爬虫识别-总结及效果| 学习笔记

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 快速学习爬虫识别-总结及效果

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)第六阶段爬虫识别-总结及效果】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/674/detail/11724


爬虫识别-总结及效果

内容介绍:

一.前期准备

二.指标碰撞

三.最终打分

四.爬虫判断

五.测试

 

一.前期准备

之前已经将代码全部写完,但是最后做的是爬虫判断,并不是完整的过程。

爬虫识别需要进行三个部分:指标碰撞,最终打分,爬虫判断。

指标碰撞分为准备数据和最终碰撞。

指标碰撞之前拿到的是8个结果集(如图所示),即 IP 段访问量,某 IP 5分钟内访问总量,某 IP 5分钟内关键页访问总量,某 IP 5分钟内的 UA 种类数统计,5,6,7,8

image.png

准备数据

1.提取一个 ip 在八个结果集内对应的数据。

关键代码:

Val ipBlockCounts=ipBlockCountsMap.getOrElse(ipBlock,0)

Val ipCounts=ipCountsMap.getOrElse(ip,0)

Val criticalPagesCounts=criticalPagesCountsMap.getOrElse(ip,0)

Val userAgentCounts=userAgentCountsMap.getOrElse(ip,0)

Val differentJourneysCounts=differentJourneysCountsMap.getOrElse(ip.0)

Val ipCookCount=ipCookCountMap.getOrElse(ip,0)

Val minTimeDiff=minTimeDiffMap.getOrElse(ip,0)

Val lessDefaultTimes=lessDefaultTimesMap.getOrElse(ip,0)

先在数据中找出 IP ,然后将 IP 8个数据结果放在一个方法中,

在方法中用 IP 提取出8个结果对应的值。

2.将取出的数据封装为 Map ,将次 Map 与流程数据传入碰撞方法

关键代码:

Val dataParams=Map(

ipBlock->ipBlockCounts,

ip->ipCounts,

criticalPages->criticalPagesCounts,

userAgent->userAgentCounts,

criticalCookies->ipCookCounts,

flightQuery->differentJourneysCounts,

criticalPagesAccTime->minTimeDiff,

criticalPagesLessThanDefault->lessDefaultTimes

)

 image.png

即拿到图中所示的,一条数据在8个结果集内对应的指标值和企业端配置的8个指标阈值。

注意:放在这里面以后, 需要知道 Map K, K 取决于后面如何进行计算,要将企业端配置的8个指标阈值和一条数据在8个结果内对应的指标值进行对比,而要对比就要有对等关系,要进行比较的两组数据必须是一一对等的关系,将数据库中每个规则的名字作为 K ,而和它进行对比的值则是通过 K 计算得到的值。依次类推,将数据一组一组的输入 Map 中,方便后续计算。准备数据就是准备出一个 Map,然后再进行后续的碰撞。

 

二.指标碰撞

1.根据算法需求实例两个 ArrayBuffer

(这两个碰撞的结果是为后续打分算法做准备的,指标数据就是为打分算法准备数据的。既然需要这两个数据:与选定与否无关得分结果集和选定的得分结果集,我们就去准备这两个数据。)

//一个选定与否无关的数据分数,若数据的值大于设置的阈值那么返回数据的分数,反之返回0

//结果集的大小一直是8

Val allRuleScoreList=new ArrayBuffer[Double]()

//一个必须是选定状态的并且数据的结果大于配置的阈值返回分数,反之不做返回

//结果集的大小不定

Val selectRuleScoreList=new ArrayBuffer[Double]()

2.遍历流程数据,获取流程内的规则

for(flow<-flowList){

//获取流程内的规则(8个)(拿到这8个规则后再遍历规则,遍历出每一个规则,找到每一个规则里面对应的数据里面配置好的阈值。)

Val rules=flow.rules

}

3.获取规则内的阈值

Val databaseValue=if(rule.ruleName.equals(criticalPagesLessThanDefault))

rule.ruleValuel else rule.ruleValue0

其中 ruleName 十分特殊,它有两个参数,第一个是最小时间差,第二个才是阈值。所以,如果需要 ruleName ,就取第二个作为阈值,否则就取第一个,因为其它的7个就只有一个即 Value0。根据情况返回了阈值。数据库的阈值有了,然后再从 Map 中拿出数据计算出来的结果。

4.获取数据计算出的结果

Val dataValue= dataParams.getOrElse(ruleName,0)

5.数据对比

如果数据中的值大于系统里配备的值,那么就将相应的结果塞入Map 中。然后根据这两种情况://一个选定与否无关的数据分数,若数据的值大于设置的阈值那么返回数据的分数,反之返回0 //一个必须是选定状态的并且数据的结果大于配置的阈值返回分数,反之不做返回,进行塞数据。

//结果集的大小一直是8

数据计算的结果大于阈值,根据需求将分数写入对应的 ArrayBuffer

数据计算的结果小于阈值,根据需求填入ArrayBuffer (是否需要填写)

If(dataValue>databaseValue){

allRuleScoreList.append(rule.ruleScore)

