js 批量移除steam游戏 移除用户凭证中免费获取的物品

手贱用steamdb上的js 获取了几百个免费的demo和游戏 出现在了用户凭证里,但是并没有喜+1

所以后来琢磨如何删掉又长又臭的单子 强迫症伤不起啊


后来发现了一个别人写好的js 然而似乎因为年代久远 有一点错误

http://pastebin.com/hhdNMmUk

其实今天也是第一次看js代码

在读了代码后 大概了解到了作者的意思


首先网页进入账户明细,选择 

在这里包含了所有的游戏 有的免费的可以移除 有的不可以

可以移除的 通过判断rows[i].cells[1].textContent是否通过NUKE_REGEX = /\b(?:trailer|teaser|demo|cinematic|pegi|esrb)\b/i;的正则表达式检测


稍微改了后 发现仍然有好多免费的游戏还在

所以自己想通过检查是否有“移除”两个字来移除


但有关汉字的正则表达式比较困难 于是找到了一个懒招 直接判断rows[i].cells[1].textContent.indexOf("移除")!=-1


现在它可以代替你点击所有的移除按键了!


进入页面 store.steampowered.com/account/licenses/

进入浏览器的控制台 复制代码 回车

稍等一会儿 所有的可以移除的游戏就都被移除了

 

 1 (function () {
 2     var NUKE_REGEX = /\b(?:trailer|teaser|demo|cinematic|pegi|esrb)\b/i;
 3     var PACKAGE_ID_REGEX = /javascript:\s*RemoveFreeLicense\s*\(\s*(\d+)/;
 4     var REMOVE_LICENSE_API = "/account/removelicense";
 5     var RUN_ON_PAGE = "https://store.steampowered.com/account/";
 6  
 7     var idsToRemove = [];
 8  
 9     var rows;
10     var packageId;
11     var licensesTable = document.getElementsByClassName("account_table")[0];
12         
13     rows = licensesTable.rows;
14  
15     for (var i = 0, l = rows.length; i < l; i++) {
16         //alert( rows[i].cells[1].textContent.indexOf("移除"));
17         if (rows[i].cells[1].textContent.indexOf("移除")!=-1) {
18             packageId = PACKAGE_ID_REGEX.exec(rows[i].cells[1].innerHTML);
19  
20             if (packageId !== null) {
21                 idsToRemove.push(packageId[1]);
22             }
23         }
24     }
25  
26     function removePackageAndQueueNext(packages, index) {
27         if (index >= packages.length) {
28             console.log("Packages removed.");
29             return; // done
30         }
31  
32         var parameters = "?sessionid=" + encodeURIComponent(g_sessionID) + "&packageid=" + encodeURIComponent(packages[index]);
33  
34         var xhr = new XMLHttpRequest();
35         xhr.open("HEAD", REMOVE_LICENSE_API + parameters, true);
36         xhr.onreadystatechange = function () {
37             if (this.readyState === 4) {
38                 console.log("Removed package %d/%d", index + 1, packages.length);
39                 removePackageAndQueueNext(packages, index + 1);
40             }
41         };
42         xhr.send();
43     }
44  
45     // Kick off the first request
46     if (idsToRemove.length > 0) {
47         removePackageAndQueueNext(idsToRemove, 0);
48     }
49 })();

 

 

 


 

转载于:https://www.cnblogs.com/abgnwl/p/6550331.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值