摘要： 知名的开源OCR引擎Tesseract 3.0版本日前发布，可以在项目网站下载：http://code.google.com/p/tesseract-ocr, 新版本支持中文,中文语言包定义http://code.google.com/p/tesseract-ocr/downloads/detail?name=chi_sim.traineddata.gz。Tesseract是Ray Smith于1985到1995年间在惠普布里斯托实验室开发的一个OCR引擎，曾经在1995 UNLV精确度测试中名列前茅。但1996年后基本停止了开发。2006年，Google邀请Smith加盟，重启该项目。目前项 阅读全文

摘要： 转发-来自http://www.redicecn.com/html/Python/20101209/204.html与之前的版本http://www.redicecn.com/html/yuanchuangchengxu/20101205/201.html相 比，这个使用了多线程。验证时间由原来的20分钟缩短到现在的1分钟左右。 直接上源码：proxy_verify.zip与之前的版本http:/... 阅读全文

摘要： 用Python多线程抓取并验证代理(转)2009年03月19日 星期四 13:56因为工作的关系，我写过许多个抓取网站信息的程序。最简单的，只要用Python的urllib2.urlopen()函数就可以了；然后，有个网站喜欢封人，所以，得找一批代理，轮流抓它的信息；有的网站不允许程序抓取，所以，就得加入一些头信息；有的网站需要登录，这时就要用到Cookies；最后，为了提高效率，最好是使用多线程... 阅读全文