php过滤怎么设置，用爬虫技术能做到哪些有趣的事情？
看到这个问题必须来怒答一波～用python爬虫爬便宜机票了解一下？
喜欢旅行又怕吃土？让Python来爬取最便宜机票吧！图源：
videoblocks.com
你喜欢旅行吗？
这个问题通常会得到一个肯定的答案，随后引出一两个有关之前冒险经历的故事。大多数人都认为旅行是体验新文化和开阔视野的好方法。但如果问题是“你喜欢搜索机票的过程吗？”也许话题就到此为止了……
可事实上，便宜的机票往往也很重要！本文将尝试构建一个网络爬虫，该爬虫对特定目的地运行并执行带有浮动日期（首选日期前后最多三天）的航班价格搜索。它会将结果保存为excel文件并发送一封包含快速统计信息的电子邮件。显然，这个爬虫的目的就是帮助我们找到最优惠的价格！
你可以在服务器上运行脚本(一个简单的Raspberry Pi就可以)，每天运行一到两次。结果会以邮件形式发送，建议将excel文件存入Dropbox文件夹，以便随时随地查看。
因为爬虫以“浮动日期”进行搜索，所以它会搜索首选日期前后最多三天的航班信息。尽管该脚本一次仅运行一对目的地，但可以很容易地改写该爬虫使其每个循环运行多个目的地。最终甚至可能找到一些错误票价...那会很有意思！
另一个爬虫某种意义上来讲，网络爬取是互联网“工作”的核心。
也许你认为这是一个十分大胆的说法，但谷歌就是从拉里·佩奇用Java和Python构建的网络爬虫开始的。爬虫不断地爬取信息，整个互联网都在试图为所有问题提供最佳的可能答案。网络爬取有不计其数的应用程序，即使更喜欢数据科学中的其他分支，你仍需要一些爬取技巧以获得数据。
这里用到的一些技术来自于最近新的一本佳作《Python网络数据采集》，书中包含与网络爬取相关的所有内容，并提供了大量简例和实例。甚至有一个特别有意思的章节，讲述如何解决验证码检验的问题。
Python的拯救第一个挑战就是选择爬取信息的平台，本文选择了客涯（Kayak）。我们试过了Momondo, 天巡（Skyscanner）, 亿客行（Expedia）和其它一些网站，但是这些网站上的验证码特别变态。
在那些“你是人类吗？”的验证中，尝试了多次选择交通灯、十字路口和自行车后，客涯似乎是最好的选择，尽管短时间内加载太多页面它会跳出安全检查。
我们设法让机器人每4到6个小时查询一次网站，结果一切正常。虽然说不定哪个部分偶尔会出点小问题，但是如果收到验证码，既可以手动解决问题后启动机器人，也可以等待几小时后的自动重启。
如果你是网络爬取新手，或者不知道为何有些网站花费很大力气阻止网络爬取，那么为构建爬虫写下第一行代码前，你一定要多加努力。
谷歌的“网络爬取规范”：
http://lmgtfy.com/?q=web+scraping+etiquette
系紧安全带...导入并打开Chrome浏览器标签页后，会定义一些循环中会用到的函数。这个架构的构思大概是这样的：
· 一个函数用于启动机器人程序，表明想要搜索的城市和日期。
· 这个函数获得首轮搜索结果，按“最佳”航班排序，然后点击“加载更多结果”。
· 另一个函数会爬取整个页面，并返回一个dataframe数据表。
· 随后重复步骤2和步骤3，得出按“价格”和“航行时间”排序的结果。
· 发送一封简要总结价格（最低价和平均价）的邮件，并将带有这三种排序类型的dataframe数据表保存为一份excel文件。
· 以上所有步骤会在循环中重复，每X小时运行一次。
每个Selenium项目都以一个网页驱动器开始。我们使用Chromedriver驱动器，但还有其它选择。PhantomJS和Firefox也很受欢迎。下载Chromedriver后，将其置于一个文件夹中即可。第一行代码会打开一个空白Chrome标签页。
