Точно не уверен, но я так понял они быстро и автоматически переводят деньги с одного биткоин-кошелька на множество других адресов, видимо имеется ввиду, что они потом с этого множества кошельков по чуть-чуть без привлечения внимания снимают денежки, пока следователи распутывают схему переводов из одной крипты в другую.
UPD 28 августа 2020
Полная карта реновации с отмеченными на ней волнами реновации и стартовыми площадками.
Спасибо пользователю PbIXTOP за данные, спарсенные с официальной карты.
Тут нужно уточнить, кроме БОЛЬШОЙ ошибки с Зеленоградом, конечно есть ещё не верно отмеченные геокодером адреса (например в окрестностях м. Фили — Заводская ул. (с.Красная Пахра, п.Краснопахорское) д.13А), подобные ошибки в основном легко отследить вручную, т.к. это часто какой-нибудь посёлок из Новой Москвы, однако в целом адреса и локации домов совпадают правильно. Именно для этого я приложил исходные данные из которых можно сгенерировать карту и самостоятельно подправить в том месте, где это нужно. Проверять овер 5000 домов вручную я не буду из соображений адекватности, а также не нужно забывать, что из этих данных можно получить только ПРИМЕРНЫЙ прогноз, как будет реновация проходить на самом деле, я полагаю точно даже в мосгордуме не знают.
По данным — написал три парсера для каждого магазина (спарсил артикул, бренд, цену и ссылки на изображения товаров), затем с помощью pandas рассчитал таблички, через matplotlib отрисовал графики. Изображения товаров скачивал отдельно через небольшой скрипт (библиотека requests) и отрисовал их через matplotlib. Одинаковые товары нашел просто открыв три вкладки в браузере для каждого магазина и там по бренду отфильтровывал и глазами смотрел (тут можно было бы написать какой-нибудь алгоритм на opencv для автоматизации поиска похожих изображений).
Кафку взял отсюда, это репозиторий от Stephane Maarek, у него ещё есть youtube канал по Kafka (правда он на английском языке), также ещё на udemy есть его аккаунт, там тоже есть курсы по Kafka, но они платные.
Точно не уверен, но я так понял они быстро и автоматически переводят деньги с одного биткоин-кошелька на множество других адресов, видимо имеется ввиду, что они потом с этого множества кошельков по чуть-чуть без привлечения внимания снимают денежки, пока следователи распутывают схему переводов из одной крипты в другую.
UPD 1 сентября 2020
Добавил актуальный код для формирования карты, скрыл реализацию, т.к. большинство читателей статьи интересуется только картой.
Сразу подумал: трава всегда зеленее с другой стороны забора.
UPD 28 августа 2020
Полная карта реновации с отмеченными на ней волнами реновации и стартовыми площадками.
Спасибо пользователю PbIXTOP за данные, спарсенные с официальной карты.
Я у кого-то отнимаю жильё? При чём здесь «не стоит абсолютизировать право собственности», не совсем понимаю, что вы имеете ввиду?
Тут нужно уточнить, кроме БОЛЬШОЙ ошибки с Зеленоградом, конечно есть ещё не верно отмеченные геокодером адреса (например в окрестностях м. Фили — Заводская ул. (с.Красная Пахра, п.Краснопахорское) д.13А), подобные ошибки в основном легко отследить вручную, т.к. это часто какой-нибудь посёлок из Новой Москвы, однако в целом адреса и локации домов совпадают правильно. Именно для этого я приложил исходные данные из которых можно сгенерировать карту и самостоятельно подправить в том месте, где это нужно. Проверять овер 5000 домов вручную я не буду из соображений адекватности, а также не нужно забывать, что из этих данных можно получить только ПРИМЕРНЫЙ прогноз, как будет реновация проходить на самом деле, я полагаю точно даже в мосгордуме не знают.
Спасибо за понимание.
Поправил, теперь к адресам из ЗелАО подписывается Зеленоград, а не Москва, как было раньше. В районе м. Фили больше нет домов из Зеленограда. Спасибо.
Хорошая идея, спасибо.
По данным — написал три парсера для каждого магазина (спарсил артикул, бренд, цену и ссылки на изображения товаров), затем с помощью pandas рассчитал таблички, через matplotlib отрисовал графики. Изображения товаров скачивал отдельно через небольшой скрипт (библиотека requests) и отрисовал их через matplotlib. Одинаковые товары нашел просто открыв три вкладки в браузере для каждого магазина и там по бренду отфильтровывал и глазами смотрел (тут можно было бы написать какой-нибудь алгоритм на opencv для автоматизации поиска похожих изображений).
Как-то так.
Да, это возможно отдельная большая статья в будущем, использовал python, парсер написал на scrapy.
Любопытная статья, даже не знал про подобные подходы в поиске работы, я по старинке использую hh.ru
Кафку взял отсюда, это репозиторий от Stephane Maarek, у него ещё есть youtube канал по Kafka (правда он на английском языке), также ещё на udemy есть его аккаунт, там тоже есть курсы по Kafka, но они платные.
Роскошная компоновка элементов, всё сделано вручную, все дорожки залужены, приятно посмотреть.
Спасибо.
Можете хотя бы в двух словах сказать, как вы поняли, что нужно смотреть в javascript? Или это в их докладе сказали?
Спасибо за коммент, подскажите, где такому можно научиться?
Может где туториал есть, где подробно такой финт разбирается, интересно было-бы посмотреть.
Верно, надо было сделать ссылку на первый пример, который я написал до этого https://habr.com/ru/post/489762/
Цены рассмотрел здесь — https://habr.com/ru/post/487370/
Написал второй пост по коронавирусу — "Анализ данных по коронавирусу часть 2, попытка сравнить с тем, что было в Китае", прочитать можно здесь.