楼主是啥岗位的。我们公司打算新开发一个 APP ，正打算招一个前端和一个 JAVA 后端，位于上海

需要的是类似 https://github.com/luizalabs/shared-memory-dict 这种？

或者是 multiprocessing 库里的 Manager ？类似这种 https://stackoverflow.com/questions/6832554/multiprocessing-how-do-i-share-a-dict-among-multiple-processes

以上两个都是谷歌搜索 python shared memory dict 找到的。楼主可以试试

我上份工作是做商业化的简历自动解析的。我们当时使用的是 MongoDB 数据库存储，主要是考虑到解析的字段经常增加修改

但是我们的存储除本身没有太考虑复杂查询的优化

当时的存储格式大体是

[
{'学校': '北京大学（珠海分校）', // 简历中的原始名称
'标准校名': ''北京大学', // 在解析学校的同时，判断学校的标准名称
'起始时间': '2009.9',
'结束时间': '2013.9',
'专业': '气象学'},
]

数组中的一个 字典（ dict ）就是一段经历，在存储到数据库前按照时间排序，第一个字典对应第一段经历，以此类推

如果需要实现复杂的高效查询，可以先试试这样存储后的查询效率。如果效率太低，可以考虑在 MongoDB 存储基础数据之外再增加一个 Neo4j 的图数据库，用于存储数据之间的关系

如果不是做实时的复杂查询，而是已经确定好了要查询的内容，至少几十万条数据的情况下，应该还是不太需要 Neo4j 的。分步做好预处理，然后将预处理好的数据用 pandas 加载，一个正常的笔记本就能做到比较快的各种统计查询了

微信：zyx199199

没有同居的话，可以考虑下智能门铃，女生独住的安全性可以提高一点

zyx199199

@Braisdom 可以用 spacy，外国的全能 NLP 工具，支持中文

可以参考这个 https://spacy.io/usage/rule-based-matching 文档，可以根据各种条件进行正则匹配，当然也支持词性匹配

有点不好意思的推荐我自己做的一个小网站 http://www.wakongkong.com

给定英文名言警句的中文翻译，以及英文原文句子，挖掉原文中两个单词，自己试着把单词补上

主动练习，提高表达能力

@tuoov

多谢鼓励。

不过我自己电脑和手机加载速度都还行哦，无论是在家中，还是在公司，最多两三秒就打开了

脑阔疼……

@Tumblr

同学，别放弃呀…… 中文真的不是机翻的，我人工看过了所有的译文，还对其中一些做了修改，没有机翻，真的没有机翻！！！

一直在 loading 的话，方不方便打开开发者工具看看是不是报错了？可能是网络问题，也可能是我写了 bug

我的前后端水平都很一般，边学边写的代码

@phplin 翻译大部分搜集自网络，其中一部分明显有问题的翻译我手动修改了。
至于没有快感……只能说不同的人有不同的喜好吧……
无论如何，你愿意试一试，就很感谢啦~~~

这句翻译实际上是英文中本就有的谚语。

所以实际上就是从英文中找了个类似含义的谚语，作为译文而已。

这是翻译俗语习语时常用的方法

整数线性规划求解。

8 个装备定为 1-8 号。六种属性分别定为 a,b,c,d,e,f,。然后将他们组合，得到 a1, a2,...,b1, b2,...,f8，一共 48 个变量

每个变量值只能取 0 或 1

例如，用 a1 这个变量表示装备 1 是否选择 “力智” 这个属性。a1=1 表示装备 1 选择力智属性，a1=0 表示装备 1 不选择力智属性。

最终求解的就是 （ a1*0.169 + a2*0.085+...+...+a8*0 + 1 ）*...*（ f1*0.186+...+f8*0+1 ） 的最大值。不过要满足一行最多只能选一个属性的条件，即

a1+b1+c1+...+g1 <=1
a2+b2+c2+...+g2 <= 1
...
a8+b8+...+g8 <=1


这种规模的数据，excel 就能解

推荐 DASH，plotly 出的，原生就提供了很丰富的 html 组件，全部都封装为 Python 对象了。结合网友开发的第三方组件，非常好用

上面有网友提到的了 streamlit，性质上和 Dash 差不多，但是 Dash 出来的时间更久，功能更全更丰富

其实如果不是一定要做成网页的话，PyQt5 做界面 UI 也很强。

楼主要不要考虑下我们公司？小创业公司，不加班，非外包，目前主要做微信小程序。

需求： https://www.lagou.com/jobs/8105819.html

···
from itertools import groupby

{k: list(v) for k,v in groupby(data['child'], key=lambda x: x["f_pyfirstletter"])}
```

这个在自然语言处理里比较类似于 Constituency Parsing 问题，将一个句子分成多个子组成部分，每个子组成部分又可以进一步细分。

但是题主你的需求定义是不明确的，“有意义的词组”这个概念太宽泛了。比方说 A match / is / a tool / for starting / a fire. 我就觉得 A match / is / a tool / for / starting a fire. 更合理。

我觉得可以先做 Constituency Parsing，然后定义一些规则，用于处理解析结果。

例如 Typically, modern matches are made of small wooden sticks or stiff paper. 使用 AllenNLP （ https://demo.allennlp.org/constituency-parsing/MjYyNTUwNQ==） 这个工具做 Constituency Parsing，就可以发现其实已经分好了，只是题主还需要定义规则，决定 Constituency Parsing 的结果细分到哪一层

@akin 不好意思，需要到公司上班哦