from time import sleep, strftime
from random import randint
import pandas as pd
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import smtplib
from email.mime.multipart import MIMEMultipart
# Change this to your own chromedriver path!
chromedriver_path = 'C:/{YOUR PATH HERE}/chromedriver_win32/chromedriver.exe'
driver = webdriver.Chrome(executable_path=chromedriver_path) # This will open the Chrome window
sleep(2)
这些是将用于整个项目的包。使用randint函数令机器人在每次搜索之间随机睡眠几秒钟。这对任何一个机器人来说都是必要属性。如果运行前面的代码，应该打开一个Chrome浏览器窗口，机器人会在其中导航。
一起来做一个快速测试：在另一个窗口上访问客涯网（http://kayak.com），选择往返城市和日期。选择日期时，确保选择的是“+-3天”。由于在编写代码时考虑到了结果页面，所以如果只想搜索特定日期，很可能需要做一些微小的调整。
点击搜索按钮在地址栏获取链接。它应该类似于下面所使用的链接，将变量kayak定义为url，并从网页驱动器执行get方法，搜索结果就会出现。
无论何时，只要在几分钟内使用get命令超过两到三次，就会出现验证码。实际上可以自己解决验证码，并在下一次验证出现时继续进行想要的测试。从测试来看，第一次搜索似乎一直没有问题，所以如果想运行这份代码，并让它在较长的时间间隔后运行，必须解决这个难题。你并不需要十分钟就更新一次这些价格，对吧？
每个XPath都有陷阱到目前为止，已经打开了一个窗口，获取了一个网站。为了开始获取价格和其他信息，需要使用XPath或CSS选择器，我们选择了XPath。使用XPath导航网页可能会令人感到困惑，即使使用从inspector视图中直接使用“复制XPath”，但这不是获得所需元素的最佳方法。有时通过“复制XPath”这个方法获得的链接过于针对特定对象，以至于很快就失效了。《Python网络数据采集》一书很好地解释了使用XPath和CSS选择器导航的基础知识。
接下来，用Python选择最便宜的结果。上面代码中的红色文本是XPath选择器，在网页上任意一处右键单击选择“inspect”就可以看到它。在想要查看代码的位置，可以再次右键单击选择“inspect”。
为说明之前所观察到的从“inspector”复制路径的缺陷，请参考以下差异：
1 # This is what the copymethod would return. Right click highlighted rows on the right side and select “copy> Copy XPath”//*[@id=“wtKI-price_aTab”]/div[1]/div/div/div[1]/div/span/span
2 # This is what I used todefine the “Cheapest” buttoncheap_results= ‘//a[@data-code = “price”]’
第二种方法的简洁性清晰可见。它搜索具有data-code等于price属性的元素a。第一种方法查找id等于wtKI-price_aTab的元素，并遵循第一个div元素和另外四个div和两个span。这次……会成功的。现在就可以告诉你，id元素会在下次加载页面时更改。每次页面一加载，字母wtKI会动态改变，所以只要页面重新加载，代码就会失效。花些时间阅读XPath，保证你会有收获。
不过，使用复制的方法在不那么“复杂”的网站上工作，也是很好的！
基于以上所展示的内容，如果想在一个列表中以几个字符串的形式获得所有搜索结果该怎么办呢？其实很简单。每个结果都在一个对象中，这个对象的类是“resultWrapper”。获取所有结果可以通过像下面这样的for循环语句来实现。如果你能理解这一部分，应该可以理解接下来的大部分代码。它基本上指向想要的结果（结果包装器），使用某种方式（XPath）获得文本，并将其放置在可读对象中（首先使用flight_containers，然后使用flight_list）。
前三行已展示在图中，并且可以清楚地看到所需的内容，但是有获得信息的更优选择，需要逐一爬取每个元素。
准备起飞吧！最容易编写的函数就是加载更多结果的函数，所以代码由此开始。为了在不触发安全验证的前提下最大化所获取的航班数量，每次页面显示后，单击“加载更多结果”。唯一的新内容就是所添加的try语句，因为有时按钮加载会出错。如果它对你也有用，只需在前面展示的start_kayak函数中进行简要注释。
# Load more results to maximize the scraping
def load_more():
try:
more_results = '//a[@class = “moreButton”]'
driver.find_element_by_xpath(more_results).click()
# Printing these notes during the program helps me quickly check what it is doing
print('sleeping…..')
