主頁 >  其他 > 大資料分析美國疫情

大資料分析美國疫情

2021-01-26 11:48:23 其他

大資料美國疫情分析2020年

本案例以2020年美國新冠肺炎疫情資料作為資料集，以Python為編程語言，使用Spark對資料進行分析，并對分析結果進行可視化，

0x00 實驗環境

（1）Linux：Ubuntu 16.04
（2）Hadoop3.1.3
（3）Python: 3.7
（4）Spark: 2.4.0

0x01 資料集

  1. 資料集下載
    本次實驗使用的資料集來自資料網站Kaggle的美國新冠肺炎疫情資料集，該資料集以資料表us-counties.csv，其中包含了美國發現首例新冠肺炎確診病例至今（2020-05-19）的相關資料，資料包含以下欄位：
    欄位名稱 欄位含義 例子
    date 日期 2020/1/21；2020/1/22；etc
    county 區縣（州的下一級單位） Snohomish；
    state 州 Washington
    cases 截止該日期該區縣的累計確診人數 1,2,3…
    deaths 截止該日期該區縣的累計確診人數 1,2,3…
    表格xlsx中存盤
  2. 格式轉換
    原始資料集是以.csv檔案組織的，為了方便spark讀取生成RDD或者DataFrame，首先將us-counties.csv轉換為.txt格式檔案us-counties.txt，轉換操作使用python實作，代碼組織在TranstionTxt.py中，具體代碼如下：
# -*- coding:utf-8 -*-
# @Time : 2021/1/21 10:26
# @Author: qiuqiuqiu
# @File : TranstionTxt.py

import pandas as pd

#.csv->.txt
data = pd.read_csv('us-counties.csv')
with open('us-counties.txt','a+',encoding='utf-8') as f:
    for line in data.values:
        f.write((str(line[0])+'\t'+str(line[1])+'\t')+str(line[2])+'\t'+str(line[3])+'\t'+str(line[4])+'\n')
    print('success')

0x02 使用Spark對資料分析

這里采用Python作為編程語言，操作的完整實驗代碼存放在了analyst.py中，具體如下：

# -*- coding:utf-8 -*-
# @Time : 2021/1/21 14：30
# @Author: qiuqiuqiu
# @File : analyst.py



# 1) 統計美國截止每日的累計確診人數和累計死亡人數，做法是以date作為分組欄位，對cases和deaths欄位進行匯總統計，
# 2) 統計美國每日的新增確診人數和新增死亡人數，因為新增數=今日數-昨日數，所以考慮使用自連接，連接條件是t1.date = t2.date + 1，然后使用t1.totalCases – t2.totalCases計算該日新增，
# 3) 統計截止5.19日，美國各州的累計確診人數和死亡人數，首先篩選出5.19日的資料，然后以state作為分組欄位，對cases和deaths欄位進行匯總統計，
# 4) 統計截止5.19日，美國確診人數最多的十個州，對3)的結果DataFrame注冊臨時表，然后按確診人數降序排列，并取前10個州，
# 5) 統計截止5.19日，美國死亡人數最多的十個州，對3)的結果DataFrame注冊臨時表，然后按死亡人數降序排列，并取前10個州，
# 6) 統計截止5.19日，美國確診人數最少的十個州，對3)的結果DataFrame注冊臨時表，然后按確診人數升序排列，并取前10個州，
# 7) 統計截止5.19日，美國死亡人數最少的十個州，對3)的結果DataFrame注冊臨時表，然后按死亡人數升序排列，并取前10個州
# 8) 統計截止5.19日，全美和各州的病死率，病死率 = 死亡數/確診數，對3)的結果DataFrame注冊臨時表，然后按公式計算，



from pyspark import SparkConf, SparkContext
from pyspark.sql import Row
from pyspark.sql.types import *
from pyspark.sql import SparkSession
from datetime import datetime
import pyspark.sql.functions as func


def toDate(inputStr):
    newStr = ""
    if len(inputStr) == 8:
        s1 = inputStr[0:4]
        s2 = inputStr[5:6]
        s3 = inputStr[7]
        newStr = s1 + "-" + "0" + s2 + "-" + "0" + s3
    else:
        s1 = inputStr[0:4]
        s2 = inputStr[5:6]
        s3 = inputStr[7:]
        newStr = s1 + "-" + "0" + s2 + "-" + s3
    date = datetime.strptime(newStr, "%Y-%m-%d")
    return date


