CN113343064B - 数据处理方法、装置、设备、存储介质以及计算机程序产品 - Google Patents
数据处理方法、装置、设备、存储介质以及计算机程序产品 Download PDFInfo
- Publication number
- CN113343064B CN113343064B CN202110675487.3A CN202110675487A CN113343064B CN 113343064 B CN113343064 B CN 113343064B CN 202110675487 A CN202110675487 A CN 202110675487A CN 113343064 B CN113343064 B CN 113343064B
- Authority
- CN
- China
- Prior art keywords
- data
- website
- abnormal
- sites
- counter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本公开提供了一种数据处理方法、装置、设备、存储介质以及计算机程序产品,涉及云存储技术领域,可应用于云平台。该方法的一具体实施方式包括:获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据;基于预先创建的计数器对实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量;基于每个网站站点的数据数量确定异常网站站点;对异常网站站点的数据进行处理。该实施方式能够及时发现并控制异常数据大批量涌入,也能有效避免异常突发数据造成的下游阻塞。
Description
技术领域
本公开实施例涉及计算机领域,具体涉及云存储技术领域,尤其涉及数据处理方法、装置、设备以及存储介质。
背景技术
网络爬虫(又称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。
网络爬虫每天收录了大量的互联网数据,但其中有效或者高价值数据占比很小,绝大多数都是异常问题数据。此外,由于抓取过程是一个实时处理过程,并且仅能抓取到网页的链接信息,所以,很难在抓取信息的同时对抓取的信息的质量进行判断。
发明内容
本公开实施例提出了一种数据处理方法、装置、设备、存储介质以及计算机程序产品。
第一方面,本公开实施例提出了一种数据处理方法,包括:获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据;基于预先创建的计数器对实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量;基于每个网站站点的数据数量确定异常网站站点;对异常网站站点的数据进行处理。
第二方面,本公开实施例提出了一种数据处理装置,包括:获取模块,被配置成获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据;第一统计模块,被配置成基于预先创建的计数器对实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量;确定模块,被配置成基于每个网站站点的数据数量确定异常网站站点;处理模块,被配置成对异常网站站点的数据进行处理。
第三方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
第五方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的数据处理方法的一个实施例的流程图;
图3是根据本公开的数据处理方法的另一个实施例的流程图;
图4是根据本公开的数据处理方法的又一个实施例的流程图;
图5是根据本公开的数据处理装置的一个实施例的结构示意图;
图6是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的数据处理方法或数据处理装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如,服务器105可以对从终端设备101、102、103获取到的实时数据集进行分析和处理,并生成处理结果(例如异常网站站点)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的数据处理方法一般由服务器105执行,相应地,数据处理装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的数据处理方法的一个实施例的流程200。该数据处理方法包括以下步骤:
步骤201,获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据。
在本实施例中,数据处理方法的执行主体(例如图1所示的服务器105)可以获取实时数据集,其中,实时数据集中包含至少一个网站站点的数据。
