信息内容安全课程设计作业

3944 浏览 | 2021-06-30 | 阅读时间: 约 4 分钟 | 分类: | 标签:

请注意，本文编写于 1029 天前，最后修改于 1029 天前，其中某些信息可能已经过时。

0x1 前言

时间紧任务重，这里主要记录整个项目进度和具体构思。首先明确任务目标与需求：

课程设计要结合课程内容
有课堂演示效果
究极无敌融合怪，尽可能多的满足任务需求
python语言开发，时间不足时可以直接阉割可视化图形界面

0x2 课程内容基本设计

第一部分网页爬虫

本部分主要目的有两个：

实现哔哩哔哩网页爬虫api函数的封装，主要数据有关注，关注量，播放量，点赞量等
将数据进行整理，将数据存入数据库，方便后续取用

主要使用：requests伪造api请求，正则表达式提取字段，sqlite3数据库存储

涉及python文件：bilbliapi.py database.py

第二部分数据处理部分

本部分目的主要目的有两个：

处理数据为可用数据，量化各项数据，为up进行画像
分析数据，构建数据库，进行聚类算法

主要使用：AGNES聚类算法，sqlite3数据库存储

涉及python文件：datamake.py AGNES.py

第三部分主要main函数

本部分主要目的有三个：

编写基于项协同的基本推荐算法
编写基于用户协同的基本推荐算法
组建主要操作控制台，实现相关操作：如链接推荐组件，获取相关信息等操作

涉及python文件：main.py useraner.py using.py

0x3 程序设计

准备使用bilibili为基础，做一个视频推荐系统。

bilibili_api.py

本小节是一个爬虫系统，主要是用于爬取用户关注的up主。哔哩哔哩每一个用户都拥有一个唯一的uid,我们可以从这个uid入手，定位对应的用户。其次获取每一个用户的关注列表，返回数据通过正则表达式进行处理，以备后续使用。

import requests
import urllib
from urllib import request
import urllib.parse
import urllib.request
import re


def requests_GET(url,head): #GET请求封装模块
    join_in = requests.get(url,headers=head)
    #return_json = join_in.json()
    return join_in

def get_AV_data():
    '''
    获取指定信息，API直接使用
    '''
    # 请求头
    headers = {
        "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
        "Accept-Encoding": "gzip, deflate, br",
        "Accept-Language": "zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2",
        "Host": "api.bilibili.com",
        "Referer": "https://www.bilibili.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36",
    }
    # 刚刚获取的api
    api_url = "https://api.bilibili.com/x/web-interface/online"
    # 开始请求
    res = requests.get(api_url, headers=headers)
    online_dic = res.json()
    print(online_dic)
    #print("最新投稿:%d" % online_dic['data']['all_count'])
    #print("在线人数:%d" % online_dic['data']['web_online'])

def followings(id):
    '''
    爬取关注up主，返回列表 0.up主uid 1.up主名字 2.up主简介 3.bilibili官方认证
    '''
    #global user
    #if id == 0:
    #    return
    following_up = []
    i = 0
    result = []
    ref_url = "https://space.bilibili.com/"+str(id)+"/#/fans/follow"
    head = {
        'Accept': '*/*',
        #'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Cache-Control': 'no-cache',
        'Connection': 'keep-alive',
        'DNT': '1',
        'Host': 'api.bilibili.com',
        'Pragma': 'no-cache',
        'Referer': ref_url,
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
        AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.170 Safari/537.36'
    }
    while 1:
        i += 1
        if i >= 6:
            break
        url = "https://api.bilibili.com/x/relation/followings?vmid=" + \
            str(id)+"&pn="+str(i) + \
            "&ps=20&order=desc&jsonp=jsonp&callback=__jp5"
        try:
            '''
            爬取关注up主信息，并正则表达式提取关键信息
            '''
            r = requests.get(url, headers=head, timeout=10)
            #r.encoding='utf-8'
            a = r.content
            r2=str(a,'utf-8')
            #print(r2)
            #print(type(r2))
            #my_mid = re.split('mid', r2)
            pattern_mid = '"mid":(.*?),"'
            pattern_uname = '"uname":"(.*?)"'
            pattern_sign = '"sign":"(.*?)"'
            pattern_desc = '"desc":"(.*?)"'
            #my_mid = re.search('(?P<province>\d{3})(?P<city>\d{3})(?P<born_year>\d{4})',s)
            up_mid = re.findall(pattern_mid,r2)   #up主唯一标识
            up_uname = re.findall(pattern_uname,r2) #up主名字
            up_sign = re.findall(pattern_sign,r2) #up主简介
            up_desc = re.findall(pattern_desc,r2) #up主名牌
            #print(up_mid)
            #print(up_uname)
            #print(up_sign)
            #print(up_desc)
            '''
            处理每轮产生结果，生成字典，每一项存放一个up主
            '''  
            for H in range(0,len(up_mid)):
                up_list = []
                up_list.append(up_mid[H])
                up_list.append(up_uname[H])
                up_list.append(up_sign[H])
                up_list.append(up_desc[H])
                following_up.append(up_list)
        except Exception as e:
            print(e)
    if following_up != []:
        return following_up
        #save(result, id)
    None1 = []
    return None1



