主頁 >  其他 > python大資料可視化分析淘寶商品，開專賣店不行啊

python大資料可視化分析淘寶商品，開專賣店不行啊

2022-03-02 08:13:49 其他

python大資料可視化分析淘寶商品，開專賣店不行啊

現如今大資料分析例外火爆，如何正確分析資料，并且抓住資料特點，獲得不為人知的秘密?今天沉默帶你用python爬蟲，爬取淘寶網站進行淘寶商品大資料分析的實戰！

文章目錄

  • python大資料可視化分析淘寶商品，開專賣店不行啊
  • 前言
  • 一、明確爬取方向
    • 1.1 淘寶搜索介面的分析
      • 1.1.1 cookie獲取的途徑
      • 1.1.2 搜索介面的分析
  • 二、爬蟲腳本撰寫
    • 1.1引入庫
    • 1.3 格式化頁面，查找資料
    • 1.4 將資料存盤到csv檔案中
    • 1.5 完整代碼
  • 三、資料可視化實作
    • 1.1 引入依賴
    • 1.2 價格分布直方圖實作邏輯
    • 1.3 商品銷售地分析實作邏輯
    • 1.4 商品店名稱聚集實作邏輯
    • 1.5 完整代碼
  • 四 、擴展
  • 總結

前言

通過這場專案實戰，我將帶你進入大資料分析的世界，并且學習爬蟲技術，pandas,pyecharts,matplotlib等技術，

一、明確爬取方向

淘寶的商品數量是特別巨大的，如此海量的資料我們如何去爬取，并且分析？因此我們需要明確爬取方向，怎么才可以爬取自己想分析的資料？我們最有效的方法就是從淘寶主頁的搜索介面找到突破口，

1.1 淘寶搜索介面的分析

淘寶web網站
在這里插入圖片描述
我總結如下步驟：

  • 第一步：登錄淘寶網站，獲取我們登錄的淘寶賬號
  • 第二步：獲取我們的cookie
  • 第三步：獲取搜索介面
  • 第四步：分析介面，確定爬取數量

1.1.1 cookie獲取的途徑

我們登錄上淘寶賬戶后，按電腦的F12鍵，進入開發者模式
在這里插入圖片描述
點擊Network，這里就是淘寶前端介面互動的資訊，然后我們隨便在搜索框中搜索資訊，然后在開發者框中找search介面，點擊該介面，你就會找到cookie資訊，復制一份資訊，保存起來，待后續爬蟲使用，

在這里插入圖片描述
在這里插入圖片描述

1.1.2 搜索介面的分析

分析搜索介面

https://s.taobao.com/search?q=小米手機&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200415&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=0

https://s.taobao.com/search?q=小米手機&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200415&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=44

https://s.taobao.com/search?q=小米手機&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200415&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=88

分析得知：每個頁面參請求數基本相同，只有最后一個頁碼引數不同，而且是規律的：當前頁面資料（頁數-1）*
所以當我們想要將前端頁面跳轉至下一頁爬取資料只需要將url拼接上面邏輯
運算后的資料即可，

二、爬蟲腳本撰寫

以男士襯衫商品為例子，開展的簡單資料分析，其目的是了解淘寶網站線上銷售男士內褲的方法和模式，通過獲取到的淘寶網站男士襯衫銷售資料情況，進一步分析和判斷出哪個價格區間及品牌等資訊更加受到網購消費者的青睞和偏好，從而給自己買一個性價比較好的襯衫，

1.1引入庫

代碼如下（區域）：

# -*- coding: utf-8 -*-
import requests
import re
import pandas as pd
import time

如果上述的的庫沒有下載，請安裝后在使用；（如果沒有安裝庫，就會爆紅）

## 1.2 獲取頁面資訊 
# 此處寫入登錄之后自己的cookies
cookie = '' 
# 獲取頁面資訊
def getHTMLText(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}
    user_cookies = cookie
    cookies = {}
  
    for a in user_cookies.split(';'):  # 因為cookies是字典形式，所以用spilt函式將之改為字典形式
        name, value = a.strip().split('=', 1)
        cookies[name] = value
    try:
        r = requests.get(url, cookies=cookies, headers=headers, timeout=60)
        print(r.status_code)
        print(r.cookies)
        return r.text
    except:
        print('獲取頁面資訊失敗')
        return ''