需要说明的是,实时数据集可以为通过网络爬虫实时获取的,网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网(World Wide Web)上下载网页,是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL(Uniform Resource Locator,统一资源定位器)开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
所以,本实施例中获取的实时数据集中包含了网络爬虫获取的各个网站站点的URL,其中,网站站点可以为多个,且每个网站站点对应的URL可以有很多条。
步骤202,基于预先创建的计数器对实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量。
在本实施例中,上述执行主体可以基于预先创建的计数器对步骤201获取的实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量。其中,上述执行主体可以预先创建计数器,以对实时数据集中各个网站站点的数据数量(也即URL的数量)进行统计,从而得到实时数据集中包含的至少一个网站站点中的每个网站站点的数据数量。
作为示例,可以预先设置计数器中可以存储数据的数量,例如设置计数器中可以存储100万条数据,之后从实时数据集中获取100万条数据,并将其放入计数器中,上述执行主体对计数器内的数据进行统计,从而得到每个网站站点的数据数量。
需要说明的是,由于实时数据集中可能包括很多条数据,且有些网站可以通过自动化批量生产数据,流量非常大,如果对实时数据集中的所有数据进行统计,将会很浪费时间,所以本实施例中预先设置了计数器,从而可以先对计数器内的数据进行统计,得到一个统计结果,从而节省时间,并提高效率。
步骤203,基于每个网站站点的数据数量确定异常网站站点。
在本实施例中,上述执行主体可以基于步骤202得到的每个网站站点的数据数量来确定异常网站站点。由于一些网站可以通过自动化批量生产数据,流量大且有爆发性,这种网站一般为异常网站站点。而优质网站站点生产数据的成本高,所以其数据数量一般是平稳非爆发式的。基于上述规律执行主体可以基于每个网站站点的数量来确定异常网站站点。例如,可预先设置一个数量阈值,将数据数量高于该阈值的网站站点确定为异常网站站点。作为示例,假设预先设置的数量阈值为30万条,通过统计得到网站1的数据数量为50万条,那么可以确定网站1为异常网站站点。
步骤204,对异常网站站点的数据进行处理。
在本实施例中,上述执行主体可以对异常网站站点的数据进行处理。由于异常网站站点的数据量非常大,且异常网站站点的数据一般都是无效信息,所以需要对异常网站站点的数据进行处理。作为示例,上述执行主体可以随机删除异常网站站点的数据,从而减少其无效数据量。
本公开实施例提供的数据处理方法,首先获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据;然后基于预先创建的计数器对实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量;之后基于每个网站站点的数据数量确定异常网站站点;最后对异常网站站点的数据进行处理。本公开提供了一种数据处理方法,该方法能够使用计数器来对各个网站站点的数据量进行统计,从而基于统计结果来确定异常网站站点,并对异常网站站点的数据进行处理。该方法能够及时发现并控制异常数据大批量涌入,也能有效避免异常突发数据造成的下游阻塞,且该方法仅通过计数器就能达到实时对数据进行处理的效果,成本低。
继续参考图3,图3示出了根据本公开的数据处理方法的另一个实施例的流程300。该数据处理方法包括以下步骤:
步骤301,获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据。
步骤302,基于预先创建的计数器对实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量。
步骤301-302与前述实施例的步骤201-202基本一致,具体实现方式可以参考前述对步骤201-202的描述,此处不再赘述。
步骤303,对每个网站站点的数据数量进行排序,得到排序结果。
在本实施例中,数据处理方法的执行主体(例如图1所示的服务器105)可以对步骤302得到的每个网站站点的数量进行排序,例如可按每个网站站点的数据数量从多到少进行降序排序,从而得到降序排序结果。
步骤304,基于排序结果确定异常网站站点。
在本实施例中,上述执行主体可以基于步骤303得到的排序结果确定异常网站站点。由于步骤303已经对每个网站站点的数据数量进行了降序排序,所以可根据该降序排序结果来确定异常网站站点。例如,可将数量前30的网站都确定为异常网站站点,当然也可以根据实际情况设置该数值,比如将数量前50的网站都确定为异常网站站点,本公开对此不做具体限定。
在本实施例的一些可选实施方式中,步骤304包括:基于排序结果确定各个网站站点的数据数量中的中位数和均值;将中位数和均值中数值较大者作为异常数据数量;将数据数量大于异常数据数量的网站站点确定为异常网站站点。具体的,基于降序排序结果可以得到所有数据的中位数,并通过计算可以得到所有数据量的均值,然后取中位数和均值中的较大者,将其作为分界线,将数据数量大于该分界线的网站站点确定为异常网站站点。
