今天，我将与您分享对朱莉娅的知识，比python有多少，这也将解释朱莉娅和python。如果您可以解决您现在面临的问题，请不要忘记注意此网站。让我们现在开始！
本文目录清单：
1. Beida Bluebird的设计培训：编程开发语言的优势是什么？2。处理大数据处理所需的九种编程语言3.如何让Python快速运行。4.有一种朱莉娅编程语言，它有用吗？5.大数据的基本语言是什么？除了Java？时代开发，技术是进步，对于互联网编程行业，新的编程语言也非常正常。
今天，我们将为您提供简短的介绍，比Python编程语言更有利的编程语言。
一般而言，朱莉娅的数量与其他脚本语言中的数字相同。
他们的数字是“实数”。例如，float64为64位浮动 - 点号或类似于C语言的“双”。
向量{float64}与C语言double数组的内存布局相同，并且可以轻松地使用C语言操作（实际上，从某种意义上说，“ Julia是在C语言上构建的层”），因此带来更高的性能。
类型稳定性和编码类型稳定性是指只能输出一种可能的类型的一种方法。
例如：*（:: float64，:: float64）输出为float64。
无论您提供什么参数，它都会返回float64。
此处使用多个分布：“*”操作员根据所看到的类型调用不同的方法。
例如，当它看到浮点数时，它将返回浮点数。
朱莉娅（Julia）提供了一种自我 - 自我支持，您可以看到该代码已编译为什么。
因此，朱莉娅不仅是普通的脚本语言，而且是允许您处理汇编的脚本语言！像许多其他语言一样，朱莉娅也被编译为LLVM（LLVM是一种便携式格式）。
多重分布允许语言将功能分布到稳定的函数。
这是朱莉娅的核心想法，让我们花点时间了解。
如果函数内部存在类型稳定性（即，在函数中的任何函数调用也稳定），则编译器将知道每个步骤的变量类型，并且在编译函数时可以完全优化，以便它可以获得它可以得到它，以便它可以得到它，以便它可以得到它，以便它可以得到它，以便它可以得到它，以便它可以得到它它将得到它，以便它可以得到它，以便它可以得到它，以便它可以得到它，以便它可以得到它。代码基本上与C语言或Fortran相同。
多重分布可以在这里工作，这意味着“*”可以是稳定的函数类型：对于不同的输入，它具有不同的含义。
但是，如果编译器在调用“*”之前可以知道A和B的类型，则它知道应该使用哪种“*”方法，以便知道C = A*B的输出类型是什么。
这样，它可以将类型信息一直传递到实现全面优化。
Julia官方网站提供的基准测试仅用于编程语言组件的执行速度。据说它不会很快实现，因此这里有很多误解。
Nanchang JA课程认为，R语言程序员正在观看使用R语言实现的斐波那契函数，同时说：“这是一个不好的代码，不应用R语言重新发布，因为递归非常慢。”
但是实际上，斐波那契函数用于测试递归，而不是测试语言的速度。
大数据处理所需的九种编程语言
随着大数据的增长，有一些信息，例如在所有领域中洪水涌入。面对成千上万用户的浏览记录和行为数据记录，如果数据处理简单地处理。但是，如果您仅使用某些操作软件进行分析，而不是使用逻辑数据来分析它，则只是简单的数据处理。
高替代工作，无法进一步计划计划策略的核心。
当然，基本技能是最必不可少的链接。如果您想成为数据科学家，则应对这些程序有一定的了解：
r
如果您想列出所有编程语言，您可能会忘记其他事情，但是最难忘的是R.T悄悄地出现在1997年。最大的优势是它是免费的。对于MATLAB或SAS等昂贵的统计软件，这是另一种选择。
然而，在过去的几年中，它的价值在数据科学的眼中已被极大地变成了宝藏。不仅穆曼的统计科学家知道这一点，包括Wallstreet商人，生物学家和硅谷开发人员，他们对R R R RR非常熟悉诸如Google，Facebook，America和Newyorktimes等公司的变化公司都使用R，其商业公用事业公司仍在不断改善。
R的优点是很容易入门。通过R，您可以从复杂的数据集中设置所需的数据，从复杂的模型函数中操作数据，并建立有序的图表到现在数字。计划代码很好。例如，这就像Excel的出色版本。
R的最佳资产是一个主动的动态系统。R社区继续增加新的软件包，以及丰富功能集的特征。据估计，超过200万人使用了R.最近的调查表明，在数据科学世界中，迄今为止最受欢迎的语言是，占受访者的61％（后面的39％的Python是Python.to的Python的39％。