# 主程式:
spark = SparkSession.builder.appName('PythonSparkSQLexample').getOrCreate()

fields = [StructField("date", DateType(), False), StructField("county", StringType(), False),
          StructField("state", StringType(), False),
          StructField("cases", IntegerType(), False), StructField("deaths", IntegerType(), False), ]
schema = StructType(fields)

rdd0 = spark.sparkContext.textFile("us-counties.txt")
rdd1 = rdd0.map(lambda x: x.split("\t")).map(lambda p: Row(toDate(p[0]), p[1], p[2], int(p[3]), int(p[4])))

shemaUsInfo = spark.createDataFrame(rdd1, schema)

shemaUsInfo.createOrReplaceTempView("usInfo")

# 1.計算每日的累計確診病例數和死亡數
df = shemaUsInfo.groupBy("date").agg(func.sum("cases"), func.sum("deaths")).sort(shemaUsInfo["date"].asc())

# 列重命名
df1 = df.withColumnRenamed("sum(cases)", "cases").withColumnRenamed("sum(deaths)", "deaths")
# df1.repartition(1).write.json("result1.json")  # 寫入hdfs

df1.repartition(1).write.format('json').mode('overwrite').save('result1.json')
print("success result1")
# 注冊為臨時表供下一步使用
df1.createOrReplaceTempView("ustotal")

# 2.計算每日較昨日的新增確診病例數和死亡病例數
df2 = spark.sql(
    "select t1.date,t1.cases-t2.cases as caseIncrease,t1.deaths-t2.deaths as deathIncrease from ustotal t1,ustotal t2 where t1.date = date_add(t2.date,1)")

df2.sort(df2["date"].asc()).repartition(1).write.json("result2.json")  # 寫入hdfs
print("success result2")
# 3.統計截止5.19日 美國各州的累計確診人數和死亡人數
df3 = spark.sql(
    "select date,state,sum(cases) as totalCases,sum(deaths) as totalDeaths,round(sum(deaths)/sum(cases),4) as deathRate from usInfo  where date = to_date('2020-05-19','yyyy-MM-dd') group by date,state")

df3.sort(df3["totalCases"].desc()).repartition(1).write.json("result3.json")  # 寫入hdfs
print("success result3")
df3.createOrReplaceTempView("eachStateInfo")

# 4.找出美國確診最多的10個州
df4 = spark.sql("select date,state,totalCases from eachStateInfo  order by totalCases desc limit 10")
df4.repartition(1).write.json("result4.json")
print("success result4")
# 5.找出美國死亡最多的10個州
df5 = spark.sql("select date,state,totalDeaths from eachStateInfo  order by totalDeaths desc limit 10")
df5.repartition(1).write.json("result5.json")
print("success result5")
# 6.找出美國確診最少的10個州
df6 = spark.sql("select date,state,totalCases from eachStateInfo  order by totalCases asc limit 10")
df6.repartition(1).write.json("result6.json")
print("success result6")
# 7.找出美國死亡最少的10個州
df7 = spark.sql("select date,state,totalDeaths from eachStateInfo  order by totalDeaths asc limit 10")
df7.repartition(1).write.json("result7.json")
print("success result7")
# 8.統計截止5.19全美和各州的病死率
df8 = spark.sql(
    "select 1 as sign,date,'USA' as state,round(sum(totalDeaths)/sum(totalCases),4) as deathRate from eachStateInfo group by date union select 2 as sign,date,state,deathRate from eachStateInfo").cache()
df8.sort(df8["sign"].asc(), df8["deathRate"].desc()).repartition(1).write.json("result8.json")
print("success result8")
  1. 讀取檔案生成DataFrame
    由于本實驗中使用的資料為結構化資料，因此可以使用spark讀取源檔案生成DataFrame以方便進行后續分析實作，
    本部分代碼組織在analyst.py中，讀取us-counties.txt生成DataFrame的代碼如下：
# 主程式:
spark = SparkSession.builder.appName('PythonSparkSQLexample').getOrCreate()