步骤305,更新计数器内的数据,得到第一更新数据。
在本实施例中,上述执行主体可以在确定异常网站站点后,更新计数器内的数据,以得到第一更新数据,第一更新数据指经过更新后的计数器的所有数据。例如,可以由网络爬虫获取新的数据,并使用新的数据来更新计数器内的数据,从而得到第一更新数据。再例如,由于步骤301中网络爬虫获取的实时数据集中有可能很多数据,其包含的数据量比计数器能存储的数据还要多,在这种情况下,可以使用实时数据集中没有在计数器中进行统计的数据来对计数器内的数据进行更新,从而得到第一更新数据。
步骤306,判断第一更新数据中是否包含未统计过的网站站点的数据。
在本实施例中,上述执行主体可以判断第一更新数据中是否包含未统计过的网站站点的数据。
在本实施例的一些可选实施方式中,响应于第一更新数据中包含未统计过的网站站点的数据,再次对计数器内的数据进行统计,确定异常网站站点,也即再次执行步骤302-304。否则,执行步骤307。
在本实施例中,上述执行主体可以在第一更新数据中包含未统计过的网站站点的数据的情况下,再次对计数器内的数据进行统计,并确定异常网站站点。若之前并未统计过该网站站点的数据,则无法判断该网站站点是否为异常网站站点,所以在第一更新数据中包含未统计过的网站站点的数据的情况下,需要先对计数器内的数据进行统计,以确定异常网站站点。
步骤307,对第一更新数据中的异常网站站点的数据进行处理。
在本实施例中,上述执行主体可以对第一更新数据中的异常网站站点的数据进行处理。步骤307与前述实施例的步骤204基本一致,具体实现方式可以参考前述对步骤204的描述,此处不再赘述。
从图3中可以看出,与图2对应的实施例相比,本实施例中的数据处理方法先对每个网站站点的数据数量进行排序,基于排序结果来确定异常网站站点;之后再更新计数器内的数据,得到第一更新数据,并在第一更新数据中包含未统计过的网站站点的数据,再次对计数器内的数据进行统计,以重新确定异常网站站点,还可以对第一更新数据中的异常网站站点的数据进行处理,从而实现了实时确定异常网站站点,并实时对异常网站站点的数据进行处理,成本低且能避免异常数据的大批量涌入。
继续参考图4,图4示出了根据本公开的数据处理方法的又一个实施例的流程400。该数据处理方法包括以下步骤:
步骤401,获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据。
步骤401与前述实施例的步骤301基本一致,具体实现方式可以参考前述对步骤301的描述,此处不再赘述。
步骤402,从实时数据集中获取第一数据子集。
在本实施例中,数据处理方法的执行主体(例如图1所示的服务器105)可以从实时数据集中获取第一数据子集,其中,第一数据子集中的数据数量与预先创建的计数器内的N个计数单元的数据总容量相同。可以将计数器划分为N个计数单元,其中,N为大于1的整数,例如,可将计数器划分为10个计数单元,且设置每个计数单元内可存储10万条数据,或者也可以将每分钟内的数据放到一个计数单元内,本公开对计数单元的数目及计数单元内存储数据的数目不做具体限定。
上述执行主体可以从实时数据集中获取第一数据子集,第一数据子集中数据的数量与计数器的N个计数单元的数据总容量相同。例如,当计数器内包括10个计数单元,且每个计数单元内可存储10万条数据,则第一数据子集中包括100万条数据。
步骤403,将第一数据子集中的数据放入N个计数单元内。
在本实施例中,上述执行主体可以将第一数据子集中的数据放入N个计数单元内。
步骤404,对N个计数单元中的所有数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量。
在本实施例中,上述执行主体可以对N个计数单元中的所有数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量。步骤404与前述实施例的步骤302基本一致,具体实现方式可以参考前述对步骤302的描述,此处不再赘述。
步骤405,对每个网站站点的数据数量进行排序,得到排序结果。
步骤406,基于排序结果确定异常网站站点。
步骤405-406与前述实施例的步骤303-304基本一致,具体实现方式可以参考前述对步骤303-304的描述,此处不再赘述。
步骤407,从实时数据集中获取第二数据子集。
在本实施例中,上述执行主体可以从实时数据集中获取第二数据子集,其中,第二数据子集中的数据数量与N个计数单元中的每个计数单元的数据容量相同。由于本实施例中计数器内的每个计数单元的数据容量是相同的,且每个计数单元的数据容量是固定的,所以,上述执行主体可以从实时数据集中获取与每个计数单元的数据容量相同的第二数据子集。
在本实施例的一些可选实施方式中,第一数据子集与第二数据子集中的数据没有交集。从而更准确的对实时数据集中的数据进行统计和处理。
步骤408,创建一个新的计数单元,将第二数据子集中的数据放入新的计数单元中。
在本实施例中,上述执行主体可以创建一个新的计数单元,并将第二数据子集中的数据放入到新的计数单元中。
步骤409,移除计数器中的第一个计数单元,同时在第N个计数单元后添加上述新的计数单元,得到第一更新数据。