这也引起了Wallstreet的注意。从传统上，证券分析师白天在Excel文件中看到的，但是现在R在财务建模中的用法逐渐增加，尤其是可视化工具。该表已变得突出。“
就数据建模而言，它正在朝着逐渐成熟的专业语言迈进。尽管R仍然受到公司制造大型产品的需求的限制，但有人说他已经被其他语言篡改了。
“ R在绘画中更有用，而不是建模。”高级数据分析公司Metamarkets的首席执行官Michaeldriscoll说：“
“在推荐算法时，您不会在Google的网页排名或Facebook朋友的核心上看到R的痕迹。工程师将在R中创建原型，然后在Java或Python中编写模型语法。”
例如，在2010年，Paulbutler在2010年使用R创建了Facebook世界地图，以证明该语言的财富和视觉数据功能是多么的富裕和视觉数据功能，尽管他现在使用的语言少于以前。
巴特勒说：“ R逐渐过时，在巨大的数据集中，它缓慢而笨重。”
那他接下来使用什么？
Python
如果r是神经质的怪胎，那么python是一个随机的好女孩。
Python结合了R的快速处理，处理复杂的数据挖掘能力以及更务实的语言等，并迅速成为主流。Python比R更简单，更直观，并且其生态系统在近年来一直令人难以置信。在统计分析中，成长迅速，比R功能更具功能。
巴特勒说：“在过去的两年中，它已经从R到Python发生了很大变化，好像巨人不断向前推动。”
在数据处理的范围中，通常在尺度和复杂性之间有一个选择，而Python出现在妥协中。Ipythonnotebook（Notepad）和Numpy用于临时访问较低负担的工作量。
美国银行使用Python在银行建立新产品和基础设施界面。同时，财务数据还处理财务数据。“ Python更宽，非常灵活，所以每个人都会赶紧去。”奥唐奈说。
但是，尽管其优势可以弥补R的缺点，但它仍然不是最高的语言，偶尔可以处理庞大的规模和核心基础架构。Driscoll认为这样。
朱莉娅
当今的大多数数据科学都由R，Python，Java，Matlab和SAS主导，但仍然存在差距。此时，新的托管朱莉娅看到了这个痛点。
朱莉娅（Julia）仍然太神秘，没有被行业广泛使用，但是当涉及其潜力时，足以抢夺r和python的宝座，数据黑客很难解释。原因是朱莉娅（Julia）是高级，令人难以置信的令人难以置信的快速，好看的语言。它比R的速度快得多。它具有大型数据，并且比Python更容易入门。
“朱莉娅将变得越来越重要。最终，R和Python在朱莉娅也可以做的事情也可以做到。”巴特勒认为。
目前，如果您想说朱莉娅的发展会倒退，那可能还太年轻了。朱莉娅的数据界仍处于初始阶段，并且需要更多的工具包和软件包，然后才能与R或R竞争Python。
德里斯科尔说，正是因为它的年轻人可能成为主流和前景。
爪哇
Driscoll说，Java和Java基于爪哇的建筑是由硅谷多家技术公司的核心建立的。如果您从Twitter，LinkedIn或Facebook观察到，您会发现Java具有所有数据工程基础架构结构的所有数据工程基础架构结构，但它是一种非常基本的语言。
Java不如R和Python的可视化，它不是统计建模的最佳工具，但是如果您需要构建庞大的系统并使用过去的原型，那么Java通常是您的最佳选择。
Hadoop和Hive
为了满足大量数据处理的需求，基于Java的工具组为了处理一批数据处理，Hadoop开发了基于Java的架构；与其他处理工具相比，Hadoop要慢得多，但是它非常准确并且被后端数据库分析广泛使用。与Hive匹配非常好。Hive基于查询结构，并且运行良好。
Scala
这是基于Java的另一种语言。它类似于Java。对于任何机械学习或建立高级算法，Scala将是一种逐渐出现的工具。它擅长展示并具有构建可靠系统的能力。
Driscoll说：“ Java似乎是用钢制成的； Scala被允许将其带入窑炉中，并将其烘烤到钢的粘土中。”
Kafka和Storm
说到快速和真实的时间分析，您如何看待？卡夫卡（Kafka）将是您最好的合作伙伴。实际上，它已经五年了，由于最近流媒体的兴起，它越来越受欢迎。
卡夫卡（Kafka）是从LinkedIn出生的，是一个特别快速的查询消息系统。卡夫卡（Kafka）的缺点是什么？它太快了，因此在实际时间操作中会犯错误，有时会错过事情。