fields = [StructField("date", DateType(), False), StructField("county", StringType(), False),
          StructField("state", StringType(), False),
          StructField("cases", IntegerType(), False), StructField("deaths", IntegerType(), False), ]
schema = StructType(fields)

rdd0 = spark.sparkContext.textFile("us-counties.txt")
rdd1 = rdd0.map(lambda x: x.split("\t")).map(lambda p: Row(toDate(p[0]), p[1], p[2], int(p[3]), int(p[4])))

shemaUsInfo = spark.createDataFrame(rdd1, schema)

shemaUsInfo.createOrReplaceTempView("usInfo")
  1. 進行資料分析
    本實驗主要統計以下8個指標，分別是：
  1. 統計美國截止每日的累計確診人數和累計死亡人數，做法是以date作為分組欄位，對cases和deaths欄位進行匯總統計，
  2. 統計美國每日的新增確診人數和新增死亡人數，因為新增數=今日數-昨日數，所以考慮使用自連接，連接條件是t1.date = t2.date + 1，然后使用t1.totalCases – t2.totalCases計算該日新增，
  3. 統計截止5.19日，美國各州的累計確診人數和死亡人數，首先篩選出5.19日的資料，然后以state作為分組欄位，對cases和deaths欄位進行匯總統計，
  4. 統計截止5.19日，美國確診人數最多的十個州，對3)的結果DataFrame注冊臨時表，然后按確診人數降序排列，并取前10個州，
  5. 統計截止5.19日，美國死亡人數最多的十個州，對3)的結果DataFrame注冊臨時表，然后按死亡人數降序排列，并取前10個州，
  6. 統計截止5.19日，美國確診人數最少的十個州，對3)的結果DataFrame注冊臨時表，然后按確診人數升序排列，并取前10個州，
  7. 統計截止5.19日，美國死亡人數最少的十個州，對3)的結果DataFrame注冊臨時表，然后按死亡人數升序排列，并取前10個州
  8. 統計截止5.19日，全美和各州的病死率，病死率 = 死亡數/確診數，對3)的結果DataFrame注冊臨時表，然后按公式計算，
    在計算以上幾個指標程序中，根據實作的簡易程度，既采用了DataFrame自帶的操作函式，又采用了spark sql進行操作，
  1. 結果檔案
    上述Spark計算結果保存.json檔案，方便后續可視化處理，由于使用Python讀取HDFS檔案系統不太方便，故將HDFS上結果檔案轉儲到本地檔案系統中，使用以下命令：
    對于result2等結果檔案，使用相同命令，只需要改一下路徑即可，
df2.sort(df2["date"].asc()).repartition(1).write.json("result2.json")  # 寫入hdfs

資料可視化

  1. 可視化工具與選擇
    選擇使用python第三方庫pyecharts作為可視化工具，
    在使用前，需要安裝pyecharts，安裝代碼如下：
pip install pyecharts

具體可視化實作代碼組織與showdata.py檔案中，具體代碼如下：

# -*- coding:utf-8 -*-
# @Time : 2021/1/21 16:07
# @Author: qiuqiuqiu
# @File : showdata.py

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.charts import Line
from pyecharts.components import Table
from pyecharts.charts import WordCloud
from pyecharts.charts import Pie
from pyecharts.charts import Funnel
from pyecharts.charts import Scatter
from pyecharts.charts import PictorialBar
from pyecharts.options import ComponentTitleOpts
from pyecharts.globals import SymbolType
import json