在本实施例中,上述执行主体可以移除计数器中的第一个计数单元,同时在第N个计数单元后添加上述新的计数单元,并得到此时计数器内的第一更新数据,第一更新数据指更新数据后的计数器内的所有数据。本实施例中计数器内的计数单元个数是稳定的,在数据统计完成之后,需要对计数器内的数据进行更新。具体的,可将计数器内的第一个计数单元移除,在计数器内的最后一个计数单元(也即第N个计数单元)后再添加一个计数单元,即将步骤408新创建的计数单元添加到第N个计数单元之后,从而使得计数器内的计数单元个数不变。
步骤410,判断第一更新数据中是否包含未统计过的网站站点的数据。
在本实施例中,响应于第一更新数据中包含未统计过的网站站点的数据,则重新对计数器内的数据进行统计,确定异常网站站点,即重新执行步骤404,否则执行步骤411。步骤410与前述实施例的步骤306基本一致,具体实现方式可以参考前述对步骤306的描述,此处不再赘述
步骤411,基于异常网站站点的数据数量确定处理力度。
在本实施例中,上述执行主体可以基于异常网站站点的数据数量确定处理力度。例如数据数量越多的网站站点其相应的处理力度就越大。
在本实施例的一些可选实施方式中,步骤411包括:确定异常网站站点的数据数量在计数器中的数据总数量中的占比;基于占比生成对异常网站站点的数据的过滤比例。例如,通过计算可以得到异常网站站点A的数据量与计数器内的数据总数量之比为ratio_flood,此时,基于该占比可以得到过滤力度rtaio_control=w*ratio_flood,其中,w为力度参数,需要说明的是,随着网站站点的数据数量的增多,w的取值也就越大。
步骤412,获取第一更新数据中的新增数据。
在本实施例中,上述执行主体可以获取第一更新数据中的新增数据。由前述步骤可知,计数器内的其他数据没有变,只是新添加了一个计数单元中的数据,即第二数据集中的数据。所以,第一更新数据中的新增数据指的就是第二数据集中的数据。
步骤413,基于处理力度对新增数据中的异常网站站点的数据进行过滤。
在本实施例中,上述执行主体可以基于处理力度对新增数据(第二数据集中的数据)中的异常网站站点的数据进行过滤。例如,处理力度为0.1,那么上述执行主体可以基于该处理力度对新增数据中的数据进行过滤,即新增数据中异常网站站点的每10条数据就会被过滤1条,其中,过滤可具体为删除操作,即上述执行主体可以随机删除异常网站站点的每10条数据中的1条,从而达到过滤的效果。
从图4中可以看出,与图3对应的实施例相比,本实施例中的数据处理方法可以将实时数据集中的第一数据子集中的数据放入计数器中,以对数据进行统计,从而确定异常网站站点,再以实时数据集中的第二数据子集中的数据对计数器内的数据进行更新,并确定异常网站站点的数据的处理力度,并基于该处理力度对第二数据子集中异常网站站点对数据进行过滤,从而及时发现异常数据的涌入,并及时对其进行处理,避免由于异常数据的爆发性涌入造成的下游阻塞,提高数据处理的实时性和效率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种数据处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的数据处理装置500可以包括:获取模块501、第一统计模块502、确定模块503和处理模块504。其中,获取模块501,被配置成获取实时数据集,其中,实时数据集中包括至少一个网站站点的数据;第一统计模块502,被配置成基于预先创建的计数器对实时数据集中的数据进行统计,得到至少一个网站站点中的每个网站站点的数据数量;确定模块503,被配置成基于每个网站站点的数据数量确定异常网站站点;处理模块504,被配置成对异常网站站点的数据进行处理。
在本实施例中,数据处理装置500中:获取模块501、第一统计模块502、确定模块503和处理模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,计数器包括N个计数单元,其中,N为大于1的整数;以及第一统计模块包括:第一获取子模块,被配置成从实时数据集中获取第一数据子集,其中,第一数据子集中的数据数量与N个计数单元的数据总容量相同;放入子模块,被配置成将第一数据子集中的数据放入N个计数单元内;统计子模块,被配置成对N个计数单元中的所有数据进行统计。
在本实施例的一些可选的实现方式中,该数据处理装置还包括:更新模块,被配置成更新计数器内的数据,得到第一更新数据;第二统计模块,被配置成响应于第一更新数据中包含未统计过的网站站点的数据,再次对计数器内的数据进行统计,确定异常网站站点;以及处理模块包括:处理子模块,被配置成对第一更新数据中的异常网站站点的数据进行处理。
在本实施例的一些可选的实现方式中,更新模块包括:第二获取子模块,被配置成从实时数据集中获取第二数据子集,其中,第二数据子集中的数据数量与N个计数单元中的每个计数单元的数据容量相同;创建子模块,被配置成创建一个新的计数单元,将第二数据子集中的数据放入新的计数单元中;移除子模块,被配置成移除计数器中的第一个计数单元,同时在第N个计数单元后添加新的计数单元。
在本实施例的一些可选的实现方式中,确定模块包括:排序子模块,被配置成对每个网站站点的数据数量进行排序,得到排序结果;确定子模块,被配置成基于排序结果确定异常网站站点。