Driscoll说，Fish and Bear's Paw不能可用，“您必须在准确性和速度之间做出选择。hadoop来处理一批处理数据系统。非常准确。
Storm是Scala撰写的另一个建筑。它逐渐提高了其在硅谷流媒体流的知名度，并被Twitter收购。这并不奇怪，因为Twitter对快速事件处理非常感兴趣。
MATLAB
可以说MATLAB的价格很高，即使它的价格很高。它被广泛用于非常特定的利基市场，包括密集的研究机器学习，信号处理，图像识别等。
八度
八度和MATLAB非常相似，除非是免费的。
去
Go是逐渐出现的另一个新委托。从Google来看，它是从C语言和建立强大的基础设施的情况下放松的，它逐渐成为Java和Python的竞争对手。
可以使用如此多的软件，但是我认为每个人都不能够知道您的目标和方向是什么，请选择最合适的使用工具！它可以帮助您提高效率并实现准确的效率和准确的准确性。
以上是大数据处理共享的大数据处理所需的九种编程语言的相关内容。更多信息可以关注全球绿藤共享更多的干货
朱莉娅（Julia）和Python
比较
我应该丢弃Python和其他语言，并使用Julia执行技术计算吗？在看到基准测试后，人们会这样想。
它远远落后于其他高级语言。但是，我想到的第一个问题与众不同：朱莉娅团队可以以最适合Python的方式编写Python基准测试吗？
我对此交叉语言比较的观点是根据要执行的任务来定义基准测试，然后编写语言专家实施这些任务的最佳代码。如果代码是由语言团队编写的，则没有其他语言中没有使用其他语言的风险。
朱莉娅（Julia）团队有一件事是正确的，也就是说，他们将使用的代码发布到github。特别是，可以在此处找到Python代码。
当您乍一看看到此代码时，您可以确认我害怕的偏见。该代码以C型式编写，并在数组和列表上使用了大量周期。这不是使用Python的最佳方法。
我不怪朱莉娅团队，因为我对自己的偏见感到内gui。但是我收到了一个残酷的教训：避免以任何价格避免阵列或清单的循环，因为他们确实会慢慢python
为了速度，请参见Python不是C。
考虑到C形式的这种偏见，一个有趣的问题（至少对我来说）是我们可以改善这些基准测试并更好地使用Python及其工具？
在给出答案之前，我想说我永远不会尝试降级朱莉娅。在进一步的发展和改进之后，朱莉娅无疑是一种值得关注的语言。我只想分析python
怎么了。实际上，我以此为借口来探索可用于更快运行代码的各种Python工具。
在以下内容中，我在jupyter笔记本中使用python 3.4.3和docker镜子。其中，所有Python科学工具组合都已安装。我将通过
python 2.7.10在Windows机器上，使用Anaconda运行代码。Time已执行到Python 3.4.3. NOTEBOOK包含以下所有以下基准测试，请参见此处。
鉴于各种社交媒体上的评论，我添加了这样的句子：我在这里没有使用Python的替代实现。我没有写任何C
代码：如果您不相信它，请尝试找到该细分市场。本文中使用的所有工具都是Anaconda或其他发行版提供的标准Cython实现。所有以下代码都在单个笔记本电脑中运行。
我试图使用GitHub使用Julia的Micro绩效文件，但是我不能使用Julia 0.4.2.我必须编辑它并替换@TimeIt for
@Time可以运行。在时间之前，我必须将呼叫添加到定时函数，否则将包含汇编时间。我使用的文件位于此处。我使用Julia命令行界面运行同一台计算机以运行同一机器运行Python。
背面
时间代码
朱莉娅团队使用的第一个基准测试是对斐波那契函数的简单编码。
def fib（n）：
如果n2：
返回n
返回FIB（N-1）+FIB（N-2）
该功能的价值随着n的增加而迅速增加，例如：
fib（100）= 354224848179261915075
可以注意的是，python任意准确性很方便。在C和其他语言中写下相同的功能，需要进行一些编码工作以避免整数溢出。
在中国，您需要使用BigInt类型。
所有Julia基准测试都与运行时间有关。这是Julia中使用的时机，不使用BigInt：
0.000080秒（149个分配：10.167 KB）
0.012717秒（262.69 K分配：4.342 MB）
在Python笔记本中获得运行时间的一种方法是使用Magical％TimeIt。例如，在新单元中：
％timeit fib（20）
执行它将获得输出：