1.3 格式化頁面，查找資料

#  格式化頁面，查找資料
def parsePage(html):
    list = []
    try:
        views_title = re.findall('"raw_title":"(.*?)","pic_url"', html)
        print(len(views_title))  # 列印檢索到資料資訊的個數，如果此個數與后面的不一致，則資料資訊不能加入串列
        print(views_title)
        views_price = re.findall('"view_price":"(.*?)","view_fee"', html)
        print(len(views_price))
        print(views_price)
        item_loc = re.findall('"item_loc":"(.*?)","view_sales"', html)
        print(len(item_loc))
        print(item_loc)
        views_sales = re.findall('"view_sales":"(.*?)","comment_count"', html)
        print(len(views_sales))
        print(views_sales)
        comment_count = re.findall('"comment_count":"(.*?)","user_id"', html)
        print(len(comment_count))
        print(comment_count)
        shop_name = re.findall('"nick":"(.*?)","shopcard"', html)
        print(len(shop_name))
        for i in range(len(views_price)):
            list.append([views_title[i], views_price[i], item_loc[i], comment_count[i], views_sales[i], shop_name[i]])
        # print(list)
        print('爬取資料成功')
        return list
    except:
        print('有資料資訊不全，如某一頁面中某一商品缺少地區資訊')

1.4 將資料存盤到csv檔案中

# 存盤到csv檔案中，為接下來的資料分析做準備
def save_to_file(list):
    data = pd.DataFrame(list)
    data.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 用追加寫入的方式

1.5 完整代碼

# -*- coding: utf-8 -*-
import requests
import re
import pandas as pd
import time

# 此處寫入登錄之后自己的cookies
cookie = ''


# 獲取頁面資訊
def getHTMLText(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}
    user_cookies = cookie
    cookies = {}
  
    for a in user_cookies.split(';'):  # 因為cookies是字典形式，所以用spilt函式將之改為字典形式
        name, value = a.strip().split('=', 1)
        cookies[name] = value
    try:
        r = requests.get(url, cookies=cookies, headers=headers, timeout=60)
        print(r.status_code)
        print(r.cookies)
        return r.text
    except:
        print('獲取頁面資訊失敗')
        return ''


#  格式化頁面，查找資料
def parsePage(html):
    list = []
    try:
        views_title = re.findall('"raw_title":"(.*?)","pic_url"', html)
        print(len(views_title))  # 列印檢索到資料資訊的個數，如果此個數與后面的不一致，則資料資訊不能加入串列
        print(views_title)
        views_price = re.findall('"view_price":"(.*?)","view_fee"', html)
        print(len(views_price))
        print(views_price)
        item_loc = re.findall('"item_loc":"(.*?)","view_sales"', html)
        print(len(item_loc))
        print(item_loc)
        views_sales = re.findall('"view_sales":"(.*?)","comment_count"', html)
        print(len(views_sales))
        print(views_sales)
        comment_count = re.findall('"comment_count":"(.*?)","user_id"', html)
        print(len(comment_count))
        print(comment_count)
        shop_name = re.findall('"nick":"(.*?)","shopcard"', html)
        print(len(shop_name))
        for i in range(len(views_price)):
            list.append([views_title[i], views_price[i], item_loc[i], comment_count[i], views_sales[i], shop_name[i]])
        # print(list)
        print('爬取資料成功')
        return list
    except:
        print('有資料資訊不全，如某一頁面中某一商品缺少地區資訊')


# 存盤到csv檔案中，為接下來的資料分析做準備
def save_to_file(list):
    data = pd.DataFrame(list)
    data.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 用追加寫入的方式


def main():
    name = [['views_title', 'views_price', 'item_loc', 'comment_count', 'views_sales', 'shop_name']]
    data_name = pd.DataFrame(name)
    data_name.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 提前保存一行列名稱
    goods = input('請輸入想查詢的商品名稱：'.strip())  # 輸入想搜索的商品名稱
    depth = 5  # 爬取的頁數
    start_url = 'https://s.taobao.com/search?q=' + goods  # 初始搜索地址
    for i in range(depth):
        time.sleep(3 + i)
        try:
            page = i + 1
            print('正在爬取第%s頁資料' % page)
            url = start_url + 'imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200408&ie=utf8&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s=' + str(
                44 * i)
            html = getHTMLText(url)
            # print(html)
            list = parsePage(html)
            save_to_file(list)
        except:
            print('資料沒保存成功')


if __name__ == '__main__':
    main()

