搜索EMAIL/邮件中所有文件,包含压缩包/zip/rar的一种方法。

今天办公室同事求助。这几天领导要他查找大量历史文件。

该单位以及上级的大部分材料和文件都是用EMAIL/邮件收发文的。而且,经常是PDF/RAR/word/excel/WPS/JPG各种格式的掺杂在一起。

文件名也没有规律。有的叫新建文档,有的用文号命名,有的用文件标题命名。

这可难倒他了!

收文他只收过最近几个月的,这几个月的文件他大不了用电脑自带的搜索功能慢慢搜索。可是领导要的文件有的是几年前的。这些文件很多都归档放起来了,如果去一大堆的纸质材料里头去找这些材料,犹如大海捞针!

于是他找到我帮忙,看看有没有什么捷径方法,能够快速搞定。

方案1, 利用邮箱自带的搜索功能。

现在常用的邮箱什么QQ,163等等邮箱,在网页端都有搜索功能。直接在邮件搜索里头输入要找的文件标题的几个核心关键字。比如要找《关于印发《计算机技术与软件专业技术资格(水平)考试暂行规定》和《计算机技术与软件专业技术资格(水平)考试实施办法》的通知》(它的文号是 [国人部发[2003]39号]),这篇文章,直接搜索【软件专业技术资格】,或者【国人部发】

用这个方案,找到了30%的文件。

优点,查找速度快。

缺点,找到的概率低。

 

方案2, 将所有的附件下载下来

邮件的量少,手工一个一个下载,倒是可以。

我朋友这个邮箱有5000多份邮件,不可能手动下载,所以写了一个程序。下载了1天,总共5G多的附件。

下载完成后,将里头的rar/zip等压缩包搜索出来,然后解压出来。然后利用Windows自带的搜索功能搜索。

比如要找《关于印发《计算机技术与软件专业技术资格(水平)考试暂行规定》和《计算机技术与软件专业技术资格(水平)考试实施办法》的通知》(它的文号是 [国人部发[2003]39号])这篇文章,直接搜索【软件专业技术资格】,或者【国人部发】。

不过发现Windows自带的搜索功能速度非常慢,搜索一次要10多分钟到半小时。

所以又找了个搜索工具提高搜索速度。

这次,效率和准确率就高了很多。

直接搜索【软件专业技术资格】,或者【国人部发】。10秒就能搜索出结果。

好在当初的那些文件里头大部分标题都是按文号或者标题命名。

所以最后和同事两个人一起,找到了大概90%的文件。

剩余的10%可能不是用邮件发过来的,或者命名是乱的而且是一个PDF或者图片,这种确实没办法找到。他只能默默的到档案室里头慢慢的一本一本找了。

不过总体来说,帮他节省了不少时间。他还是很开心的。

效果如下

 

 

优点,查找速度快,覆盖面较为全面。

缺点,第一次下载所有邮件非常耗时(下载了1天),如果内容是PDF或者图片,而且文件名是乱起的,确实搜索不到。

 

如果你有更好的方法,欢迎指导。

如果留言的人多的话,也许我会考虑后续做成容易安装部署的软件。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
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