100循环，最佳3：3.33毫秒 /循环
这意味着计时器执行以下操作：
运行FIB（20）100次，存储总运行时间
运行FIB（20）100次，存储总运行时间
运行FIB（20）100次，存储总运行时间
从3个操作中获取最小运行时间，用100删除它，然后输出结果。结果是FIB的最佳运行时间（20）
这些循环的大小（100次和3次）将由计时器自动调整。循环大小可以根据计时代码的运行速度更改。
使用BigInt时，Python计时码表比Julia Chronograph好得多：3毫秒和12毫秒。当使用任何准确性时，Python的速度是Julia的4
笔记。
但是，Python比Julia的默认64 -bit Integer慢。LET可以看到如何强制Python中的64位整数。
背面
用Cython编译
汇编方法是使用Cython编译器。此编译器使用Python
书面。可以通过以下命令安装：
PIP安装Cython
如果您使用anaconda，则安装将有所不同。因为安装有点复杂，所以我写了一篇相关的博客文章：Windows上的Anaconda的安装Cython
安装后，我们使用Magical％load_ext将Cython加载到笔记本上：
％load_ext Cython
然后，您可以在我们笔记本中编译代码。我们只需要将我们要编译的代码放入一个单元中，包括所需的导入语句，然后使用Magical %% Cython来启动该单元：
%% Cython
def fib_cython（n）：
如果n2：
返回n
返回fib_cython（n-1）+fib_cython（n-2）
执行此单元无缝编译此代码。我们对此功能使用略有不同的名称来反映其使用Cython
当然，整理。通常不需要这样做。我们可以用同名的编译功能替换先前的功能。
是时候得到它：
1000循环，最佳3：1.22毫秒 /循环
哇，几乎是原始Python代码快三倍！我们现在比使用Bigint的Julia快100倍。
我们还可以尝试静态类型。使用关键字CPDEF而不是DEF来声明函数。它使我们能够使用相应的C类型键入函数的参数。您的代码已成为：
%% Cython
cpdef long fib_cython_type（长n）：
如果n2：
返回n
返回fib_cython_type（n-1）+fib_cython_type（n-2）
执行单元后，它将得到它：
10000循环，最佳3:36 μs每循环
太好了，我们现在只花费36微型，比最初的基准测试快100倍！这比朱莉娅花费的80毫秒要好。
有人可能会说静态类型违反了Python
从总体上讲，我同意这一说法，我们将研究一种避免这种情况而不牺牲绩效的方法。但是我认为这不是一个问题。fibonacci
必须使用整数来调用该函数。我们在静态类型中损失的是Python提供的任意精度。对于fibonacci，使用C型C型长。
输入参数的大小将受到限制，因为太大参数会导致整数溢出。
请注意，朱莉娅的计算也是使用64位整数执行的，因此我们的静态类型版本与朱莉娅的比较是公平的。
背面
缓存计算
我们可以在保留python的任何准确性的同时做得更好。FIB功能多次反复执行相同的计算。例如，FIB（20）将调用FIB（19）和
FIB（18）.fib（19）将调用FIB（18）和FIB（17）。倒置FIB（18）被称为两次。简单分析表明，FIB（17）将被称为3
其次，FIB（16）将被称为5次，等等。
在Python 3中，我们可以使用Functools标准库来避免这些重复的计算。
从fuortools导入lru_cache作为缓存
@cache（maxsize = none）
def fib_cache（n）：
如果n2：
返回n
返回fib_cache（n-1）+fib_cache（n-2）
将获得此功能：
1000000爱，最好的3：910 ns /循环
速度增长了40次，比原始Python代码快3,600倍！考虑到我们仅在递归功能中添加了注释，因此该结果非常令人难忘。
Python 2.7中未提供此自动缓存。我们需要明确表示代码，以避免在这种情况下重复计算。
def fib_seq（n）：
如果n 2：
返回n
a，b = 1,0
对于我在范围（n-1）中：
a，b = a+b，a
返回
请注意，此代码具有同时分配两个本地变量的能力。
1000000循环，最佳3：1.77 μs每循环