在本实施例的一些可选的实现方式中,确定子模块包括:第一确定单元,被配置成基于排序结果确定各个网站站点的数据数量中的中位数和均值;比较单元,被配置成将中位数和均值中数值较大者作为异常数据数量;第二确定单元,被配置成将数据数量大于异常数据数量的网站站点确定为异常网站站点。
在本实施例的一些可选的实现方式中,处理子模块包括:第三确定单元,被配置成基于异常网站站点的数据数量确定处理力度;获取单元,被配置成获取第一更新数据中的新增数据;过滤单元,被配置成基于处理力度对新增数据中的异常网站站点的数据进行过滤。
在本实施例的一些可选的实现方式中,第三确定单元包括:确定子单元,被配置成确定异常网站站点的数据数量在计数器中的数据总数量中的占比;生成子单元,被配置成基于占比生成对异常网站站点的数据的过滤比例。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例服务器600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种数据处理方法,包括:
获取实时数据集,其中,所述实时数据集中包括至少一个网站站点的数据;
基于预先创建的计数器对所述实时数据集中的数据进行统计,得到所述至少一个网站站点中的每个网站站点的数据数量;
基于所述每个网站站点的数据数量确定异常网站站点;
对所述异常网站站点的数据进行处理;
其中,所述计数器包括N个计数单元,其中,N为大于1的整数;以及
所述基于预先创建的计数器对所述实时数据集中的数据进行统计,包括:
从所述实时数据集中获取第一数据子集,其中,所述第一数据子集中的数据数量与所述N个计数单元的数据总容量相同;
将所述第一数据子集中的数据放入所述N个计数单元内;
对所述N个计数单元中的所有数据进行统计;
其中,在所述基于所述每个网站站点的数据数量确定异常网站站点之后,所述方法还包括:
更新所述计数器内的数据,得到第一更新数据;
响应于第一更新数据中包含未统计过的网站站点的数据,再次对所述计数器内的数据进行统计,确定异常网站站点;以及
所述对所述异常网站站点的数据进行处理,包括:
对所述第一更新数据中的异常网站站点的数据进行处理。
2.根据权利要求1所述的方法,其中,所述更新所述计数器内的数据,包括:
从所述实时数据集中获取第二数据子集,其中,所述第二数据子集中的数据数量与所述N个计数单元中的每个计数单元的数据容量相同;
创建一个新的计数单元,将所述第二数据子集中的数据放入所述新的计数单元中;
移除所述计数器中的第一个计数单元,同时在第N个计数单元后添加所述新的计数单元。
3.根据权利要求2所述的方法,其中,所述第一数据子集与所述第二数据子集中的数据没有交集。
4.根据权利要求1所述的方法,其中,所述基于所述每个网站站点的数据数量确定异常网站站点,包括:
对所述每个网站站点的数据数量进行排序,得到排序结果;
基于所述排序结果确定异常网站站点。
5.根据权利要求4所述的方法,其中,所述基于所述排序结果确定异常网站站点,包括:
基于所述排序结果确定各个网站站点的数据数量中的中位数和均值;
将所述中位数和均值中数值较大者作为异常数据数量;
将数据数量大于所述异常数据数量的网站站点确定为异常网站站点。
6.根据权利要求1所述的方法,其中,所述对所述第一更新数据中的异常网站站点的数据进行处理,包括:
基于所述异常网站站点的数据数量确定处理力度;
获取所述第一更新数据中的新增数据;
基于所述处理力度对所述新增数据中的所述异常网站站点的数据进行过滤。
7.根据权利要求6所述的方法,其中,所述基于所述异常网站站点的数据数量确定处理力度,包括:
确定所述异常网站站点的数据数量在所述计数器中的数据总数量中的占比;
基于所述占比生成对所述异常网站站点的数据的过滤比例。
8.一种数据处理装置,包括:
获取模块,被配置成获取实时数据集,其中,所述实时数据集中包括至少一个网站站点的数据;
第一统计模块,被配置成基于预先创建的计数器对所述实时数据集中的数据进行统计,得到所述至少一个网站站点中的每个网站站点的数据数量;
确定模块,被配置成基于所述每个网站站点的数据数量确定异常网站站点;
处理模块,被配置成对所述异常网站站点的数据进行处理;
其中,所述计数器包括N个计数单元,其中,N为大于1的整数;以及
所述第一统计模块包括:
第一获取子模块,被配置成从所述实时数据集中获取第一数据子集,其中,所述第一数据子集中的数据数量与所述N个计数单元的数据总容量相同;
放入子模块,被配置成将所述第一数据子集中的数据放入所述N个计数单元内;
统计子模块,被配置成对所述N个计数单元中的所有数据进行统计;
其中,所述装置还包括:
更新模块,被配置成更新所述计数器内的数据,得到第一更新数据;
第二统计模块,被配置成响应于第一更新数据中包含未统计过的网站站点的数据,再次对所述计数器内的数据进行统计,确定异常网站站点;以及
所述处理模块包括:
处理子模块,被配置成对所述第一更新数据中的异常网站站点的数据进行处理。
9.根据权利要求8所述的装置,其中,所述更新模块包括:
第二获取子模块,被配置成从所述实时数据集中获取第二数据子集,其中,所述第二数据子集中的数据数量与所述N个计数单元中的每个计数单元的数据容量相同;