# 1.畫出每日的累計確診病例數和死亡數——>雙柱狀圖
def drawChart_1(index):
    root =   "p"+str(index)+".json"
    print(root)
    date = []
    cases = []
    deaths = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            date.append(str(js['date']))
            cases.append(int(js['cases']))
            deaths.append(int(js['deaths']))

    d = (
        Bar()
            .add_xaxis(date)
            .add_yaxis("累計確診人數", cases, stack="stack1")
            .add_yaxis("累計死亡人數", deaths, stack="stack1")
            .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
            .set_global_opts(title_opts=opts.TitleOpts(title="美國每日累計確診和死亡人數"))
            .render("pp"+str(index)+".html")
    )


# 2.畫出每日的新增確診病例數和死亡數——>折線圖
def drawChart_2(index):
    root = "p"+str(index)+".json"
    date = []
    cases = []
    deaths = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            date.append(str(js['date']))
            cases.append(int(js['caseIncrease']))
            deaths.append(int(js['deathIncrease']))

    (
        Line(init_opts=opts.InitOpts(width="1600px", height="800px"))
            .add_xaxis(xaxis_data=date)
            .add_yaxis(
            series_name="新增確診",
            y_axis=cases,
            markpoint_opts=opts.MarkPointOpts(
                data=[
                    opts.MarkPointItem(type_="max", name="最大值")

                ]
            ),
            markline_opts=opts.MarkLineOpts(
                data=[opts.MarkLineItem(type_="average", name="平均值")]
            ),
        )
            .set_global_opts(
            title_opts=opts.TitleOpts(title="美國每日新增確診折線圖", subtitle=""),
            tooltip_opts=opts.TooltipOpts(trigger="axis"),
            toolbox_opts=opts.ToolboxOpts(is_show=True),
            xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False),
        )
            .render("pp"+str(index)+".html")
    )
    (
        Line(init_opts=opts.InitOpts(width="1600px", height="800px"))
            .add_xaxis(xaxis_data=date)
            .add_yaxis(
            series_name="新增死亡",
            y_axis=deaths,
            markpoint_opts=opts.MarkPointOpts(
                data=[opts.MarkPointItem(type_="max", name="最大值")]
            ),
            markline_opts=opts.MarkLineOpts(
                data=[
                    opts.MarkLineItem(type_="average", name="平均值"),
                    opts.MarkLineItem(symbol="none", x="90%", y="max"),
                    opts.MarkLineItem(symbol="circle", type_="max", name="最高點"),
                ]
            ),
        )
            .set_global_opts(
            title_opts=opts.TitleOpts(title="美國每日新增死亡折線圖", subtitle=""),
            tooltip_opts=opts.TooltipOpts(trigger="axis"),
            toolbox_opts=opts.ToolboxOpts(is_show=True),
            xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False),
        )
            .render("pp"+str(index)+".html")
    )


# 3.畫出截止5.19，美國各州累計確診、死亡人數和病死率--->表格
def drawChart_3(index):
    root = "p"+str(index)+".json"
    allState = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            row = []
            row.append(str(js['state']))
            row.append(int(js['totalCases']))
            row.append(int(js['totalDeaths']))
            row.append(float(js['deathRate']))
            allState.append(row)

    table = Table()

    headers = ["State name", "Total cases", "Total deaths", "Death rate"]
    rows = allState
    table.add(headers, rows)
    table.set_global_opts(
        title_opts=ComponentTitleOpts(title="美國各州疫情一覽", subtitle="")
    )
    table.render("pp"+str(index)+".html")


# 4.畫出美國確診最多的10個州——>詞云圖
def drawChart_4(index):
    root ="p"+str(index)+".json"
    data = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            row = (str(js['state']), int(js['totalCases']))
            data.append(row)

    c = (
        WordCloud()
            .add("", data, word_size_range=[20, 100], shape=SymbolType.DIAMOND)
            .set_global_opts(title_opts=opts.TitleOpts(title="美國各州確診Top10"))
            .render("pp"+str(index)+".html")
    )