//判断规则是否选中

If(rule.ruleStatus==0){

selectRuleScoreList.append(rule.ruleScore)

}

}else{//反之 数据计算的结果小于阈值

allRuleScoreList.append(0)

}

至此,数据准备阶段完成,打分算法所需的数据已准备完毕。

 

三.最终打分

目标:根据已有数据计算最终分数,并返回分值

思路与关键代码:

1. 将两个结果集传入算法,算法自动返回一个分值

Val flowScore=computeScore(allRuleScoreList.toArray,selectRuleScoreList.toArray)

有了分数就可以去判断,是否是爬虫了。

 

.爬虫判断

目标:得出是否是爬虫的结论。 “True” 或 “False

在我们的流程当中,最后一步配置策略中有“黑名单阈值”,它表示的是:是否是爬虫,如果大于这个值就是爬虫,小于这个值就不是爬虫。获取出这个黑名单阈值后,将计算数据出的分数与黑名单阈值进行对比,大于它就返回 True, 小于就返回 False.

image.png

即如图所示的流程。

思路与关键代码:

1.将获取流程中最终的阈值(爬虫与非爬虫的分界点)

val flowLimitScore=flow.flowLimitScore

2.用数据得分与最终阈值对比

若数据得分大于最终阈值,那么次数据是爬虫,返回 True

若数据得分小于最终阈值,那么次数据不是爬虫,返回False

Val isUpLimited=if(flowScore>flowLimitScore)true else false

在流程的最后一步中,如果大于黑名单阈值,则是爬虫;如果不大于黑名单阈值,则不是爬虫。

 

五.测试

// 最终的打分

Val flowScore= computeScore(allRuleScoreList.toArray)

If (flowScore>0){

Println(>>>>>-----> 数据得分:”+flowScore)  //做判断,看一下分数,分数要大于0才能输出。

//3.2用数据得分与最终阈值对比

//若数据得分大于最终阈值,那么次数据是爬虫,返回 True

//若数据得分小于最终阈值,那么次数据不是爬虫,返回 False

Val isUpLimited=if(flowScore>flowLimitScore)true else false

If(isUpLimited){

println(>>>>>=====> True)  //做判断

这里面,它有可能是爬虫也有可能不是爬虫,在这里做一个判断。如果是,就输出 True

执行时应先执行数据预处理,再执行爬虫。

image.png

执行后,如图所示即可看到最终得分

image.png

将黑名单阈值改为20后再次运行,由于22.5>20,所以运行结果为 “True” 是爬虫,至此,爬虫识别完成。

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps&nbsp;
相关文章
|
6月前
|
数据采集 机器学习/深度学习 安全
Python爬虫之极验滑动验证码的识别
了解极验滑动验证码、特点、识别思路、初始化、模拟点击、识别缺口、模拟拖动。
405 0
|
6月前
|
数据采集 Web App开发 文字识别
Python爬虫之点触验证码的识别
点触验证码识别思路,初始化,获取,识别。
182 0
Python爬虫之点触验证码的识别
|
6月前
|
数据采集 文字识别 开发者
Python爬虫之图形验证码的识别
python爬虫逆向图形验证码分析,处理和测试实战。
144 0
|
数据采集 人机交互 API
「Python」爬虫-7.验证码的识别
> 本文主要介绍如何处理一些网页中简单的验证码问题。~~(只提供简单的思路,随着技术的发展,一些验证码已经防范的非常好了,一般的解决方法可能过不了验证码这一关🤺~~
404 0
|
数据采集 SQL 消息中间件
数据预处理-历史爬虫判断-实现代码及效果|学习笔记
快速学习数据预处理-历史爬虫判断-实现代码及效果
142 0
数据预处理-历史爬虫判断-实现代码及效果|学习笔记
|
数据采集 监控 前端开发
数据预处理-历史爬虫判断-需求与实现思路|学习笔记
快速学习数据预处理-历史爬虫判断-需求与实现思路
130 0
数据预处理-历史爬虫判断-需求与实现思路|学习笔记
|
数据采集 存储 消息中间件
爬虫识别-准备离线计算数据| 学习笔记
快速学习爬虫识别-准备离线计算数据
爬虫识别-准备离线计算数据| 学习笔记
|
数据采集 大数据 数据库
爬虫识别-指标碰撞-准备数据代码实现| 学习笔记
快速学习爬虫识别-指标碰撞-准备数据代码实现
爬虫识别-指标碰撞-准备数据代码实现| 学习笔记
|
数据采集 算法 大数据
爬虫识别-指标碰撞-准备数据 avi| 学习笔记
快速学习爬虫识别-指标碰撞-准备数据 avi
爬虫识别-指标碰撞-准备数据 avi| 学习笔记
|
23天前
|
数据采集 存储 JSON
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第27天】本文介绍了Python网络爬虫Scrapy框架的实战应用与技巧。首先讲解了如何创建Scrapy项目、定义爬虫、处理JSON响应、设置User-Agent和代理,以及存储爬取的数据。通过具体示例,帮助读者掌握Scrapy的核心功能和使用方法,提升数据采集效率。
66 6