運行專案，輸入男士襯衫，回車，自動爬取資料
在這里插入圖片描述
保存的商品資訊csv檔案：
在這里插入圖片描述

三、資料可視化實作

資料可視化說白了，也就是通過資料分析，將得出的結果用圖表的形式展示出來，圖表的展示無非就是k,v的方式實作，所以我們可以借助pandas，將海量的資料分析出來，并且將分析后的資料處理成可視化表所識別的資料格式就可以實作資料可視化，我們這里可視化依賴于pyecharts和matplotlib，

1.1 引入依賴

沒有以下庫的請下載安裝

import pandas as pd
import operator
from matplotlib import pyplot as plt
import matplotlib as mpl
from pyecharts.charts import Bar, Pie
# 用于設值全域配置和系列配置
from pyecharts import options as opts
mpl.rcParams['font.sans-serif'] = ['KaiTi']  # 畫圖時顯示中文
mpl.rcParams['font.serif'] = ['KaiTi']
data = pd.read_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', encoding='utf-8')

1.2 價格分布直方圖實作邏輯

# 商品價格分析
def priceshow():
    print(data['views_price'].describe())
    # 價格分布直方圖
    plt.figure(figsize=(16, 9))  # 這里是圖片長寬比例
    plt.hist(data['views_price'], bins=30, alpha=0.4, color='orange') 
    plt.title('價格頻數分布直方圖')
    plt.xlabel('價格')
    plt.ylabel('頻數')
    plt.savefig('價格分布直方圖.png')

在這里插入圖片描述

1.3 商品銷售地分析實作邏輯

# 分析商品的資料（商品銷售地分析）
def shop_localdatashow():
    # 銷售地分布
    group_data = list(data.groupby('item_loc'))
    loc_num = {}
    for i in range(len(group_data)):
        loc_num[group_data[i][0]] = len(group_data[i][1])
    print(loc_num)
    plt.figure(figsize=(30, 10))
    plt.title('銷售地折線圖')
    plt.scatter(list(loc_num.keys()), list(loc_num.values()), color='r')
    plt.plot(list(loc_num.keys()), list(loc_num.values()))
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.savefig('銷售地.png')
    sorted_loc_num = sorted(loc_num.items(), key=operator.itemgetter(1), reverse=True)  # 排序
    loc_num_10 = sorted_loc_num[:10]  # 取前10
    loc_10 = []
    num_10 = []
    for i in range(10):
        loc_10.append(loc_num_10[i][0])
        num_10.append(loc_num_10[i][1])
    plt.figure(figsize=(16, 9))
    plt.title('銷售地TOP10')
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.bar(loc_10, num_10, facecolor='lightskyblue', edgecolor='white')
    plt.savefig('銷售地TOP10.png')

在這里插入圖片描述
top10生產地表
在這里插入圖片描述

1.4 商品店名稱聚集實作邏輯

資料獲取，通過pyecharts展示資料

# 分析商品店名稱聚集
def shop_name():
    # 店名稱分析
    df1 = data['shop_name'].str[-3:]
    shop = list(df1.groupby(df1))
    # print(shop)
    shop_num = {}
    for i in range(len(shop)):
        shop_num[shop[i][0]] = len(shop[i][1])
    shop_num['其他'] =176 - shop_num['專賣店'] - shop_num['專營店'] - shop_num['旗艦店']
    data1 = sorted(shop_num.values(), reverse=True)[:4]
    # print(shop_num)
    label = ['旗艦店', '專賣店', '其他', '專營店']  # 定義餅圖的標簽，標簽是串列
    # explode = [0.01, 0.01, 0.01, 0.01]  # 設定各項距離圓心n個半徑
    # attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋", "襪子"]
    v = [shop_num['旗艦店'], shop_num['專賣店'], shop_num['其他'], shop_num['專賣店']]
    arr = [label, v]
    return arr