# 5.畫出美國死亡最多的10個州——>象柱狀圖
def drawChart_5(index):
    root ="p"+str(index)+".json"
    state = []
    totalDeath = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            state.insert(0, str(js['state']))
            totalDeath.insert(0, int(js['totalDeaths']))

    c = (
        PictorialBar()
            .add_xaxis(state)
            .add_yaxis(
            "",
            totalDeath,
            label_opts=opts.LabelOpts(is_show=False),
            symbol_size=18,
            symbol_repeat="fixed",
            symbol_offset=[0, 0],
            is_symbol_clip=True,
            symbol=SymbolType.ROUND_RECT,
        )
            .reversal_axis()
            .set_global_opts(
            title_opts=opts.TitleOpts(title="PictorialBar-美國各州死亡人數Top10"),
            xaxis_opts=opts.AxisOpts(is_show=False),
            yaxis_opts=opts.AxisOpts(
                axistick_opts=opts.AxisTickOpts(is_show=False),
                axisline_opts=opts.AxisLineOpts(
                    linestyle_opts=opts.LineStyleOpts(opacity=0)
                ),
            ),
        )
            .render("pp"+str(index)+".html")
    )


# 6.找出美國確診最少的10個州——>詞云圖
def drawChart_6(index):
    root = "p"+str(index)+".json"
    data = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            row = (str(js['state']), int(js['totalCases']))
            data.append(row)

    c = (
        WordCloud()
            .add("", data, word_size_range=[100, 20], shape=SymbolType.DIAMOND)
            .set_global_opts(title_opts=opts.TitleOpts(title="美國各州確診最少的10個州"))
            .render("pp"+str(index)+".html")
    )


# 7.找出美國死亡最少的10個州——>漏斗圖
def drawChart_7(index):
    root = "p"+str(index)+".json"
    data = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            data.insert(0, [str(js['state']), int(js['totalDeaths'])])

    c = (
        Funnel()
            .add(
            "State",
            data,
            sort_="ascending",
            label_opts=opts.LabelOpts(position="inside"),
        )
            .set_global_opts(title_opts=opts.TitleOpts(title=""))
            .render("pp"+str(index)+".html")
    )


# 8.美國的病死率--->餅狀圖
def drawChart_8(index):
    root ="p"+str(index)+".json"
    values = []
    with open(root, 'r') as f:
        while True:
            line = f.readline()
            if not line:  # 到 EOF，回傳空字串，則終止回圈
                break
            js = json.loads(line)
            if str(js['state']) == "USA":
                values.append(["Death(%)", round(float(js['deathRate']) * 100, 2)])
                values.append(["No-Death(%)", 100 - round(float(js['deathRate']) * 100, 2)])
    c = (
        Pie()
            .add("", values)
            .set_colors(["blcak", "orange"])
            .set_global_opts(title_opts=opts.TitleOpts(title="全美的病死率"))
            .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
            .render("pp"+str(index)+".html")
    )


# 可視化主程式：
index = 1
while index < 9:
    funcStr = "drawChart_" + str(index)
    eval(funcStr)(index)
    index += 1
  1. 結果圖表展示
    可視化結果是.html格式的，reslut1的結果展示圖保存路徑為“/home/hadoop/result/result1/result1.html”，reslut2的結果展示圖保存路徑為“/home/hadoop/result/result2/result1.html”，其余類似遞推，

  • 美國每日的累計確診病例數和死亡數——>雙柱狀圖
    在這里插入圖片描述

  • 美國每日的新增確診病例數——>折線圖
    在這里插入圖片描述

  • 美國每日的新增死亡病例數——>折線圖
    在這里插入圖片描述

  • 截止5.19，美國各州累計確診、死亡人數和病死率—>表格
    在這里插入圖片描述

  • 截止5.19，美國累計確診人數前10的州—>詞云圖
    在這里插入圖片描述

  • 截止5.19，美國累計死亡人數前10的州—>象柱狀圖
    在這里插入圖片描述

  • 截止5.19，美國累計確診人數最少的10個州—>詞云圖
    確診人數最少的10個州

  • 截止5.19，美國累計死亡人數最少的10個州—>漏斗圖
    在這里插入圖片描述

  • 截止5.19，美國的病死率—>餅狀圖
    在這里插入圖片描述

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/252651.html

標籤：其他

上一篇：Scrapy爬取前程無憂

下一篇：windows下上傳ipa檔案到開發者中心的方法

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