创建子模块,被配置成创建一个新的计数单元,将所述第二数据子集中的数据放入所述新的计数单元中;
移除子模块,被配置成移除所述计数器中的第一个计数单元,同时在第N个计数单元后添加所述新的计数单元。
10.根据权利要求8所述的装置,其中,所述确定模块包括:
排序子模块,被配置成对所述每个网站站点的数据数量进行排序,得到排序结果;
确定子模块,被配置成基于所述排序结果确定异常网站站点。
11.根据权利要求10所述的装置,其中,所述确定子模块包括:
第一确定单元,被配置成基于所述排序结果确定各个网站站点的数据数量中的中位数和均值;
比较单元,被配置成将所述中位数和均值中数值较大者作为异常数据数量;
第二确定单元,被配置成将数据数量大于所述异常数据数量的网站站点确定为异常网站站点。
12.根据权利要求8所述的装置,其中,所述处理子模块包括:
第三确定单元,被配置成基于所述异常网站站点的数据数量确定处理力度;
获取单元,被配置成获取所述第一更新数据中的新增数据;
过滤单元,被配置成基于所述处理力度对所述新增数据中的所述异常网站站点的数据进行过滤。
13.根据权利要求12所述的装置,其中,所述第三确定单元包括:
确定子单元,被配置成确定所述异常网站站点的数据数量在所述计数器中的数据总数量中的占比;
生成子单元,被配置成基于所述占比生成对所述异常网站站点的数据的过滤比例。
14.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675487.3A CN113343064B (zh) | 2021-06-18 | 2021-06-18 | 数据处理方法、装置、设备、存储介质以及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675487.3A CN113343064B (zh) | 2021-06-18 | 2021-06-18 | 数据处理方法、装置、设备、存储介质以及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343064A CN113343064A (zh) | 2021-09-03 |
CN113343064B true CN113343064B (zh) | 2023-07-28 |
Family
ID=77476474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675487.3A Active CN113343064B (zh) | 2021-06-18 | 2021-06-18 | 数据处理方法、装置、设备、存储介质以及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343064B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101070184B1 (ko) * | 2011-02-24 | 2011-10-07 | 주식회사 윈스테크넷 | 멀티스레드 사이트 크롤러를 이용한 악성코드 자동수집, 자동분석시스템과 보안장비 연동을 통한 악성코드접근차단시스템 및 방법 |
CN106657422A (zh) * | 2015-10-30 | 2017-05-10 | 北京国双科技有限公司 | 爬取网站页面的方法、装置及系统 |
CN108920617A (zh) * | 2018-06-28 | 2018-11-30 | 中译语通科技股份有限公司 | 一种数据采集的判定系统及方法、信息数据处理终端 |
CN109561052A (zh) * | 2017-09-26 | 2019-04-02 | 北京国双科技有限公司 | 网站异常流量的检测方法及装置 |
CN109600345A (zh) * | 2017-09-30 | 2019-04-09 | 北京国双科技有限公司 | 异常数据流量检测方法及装置 |
CN110086649A (zh) * | 2019-03-19 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 异常流量的检测方法、装置、计算机设备及存储介质 |
CN111756579A (zh) * | 2020-06-24 | 2020-10-09 | 北京百度网讯科技有限公司 | 异常预警方法、装置、设备以及存储介质 |
CN111753171A (zh) * | 2020-06-09 | 2020-10-09 | 北京天空卫士网络安全技术有限公司 | 一种恶意网站的识别方法和装置 |
CN111897691A (zh) * | 2020-07-10 | 2020-11-06 | 深圳市彬讯科技有限公司 | 质量报告自动生成方法、装置、计算机设备及存储介质 |
CN112579853A (zh) * | 2019-09-30 | 2021-03-30 | 顺丰科技有限公司 | 一种对爬取链接排序的方法、装置及存储介质 |
-
2021