if __name__ == '__main__':
    #get_api()
    print(followings(9212842))

database.py

本环节主要用于存储数据，由于我们后续可能要构建机器学习的算法，所以我们需要大量的数据，并且数据需要按规则存储，以便后续选择使用。

import sqlite3
import requests
import time
import bilbliapi

user = [] #保证收录的up信息只出现一次

def create():
    '''
    创建数据库
    id 主键值用户唯一id
    mid 关注up的id
    uname up主的名字
    sign up主的简介
    desc up主的官方认证
    '''
    global conn
    conn = sqlite3.connect('data.db')
    print("Opened database successfully")
    conn.execute("""
                create table if not exists user(
                id INTEGER PRIMARY KEY ,
                mid int DEFAULT NULL,
                name varchar DEFAULT NULL,
                sign varchar DEFAULT NULL,
                desc varchar DEFAULT NULL)""")
    conn.execute("""
                create table if not exists relation(
                id INTEGER PRIMARY KEY ,
                master int,
                following int 
                )""")
    conn.commit()

    print("Table created successfully")
    conn.commit()

def save(id,result):
    '''
    添加数据进入数据库
    '''
    # 将数据保存至本地
    global conn
    command1 = "insert into user \
             (mid,name,sign,desc) values (?,?,?,?);"
    command2 = "insert into relation\
             (master,following)values(?,?)"
    if result == []:
        return
    for row in result:
        try:
            temp = (id, row[0])
            if row[0] not in user:
                user.append(row[0])
                conn.execute(command1, row)
                conn.execute(command2, temp)
            else:
                conn.execute(command2, temp)
        except Exception as e:
            print(e)
            print("insert error!")
            conn.rollback()
    conn.commit()
    return 

def use_database():
    '''
    使用爬虫信息备用，创建数据库
    9208637
    '''
    num = 100000
    now_num = 9208637
    create()
    for i in range(0,num):
        uid = now_num - i
        data = bilbliapi.followings(uid)
        if data != []:    
            save(uid ,data)
        print("\r已爬取uid为{0}的用户".format(uid))
    conn.close()
        

if __name__ == "__main__":
    use_database()

datamake.py

本文件下主要用于处理数据，包括各种数据库的构建，其中包含核心量化算法。在本实验中设计了三个量化算法。

算法1（舍弃）

定义：

X轴：用户吸引率（平均每多少播放量可获得一个关注）
R为：阅读量
V为：播放量
F为：关注数

$$ X = \frac{R + V}{F} $$

Y轴：视频质量（平均关注者点赞数量）
G为：点赞总数

$$ Y = \frac{G}{F} $$

缺陷：

模型过于理想化，忽略个个up视频数量影响
以关注数作为分母，会使关注量大的up被稀释，使关注量小的up主更容易获得高的评级
无法排除个别极端数据影响，导致聚类不准确

算法2 （舍弃）

定义：

X轴：用户黏度（平均每多少播放量可获得一个关注）
Y轴：视频质量（平均关注者点赞数量）
N为：稿件数目
R为：阅读量
V为：播放量
F为：关注数
G为：点赞总数

$$ X = F\times\frac{G}{V+R} $$

$$ Y = F\times\frac{G}{N} $$

缺陷：

忽略个个up视频数量影响，关注量巨大的up主会使聚类不准确
模型过于理想化，up量化不准确

算法3 暂时选用

X轴：用户黏度（平均每多少播放量可获得一个关注）
Y轴：视频质量（平均关注者点赞数量）
N为：稿件数目
R为：阅读量
V为：播放量
F为：关注数
G为：点赞总数

$$ X = \sqrt[4]{F\times\frac{G}{V+R}} $$

$$ Y = \sqrt[4]{F\times\frac{G}{N}} $$

缺陷：

模型过于理想化，up量化不准确

AGNES.py

AGNES聚类算法实现，参考周志华《机器学习》，手动实现

useraner.py

提取数据库数据,主要用于2类up主的推荐，原因是第2，3，4类up主的画像相对比较固定，接受人群比较单一

算法流程：

搜索当期up主在数据库中被关注的人员，生成列表list1
根据list1中的mid正向搜索up主，进行up主数目统计，选取除第一个剩余的up主,计算比率
比率大于30%即可将up主推荐给用户，否则返回当前数据库项目不匹配

using.py

用户协同主要针对1类up主，原因是大up主用户粘合度高，产出稳定，视频种类更加固定且丰富，适合用户协同