這里注意：

  • shop_num['其他'] =176 - shop_num['專賣店'] - shop_num['專營店'] - shop_num['旗艦店']
  • 176是指我爬出了多少條資料資訊，檔案第一行是表頭，不算在內，
  • 在這里插入圖片描述

銷售店名稱餅圖

def text(x, y):
    # 餅圖用的資料格式是[(key1,value1),(key2,value2)]，所以先使用 zip函式將二者進行組合
    data_pair = [list(z) for z in zip(x, y)]
    (
        # 初始化配置項，內部可設定顏色
        Pie(init_opts=opts.InitOpts(bg_color="#2c343c"))
            .add(
            # 系列名稱，即該餅圖的名稱
            series_name="銷售店名稱餅圖分析",
            # 系列資料項，格式為[(key1,value1),(key2,value2)]
            data_pair=data_pair,
            # 通過半徑區分資料大小 “radius” 和 “area” 兩種
            rosetype="radius",
            # 餅圖的半徑，設定成默認百分比，相對于容器高寬中較小的一項的一半
            radius="60%",
            # 餅圖的圓心，第一項是相對于容器的寬度，第二項是相對于容器的高度
            center=["50%", "50%"],
            # 標簽配置項
            label_opts=opts.LabelOpts(is_show=False, position="center"),
        )
            # 全域設定
            .set_global_opts(
            # 設定標題
            title_opts=opts.TitleOpts(
                # 名字
                title="銷售店名稱餅圖分析",
                # 組件距離容器左側的位置
                pos_left="center",
                # 組件距離容器上方的像素值
                pos_top="20",
                # 設定標題顏色
                title_textstyle_opts=opts.TextStyleOpts(color="#ffffff"),
            ),
            # 圖例配置項，引數 是否顯示圖里組件
            legend_opts=opts.LegendOpts(is_show=False),
        )
            # 系列設定
            .set_series_opts(
            tooltip_opts=opts.TooltipOpts(
                trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"
            ),
            # 設定標簽顏色
            label_opts=opts.LabelOpts(color="rgba(255, 255, 255, 0.4)"),
        )
            .render("銷售店名稱餅圖分析.html")
    )

在這里插入圖片描述
通過分析，旗艦店的商戶占比較大，所以大部分用戶都是在旗艦店購買的衣服，

1.5 完整代碼

import pandas as pd
import operator
from matplotlib import pyplot as plt
import matplotlib as mpl
from pyecharts.charts import Bar, Pie
# 用于設值全域配置和系列配置
from pyecharts import options as opts

mpl.rcParams['font.sans-serif'] = ['KaiTi']  # 畫圖時顯示中文
mpl.rcParams['font.serif'] = ['KaiTi']
data = pd.read_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', encoding='utf-8')


# 商品價格分析
def priceshow():
    print(data['views_price'].describe())
    # 價格分布直方圖
    plt.figure(figsize=(16, 9))
    plt.hist(data['views_price'], bins=30, alpha=0.4, color='red')
    plt.title('價格頻數分布直方圖')
    plt.xlabel('價格')
    plt.ylabel('頻數')
    plt.savefig('價格分布直方圖.png')


# 分析商品的資料（商品銷售地分析）
def shop_localdatashow():
    # 銷售地分布
    group_data = list(data.groupby('item_loc'))
    loc_num = {}
    for i in range(len(group_data)):
        loc_num[group_data[i][0]] = len(group_data[i][1])
    print(loc_num)
    plt.figure(figsize=(30, 10))
    plt.title('銷售地折線圖')
    plt.scatter(list(loc_num.keys()), list(loc_num.values()), color='r')
    plt.plot(list(loc_num.keys()), list(loc_num.values()))
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.savefig('銷售地.png')
    sorted_loc_num = sorted(loc_num.items(), key=operator.itemgetter(1), reverse=True)  # 排序
    loc_num_10 = sorted_loc_num[:10]  # 取前10
    loc_10 = []
    num_10 = []
    for i in range(10):
        loc_10.append(loc_num_10[i][0])
        num_10.append(loc_num_10[i][1])
    plt.figure(figsize=(16, 9))
    plt.title('銷售地TOP10')
    plt.xlabel('銷售地區')
    plt.ylabel('個數')
    plt.bar(loc_10, num_10, facecolor='lightskyblue', edgecolor='white')
    plt.savefig('銷售地TOP10.png')