- 2021-06-18 CN CN202110675487.3A patent/CN113343064B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101070184B1 (ko) * | 2011-02-24 | 2011-10-07 | 주식회사 윈스테크넷 | 멀티스레드 사이트 크롤러를 이용한 악성코드 자동수집, 자동분석시스템과 보안장비 연동을 통한 악성코드접근차단시스템 및 방법 |
CN106657422A (zh) * | 2015-10-30 | 2017-05-10 | 北京国双科技有限公司 | 爬取网站页面的方法、装置及系统 |
CN109561052A (zh) * | 2017-09-26 | 2019-04-02 | 北京国双科技有限公司 | 网站异常流量的检测方法及装置 |
CN109600345A (zh) * | 2017-09-30 | 2019-04-09 | 北京国双科技有限公司 | 异常数据流量检测方法及装置 |
CN108920617A (zh) * | 2018-06-28 | 2018-11-30 | 中译语通科技股份有限公司 | 一种数据采集的判定系统及方法、信息数据处理终端 |
CN110086649A (zh) * | 2019-03-19 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 异常流量的检测方法、装置、计算机设备及存储介质 |
CN112579853A (zh) * | 2019-09-30 | 2021-03-30 | 顺丰科技有限公司 | 一种对爬取链接排序的方法、装置及存储介质 |
CN111753171A (zh) * | 2020-06-09 | 2020-10-09 | 北京天空卫士网络安全技术有限公司 | 一种恶意网站的识别方法和装置 |
CN111756579A (zh) * | 2020-06-24 | 2020-10-09 | 北京百度网讯科技有限公司 | 异常预警方法、装置、设备以及存储介质 |
CN111897691A (zh) * | 2020-07-10 | 2020-11-06 | 深圳市彬讯科技有限公司 | 质量报告自动生成方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113343064A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6570156B2 (ja) | データベースシステム最適化の方法、システム、電子装置及び記憶媒体 | |
CN112818013B (zh) | 时序数据库查询优化方法、装置、设备以及存储介质 | |
CN111291082A (zh) | 数据聚合处理方法、装置、设备及存储介质 | |
CN116796085A (zh) | 一种文件处理方法、装置、电子设备及存储介质 | |
CN114722048B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN113343064B (zh) | 数据处理方法、装置、设备、存储介质以及计算机程序产品 | |
CN114564149B (zh) | 一种数据存储方法、装置、设备及存储介质 | |
CN113590447B (zh) | 埋点处理方法和装置 | |
CN115563310A (zh) | 一种关键业务节点的确定方法、装置、设备及介质 | |
CN116303013A (zh) | 源码分析方法、装置、电子设备及存储介质 | |
CN116126719A (zh) | 接口测试方法、装置、电子设备及存储介质 | |
CN108694205B (zh) | 匹配目标字段的方法、装置 | |
CN115438007A (zh) | 一种文件合并方法、装置、电子设备及介质 | |
CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN113360407B (zh) | 函数的定位方法、装置、电子设备及可读存储介质 | |
CN112667627B (zh) | 一种数据处理方法及装置 | |
CN113722292B (zh) | 分布式数据系统的应灾处理方法、装置、设备及存储介质 | |
CN117610512A (zh) | 一种页眉页脚的去除方法、装置、设备及存储介质 | |
CN115563103B (zh) | 一种多维度聚合方法、系统、电子设备及存储介质 | |
CN115578583A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116304796A (zh) | 一种数据分类方法、装置、设备及介质 | |
CN117422108A (zh) | 一种卷积核的确定方法、装置、设备及存储介质 | |
CN116070127A (zh) | 一种运维语句分类方法、装置、设备和存储介质 | |
CN117573491A (zh) | 一种性能瓶颈的定位方法、装置、设备及存储介质 | |
CN114896075A (zh) | 图像重建方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |