、查询、可视化和评估方面的工作。 传输中的数据：针对网络通信进行了优化，随时可以在线连接，在 Protobuf、bytes、base64、JSON、CSV、DataFrame 中进行快速和压缩的序列化。非常适合流式传输和内存不足数据。 一站式k-NN：主流矢量数据库的统一一致的API，允许最近的邻居搜索，包括Elasticsearch，Redis，ANNLite，Qdrant，Weaviate。 对于现代应用程序：GraphQL 支持使您的服务器在请求和响应时具有多功能性;内置的数据验证和 JSON 架构 （OpenAPI） 可帮助您构建可靠的 Web 服务。 Pythonic 体验：设计得像 Python 列表一样简单。如果你知道如何Python，你就知道如何DocArray。直观的习语和类型注释简化了您编写的代码。 与IDE集成：在Jupyter笔记本和Google Colab上实现漂亮的打印和可视化;PyCharm & VS Code 中的全面自动完成和类型提示。 DocArray由三个简单的概念组成： 文档：一种数据结构，用于轻松表示嵌套的非结构化数据。 DocumentArray：用于高效访问、操作和理解多个文档的容器。 数据类：用于直观地表示多模态数据的高级 API。 | #数据库

Quibbler是一个工具集，用于构建高度交互但可重现的， 透明高效的数据分析管道，允许使用标准Python语法通过任何一系列的

Quibbler是一个工具集，用于构建高度交互但可重现的， 透明高效的数据分析管道，允许使用标准Python语法通过任何一系列的分析步骤处理数据，而自动保持下游结果与上游原始数据之间的连接来源。 Quibbler促进并接受人类干预作为固有部分 分析管道：输入参数，以及异常和覆盖，可以通过编程方式指定和调整，也可以通过以下方式指定和调整与“实时”图形交互，所有此类干预都是自动的记录在有据可查的人机可读文件中。对此类参数的更改向下游传播，查明哪些特定数据项，或甚至其中的特定元素也会受到影响，从而大大节省了不必要的重新计算。因此，Quibbler促进了与数据的动手交互不仅灵活、有趣和互动，而且可追溯，可重现，计算效率高。 主要特点 互动：创建交互式图形就像 简单就像使用表示参数值的参数调用标准 Matplotlib 图形函数一样；以图形方式呈现的任何数据都是自动实时和交互式的 （不需要繁琐的回调函数编程）。 可追溯性和可重复性：跟踪哪些特定数据项和分析参数会影响焦点下游结果（请参阅依赖关系图）；固有的撤消/重做功能；将参数值保存/加载为 人类可读的记录（作为外部文本文件， 或在Jupyter笔记本内）。 计算效率：参数更改后，Quibbler 会精确定位并仅重新计算特别受影响的数组元素 下游分析步骤（此处）。 以上所有内容都使用完全标准的函数和编程语法 - 只需“iquib”你的输入和代码即可栩栩如生！ Quibbler目前支持所有Python运算符的自然编码语法，切片，getitem，Numpy函数， Matplotlib graphics、Matplotlib widgets 和 ipywidgets。它进一步提供了一种简单的合并方法 任何用户功能或任何其他（非图形）包中的功能。 除了 Matplotlib 之外，对其他图形包的支持将在未来的版本中提供。 | #工具

diff-so-fancy是一个工具，可以更轻松地查看和理解 Git 提交和差异中所做的更改。它通过以更具视觉吸引力和更易于阅读

diff-so-fancy是一个工具，可以更轻松地查看和理解 Git 提交和差异中所做的更改。它通过以更具视觉吸引力和更易于阅读的方式格式化“git diff”命令的输出来实现这一点。 例如，它突出显示添加和删除的行，使用颜色来区分不同类型的更改，并删除元数据和合并冲突等不必要的信息。 diff-so-fancy 的主要好处之一是它可以帮你专注于差异中最重要的信息，而不是迷失在细节中。这在处理大型或复杂的代码库时尤其有用，因为在这些代码库中很难理解给定更改的影响。 | #工具

TikTok 已经自动在其平台上使用“AI 生成”的标签标记使用 TikTok AI 工具制作的内容，现在这个标签也将用于其他平

TikTok 已经自动在其平台上使用“AI 生成”的标签标记使用 TikTok AI 工具制作的内容，现在这个标签也将用于其他平台创建的内容。现在，TikTok 将能够检测到上传到其平台的图片或视频中包含表明内容由 AI 生成的元数据标签，并表示它是第一个支持新内容凭证的社交媒体平台。 TikTok支持Adobe开发的标签系统(已被添加到Photoshop和Firefly等工具中)，因为它与Adobe的内容真实性倡议(CAI)以及内容来源和真实性联盟(C2PA)合作。 TikTok 表示，内容凭证支持将在平台上经历“多阶段实施”。公司的第一步是开始自动标记已包含内容凭证的 AI 生成上传内容。下一步是为使用 TikTok 的 AI 效果生成的内容添加标签，即使内容被下载到其他地方发布，这些标签也会保留。 标签: #TikTok #AI 频道: @GodlyNews1 投稿: @Godlynewsbot