我们快20倍！让我们不使用而不是静态类型来编译我们的功能。请注意，我们使用CDEF关键字来键入本地变量。
%% Cython
def fib_seq_cython（n）：
如果n 2：
返回n
a，b = 1,0
对于我在范围（n-1）中：
a，b = a+b，a
返回
cpdef长fib_seq_cython_type（长n）：
如果n 2：
返回n
cdef长A，b
a，b = 1,0
对于我在范围（n-1）中：
a，b = a+b，b
返回
我们可以在一个单元中使用两个版本：
％timeit fib_seq_cython（20）
％timeit fib_seq_cython_type（20）
结果是：
1000000爱，最好的3：953 ns /循环
10000000循环，最佳3：51.9 ns /循环
静态类型代码现在花费51.9 nan秒，比初始基准测试快60万（60,000）。
如果我们要在任何输入下计算斐波那契输入的数量，我们应该坚持使用非类型版本，运行速度更快3,500倍。不错，对吗？
背面
使用numba编译
让我们使用另一个名为numba的工具。这是一些Python版本的即时时间
（JIT）编译器。它不适用于所有Python版本，但在适用时会带来奇迹。
安装它可能很麻烦。建议使用安装numba的python发行版或docker镜像。安装完成后，我们导入其JIT编译器：
来自numba Import jit
它的使用非常简单。我们只需要对要编译的函数添加一些修改。我们的代码已成为：
@Jit
def fib_seq_numba（n）：
如果n 2：
返回n
（a，b）=（1,0）
对于我在范围（n-1）中：
（a，b）=（a+b，a）
返回
是时候得到它：
1000000爱，最好的3：225 ns /循环
比非型Cython代码快的速度快，比原始Python代码快约16,000倍！
背面
使用numpy
让我们现在看一下第二个基准测试。这是快速排序算法的实现。朱莉娅团队使用了以下Python代码：
def qsort_kernel（a，lo，hi）：
i = lo
j = hi
当我打招呼时：
pivot = a [（lo+hi）// 2]
而i = j：
而[i]枢轴：
i += 1
而[J]枢轴：
J- = 1
如果i = j：
a [i]，a [j] = a [j]，a [i]
i += 1
J- = 1
如果Lo J：
qsort_kernel（a，lo，j）
lo = i
j = hi
返回
我将他们的基准测试代码打包到一个函数中：
导入随机
DEF BENCHMARK_QSORT（）：
lst = [random.random（）for in范围（1,5000）]
qsort_kernel（LST，0，Len（LST）-1）
是时候得到它：
100循环，最佳3：18.3 ms每循环
以上代码与C代码非常相似。Cython应该能够很好地处理。在使用Cython和静态类型的情况下，让我们使用Numpy
阵列替换列表。当数组很大时，例如数千个或更多元素，numpy数组确实比
Python列表更快。
安装numpy可能需要一些时间。建议使用Anoconda或Docker Mirror与Python Science工具的组合。
当使用Cython时，需要将Numpy导入到应用的单元格中。当使用C类型时，CIMPORT还必须以C模块为导入。
阵列使用代表数组元素类型的特殊语法和数组尺寸的数量（一个维度，两个维度等）。
%% Cython
导入numpy作为NP
cimport numpy为NP
cpdef np.ndarray [double，ndim = 1]
qsort_kernel_cython_numpy_type（np.ndarray [double，ndim = 1] a，
长LO，
长HI）：
CDEF：
长I，J
双枢轴
i = lo
j = hi
当我打招呼时：
pivot = a [（lo+hi）// 2]
而i = j：
而[i]枢轴：
i += 1
而[J]枢轴：
J- = 1
如果i = j：
a [i]，a [j] = a [j]，a [i]
i += 1
J- = 1
如果Lo J：
qsort_kernel_cython_numpy_type（a，lo，j）
lo = i
j = hi
返回
cpdef Benchmark_qsort_numpy_cython（）：
lst = np.random.rand（5000）
qsort_kernel_cython_numpy_type（lst，0，len（lst）-1）
对于Benchmark_qsort_numpy_cython（）函数，将获得：
1000循环，最佳3：1.32 ms每循环
我们比最初的基准测试快15倍，但这仍然不是使用Python的最佳方法。最好的方法是使用numpy build -in sort（）
函数。默认行为是使用快速排序算法。该代码的时间：
DEF BENCHMARK_SORT_NUMPY（）：
lst = np.random.rand（5000）
NP.Sort（LST）
会得到：
1000循环，最佳3：350 μs每循环
现在，我们比最初的基准测试快52倍！朱莉娅在此基准测试中花费了419微秒，因此编译的Python几乎为20％。
我知道有些读者会说我不会进行类似的比较。- 功能。
Julia可以从简单的机器学习应用程序到超级计算机模拟的各个方面使用。在某种程度上，Python可以做到这一点，但是Python已经开发了这样的开发。
相比之下，朱莉娅（Julia）是为此目的而生的。距朱莉娅（Julia）在2017年，朱莉娅（Julia）甚至加入了佩塔弗洛普俱乐部（Petaflop Club）。这是一个小型编程语言俱乐部。朱莉娅的最高表现可以超过每秒1 petaflop的速度。除了朱莉娅（Julia），目前只有C，C ++和Fortran进入该俱乐部。在30多年的历史中，社区拥有非常巨大的支持社区几乎所有与Python有关的问题都可以在Google搜索中获得答案。相反，Julia社区很小。尽管这意味着您可能需要进一步挖掘以找到答案，但您可能会再次与同一个人联系在一起再说一遍，这可能会成为超越价值的程序员关系。您甚至不需要知道朱莉娅命令，您可以在朱莉亚（Julia）进行编码。您不仅可以在Julia中使用Python和C代码。您甚至可以在Python中使用Julia不用说，这使得修复Python代码的弱点非常容易。或者在您仍在学习Julia时保持效率。大量图书馆和良好的维护库仍然是Python的最强点之一。Julia''''''t有很多图书馆，用户也抱怨埃德（Ed）并没有感到惊讶。但是，当您认为朱莉娅（Julia）是一种非常年轻的语言并且资源有限时，他们实际上已经拥有的图书馆数量很大。此外，朱莉娅（Julia）图书馆数量增加了，它还可以与C和Fortran中的库进行交互以处理绘图。python的dynamic和static类型是100％动态类型。这意味着该程序将确定变量是否在运行时浮动或整数。尽管这非常非常对初学者友好， 它还引入了许多可能的错误。这意味着您需要在所有可能的情况下测试Python代码。这是一项非常愚蠢的任务，需要花费很多时间。因为Julia的创造者还希望很容易学习，Julia完全支持朱莉娅动态类型。但是与python相比，您可以根据需要引入静态类型。不测试您的代码
大约十种基本语言，大数据越来越多。
1.R语言
R语言的人数很大，R的优势在于它很容易开始。通过R，您可以从复杂的数据集设置所需的数据，从复杂的模型函数中操作数据，并建立有序的图表到现在数字。计划代码很好，
2.Python
Python结合了R的快速处理，处理复杂的数据挖掘能力以及更务实的语言等，并迅速成为主流。Python比R更简单，更直观，并且其生态系统在近年来一直令人难以置信。在统计分析中，成长迅速，比R功能更具功能。
3.Java
Java不如R和Python的可视化，它不是统计建模的最佳工具，但是如果您需要构建庞大的系统并使用过去的原型，那么Java通常是您的最佳选择。
4.Julia
朱莉娅（Julia）是一种高级，令人难以置信的快速和好看的语言。它比R的速度快得多。它具有大型数据，并且比Python更容易入门。
5. Hadoop和Hive
为了处理一批数据处理，Hadoop开发了基于Java的架构；与其他处理工具相比，Hadoop要慢得多，但是它非常准确，可以通过Back -End数据库分析广泛使用。与Hive匹配非常好。Hive基于查询结构并运行良好。
朱莉娅（Julia）与朱莉娅（Julia）和蟒蛇（Python）的比较比python进行了多少。我想知道您是否从中找到了所需的信息？如果您想进一步了解此信息，请记住要收集对该网站的关注。