最终整体回顾总结(流程-ppt)|学习笔记

本文涉及的产品
云数据库 Tair(兼容Redis),内存型 2GB
Redis 开源版,标准版 2GB
推荐场景:
搭建游戏排行榜
简介: 快速学习最终整体回顾总结(流程-ppt)

开发者学堂课程【大数据实战项目 - 反爬虫系统(Lua+Spark+Redis+Hadoop框架搭建)第七阶段最终整体回顾总结(流程-ppt)】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/675/detail/11744


最终整体回顾总结(流程-ppt)


内容简介:

一、数据处理流程

二、逻辑架构

三、数据预处理流程

四、爬虫识别流程

五、爬虫识别流程-读取封装及指标计算

六、爬虫识别流程-指标计算

七、爬虫识别流程-爬虫识别

八、爬虫识别流程-爬虫识别

九、爬虫识别流程-数据入库


一、数据处理流程

(1)流程梳理

整个流程就是从用户端到企业端的一个流程,前端先通过 Lua 脚本收

集数据传输到 Kafka 集群中,再由后端读取进行数据预处理,预处理

之后数据回到集群,再由爬虫处理,处理好的数据交由 Redis 传到前

端剔除。高层想看到更有用的数据就需要进行离线分析,离线分析结

果传输到 Mysql 界面。

(2)流程四个阶段

整个过程可以分为四个阶段

image.png

前端数据处理由前端工程师处理,反爬虫程序不负责

首先,前端通过脚本 Lua 获取客户信息,客户信息推送到 Kafka 集群,准备进行数据预处理,然后读取数据,读取公司内部规则,进行分析,分析好的数据又传回 Kafka 集群,预处理经历了很多个步骤。

然后接下来是实时分析,实时分析已让使用 SparkStreaming 技术,然后读取数据,读取规则,对数据进行爬虫识别,对非爬虫数据进行剔除,然后传回Redis到前端进行剔除。

宏观统计来自离线数据,我们通过 SparkSQL 技术进行离线分析,数据在我们爬虫识别数据,直接将数据写入 HDFS,计算出的结果写入 Mysql。

image.png


二、逻辑架构

爬虫识别从实时层面进行

总的架构依然是前面的四步,采集、预处理、计算(实时计算和离线计算)、数据展现。数据采集从官网之中,写脚本从官网之中采集用户数据,采集完之后推送到系统之中。

收集完之后,进行统计,清晰,脱敏,拆分,分类,解析,爬虫,结构化,推送到系统监控。接下来就是实时层计算,读取数据,再封装,然后进行指标计算,再进行爬虫识别,然后识别出来的非爬虫数据进行剔除,爬虫数据中存在重复的数据,需要去重,数据计算完后,推送到 Redis,Redis 数据可能丢失,需要在 HDFS 中备份,如果数据丢失,备份数据传入 Redis。

从封存中的数据直接写入 HDFS,为了进行离散分析。

image.png


三、数据预处理流程

链路统计对数据没有操作,预处理对数据有操作

推送分种类,分情况进行推送推送完后录入 Kafka

系统进行宏观监控

image.png

分为前中后三个阶段,前,我们从 Kafka 中读取一段数据,进行链路统计,然后进行清晰、脱敏、拆分、分类、解析、爬虫判断、结构化等一系列操作。

注意链路统计没有操作,最后进行数据推送。

推送完后对整体进行宏观监控。


四、爬虫识别流程

先从 Kafka 中读取一批数据,进行数据封存,之后根据八个指标进行计算,计算后为我们爬虫识别提供数据,然后进行指标碰撞,碰撞完后为打分服务,一个结果是选定的,一个是未选定的。然后进行爬虫判断,根据阈值进行判断。然后过滤剔除爬虫数据。

image.png


五、爬虫识别流程-读取封装及指标计算

真正预处理的过程,经过八个计算

image.png

预处理要经历的那些过程,现根据八条指标计算,得到数据。


六、爬虫识别流程-指标计算

image.png

根据八个 IP,对应八个结果


七、爬虫识别流程-爬虫识别

数据的数值和企业的阈值都有了,我们可以进行指标碰撞,与选定无关的,选定的结果出来后,进行打分。

image.png


八、爬虫识别流程-爬虫识别

数据的得分大于阈值就是爬虫,反之不是,得到是和不是

image.png


九、爬虫识别流程-数据入库

得到是和不是之后,我们对非爬虫数据进行剔除,之后就可以进行离线分析了。

image.png

相关文章
|
人工智能 数据可视化 数据挖掘
你只管提需求,大模型解决问题:图表处理神器SheetCopilot上线
你只管提需求,大模型解决问题:图表处理神器SheetCopilot上线
251 0
|
数据采集 消息中间件 分布式计算
最终整体回顾总结(代码-预处理及爬虫识别)|学习笔记
快速学习最终整体回顾总结(代码-预处理及爬虫识别)
122 0
最终整体回顾总结(代码-预处理及爬虫识别)|学习笔记
|
存储 人工智能 供应链
产品流程图是什么?怎么做?
介绍产品流程图的5个种类,4个模板网站
产品流程图是什么?怎么做?
|
项目管理
从燃尽图看项目管理:你的项目哪里出错了?(燃尽图类型全解析)
从燃尽图看项目管理:你的项目哪里出错了?(燃尽图类型全解析)
8252 0
|
存储 NoSQL 算法
线上真实排队系统重构案例分享——实战篇
线上真实排队系统重构案例分享——实战篇
542 0
如何做好游戏陪玩源码的功能优化,这三步缺一不可
如何做好游戏陪玩源码的功能优化,这三步缺一不可
|
12月前
|
监控 项目管理
通俗易懂的方式理解项目管理的49个过程(追妹子案例)
通俗易懂的方式理解项目管理的49个过程(追妹子案例)
136 0
|
前端开发 区块链
合成游戏看广告视频盒子系统开发方案逻辑/详细案例/功能设计/需求步骤/规则项目/源码说明
在Solidity中,与外部合约交互可以通过调用函数来完成。这些函数可以是在Solidity合约中定义的函数,也可以是在外部合约中定义的函数。调用外部合约函数需要知道合约的地址和函数的签名。
|
存储 前端开发 JavaScript
潮玩宇宙大逃杀无聊猿卷轴模式系统开发详细规则丨步骤需求丨方案项目丨技术架构丨源码功能
确定游戏类型和规则:明确无聊猿卷轴模式游戏类型和游戏规则,包括敌人类型、地图设计、任务类型、战斗机制等。
|
数据采集 消息中间件 监控
最终整体回顾(代码-离线计算)|学习笔记
快速学习最终整体回顾(代码-离线计算)