# 分析商品店名稱聚集
def shop_name():
    # 店名稱分析
    df1 = data['shop_name'].str[-3:]
    shop = list(df1.groupby(df1))
    # print(shop)
    shop_num = {}
    for i in range(len(shop)):
        shop_num[shop[i][0]] = len(shop[i][1])
    shop_num['其他'] = 176 - shop_num['專賣店'] - shop_num['專營店'] - shop_num['旗艦店']
    data1 = sorted(shop_num.values(), reverse=True)[:4]
    # print(shop_num)
    label = ['旗艦店', '專賣店', '其他', '專營店']  # 定義餅圖的標簽，標簽是串列
    # explode = [0.01, 0.01, 0.01, 0.01]  # 設定各項距離圓心n個半徑
    # attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋", "襪子"]
    v = [shop_num['旗艦店'], shop_num['專賣店'], shop_num['其他'], shop_num['專賣店']]
    arr = [label, v]
    return arr




def text(x, y):
    # 餅圖用的資料格式是[(key1,value1),(key2,value2)]，所以先使用 zip函式將二者進行組合
    data_pair = [list(z) for z in zip(x, y)]
    (
        # 初始化配置項，內部可設定顏色
        Pie(init_opts=opts.InitOpts(bg_color="#2c343c"))
            .add(
            # 系列名稱，即該餅圖的名稱
            series_name="銷售店名稱餅圖分析",
            # 系列資料項，格式為[(key1,value1),(key2,value2)]
            data_pair=data_pair,
            # 通過半徑區分資料大小 “radius” 和 “area” 兩種
            rosetype="radius",
            # 餅圖的半徑，設定成默認百分比，相對于容器高寬中較小的一項的一半
            radius="60%",
            # 餅圖的圓心，第一項是相對于容器的寬度，第二項是相對于容器的高度
            center=["50%", "50%"],
            # 標簽配置項
            label_opts=opts.LabelOpts(is_show=False, position="center"),
        )
            # 全域設定
            .set_global_opts(
            # 設定標題
            title_opts=opts.TitleOpts(
                # 名字
                title="銷售店名稱餅圖分析",
                # 組件距離容器左側的位置
                pos_left="center",
                # 組件距離容器上方的像素值
                pos_top="20",
                # 設定標題顏色
                title_textstyle_opts=opts.TextStyleOpts(color="#ffffff"),
            ),
            # 圖例配置項，引數 是否顯示圖里組件
            legend_opts=opts.LegendOpts(is_show=False),
        )
            # 系列設定
            .set_series_opts(
            tooltip_opts=opts.TooltipOpts(
                trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"
            ),
            # 設定標簽顏色
            label_opts=opts.LabelOpts(color="rgba(255, 255, 255, 0.4)"),
        )
            .render("銷售店名稱餅圖分析.html")
    )


# 通過matplotlib產生的餅圖并不完善
# plt.title('銷售店名稱餅圖分析')
# plt.pie(data1, explode=explode, labels=label, autopct='%1.1f%%')  # 繪制餅圖
#  plt.savefig('銷售店名稱.png')


if __name__ == '__main__':
    priceshow()
    shop_localdatashow()
    dist = shop_name()
    print(dist[0])
    print(dist[1])
    text(dist[0], dist[1])

四 、擴展

我在腳本設計的時候靈活的將需要爬取的商品通過控制臺輸入，并沒有固定一個商品，所以理論上可以實作所有商品的資料分析，這里我測驗，統計小米手機的資料；
在測驗前，需要洗掉csv檔案，因為在資料爬取之前我是采用追加的方式，如果檔案里有其他商品，資料分析是失敗的

   data.to_csv('F:\\Github\\pythonobject\\taobao\\商品資料.csv', header=False, mode='a+')  # 用追加寫入的方式

在這里插入圖片描述在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
話說，專賣店生意是真不行！

總結

例如：以上就是今天要講的內容，本文僅僅簡單介紹了pandas的使用，而pandas提供了大量能使我們快速便捷地處理資料的函式和方法，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/435472.html

標籤：其他

上一篇：阿里一面，說說你知道訊息中間件的應用場景有哪些？

下一篇：Flink -沒寫完更新中

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