sleep(randint(45,60))
except:
pass
现在，经过这么长的介绍，已经准备好定义实际爬取页面的函数。
我们编译了下一个函数page_scrape中的大部分元素。有时这些元素会返回列表插入去程信息和返程信息之间。这里使用了一个简单的办法分开它们，比如在第一个 section_a_list和section_b_list变量中，该函数还返回一个flight_df数据表。所以可以分离在不同分类下得到的结果，之后再把它们合并起来。
def page_scrape():
“““This function takes care of the scraping part”““
xp_sections = '//*[@class=“section duration”]'
sections = driver.find_elements_by_xpath(xp_sections)
sections_list = [value.text for value in sections]
section_a_list = sections_list[::2] # This is to separate the two flights
section_b_list = sections_list[1::2] # This is to separate the two flights
# if you run into a reCaptcha, you might want to do something about it
# you will know there's a problem if the lists above are empty
# this if statement lets you exit the bot or do something else
# you can add a sleep here, to let you solve the captcha and continue scraping
# i'm using a SystemExit because i want to test everything from the start
if section_a_list == []:
raise SystemExit
# I'll use the letter A for the outbound flight and B for the inbound
a_duration = []
a_section_names = []
for n in section_a_list:
# Separate the time from the cities
a_section_names.append(''.join(n.split()[2:5]))
a_duration.append(''.join(n.split()[0:2]))
b_duration = []
b_section_names = []
for n in section_b_list:
# Separate the time from the cities
b_section_names.append(''.join(n.split()[2:5]))
b_duration.append(''.join(n.split()[0:2]))
xp_dates = '//div[@class=“section date”]'
dates = driver.find_elements_by_xpath(xp_dates)
dates_list = [value.text for value in dates]
a_date_list = dates_list[::2]
b_date_list = dates_list[1::2]
# Separating the weekday from the day
a_day = [value.split()[0] for value in a_date_list]
a_weekday = [value.split()[1] for value in a_date_list]
b_day = [value.split()[0] for value in b_date_list]
b_weekday = [value.split()[1] for value in b_date_list]
# getting the prices
xp_prices = '//a[@class=“booking-link”]/span[@class=“price option-text”]'
prices = driver.find_elements_by_xpath(xp_prices)
prices_list = [price.text.replace('$','') for price in prices if price.text != '']
prices_list = list(map(int, prices_list))
# the stops are a big list with one leg on the even index and second leg on odd index
xp_stops = '//div[@class=“section stops”]/div[1]'
stops = driver.find_elements_by_xpath(xp_stops)
stops_list = [stop.text[0].replace('n','0') for stop in stops]
a_stop_list = stops_list[::2]
b_stop_list = stops_list[1::2]
xp_stops_cities = '//div[@class=“section stops”]/div[2]'
stops_cities = driver.find_elements_by_xpath(xp_stops_cities)
stops_cities_list = [stop.text for stop in stops_cities]
a_stop_name_list = stops_cities_list[::2]
b_stop_name_list = stops_cities_list[1::2]
# this part gets me the airline company and the departure and arrival times, for both legs
xp_schedule = '//div[@class=“section times”]'
schedules = driver.find_elements_by_xpath(xp_schedule)
hours_list = []
carrier_list = []
for schedule in schedules:
hours_list.append(schedule.text.split('\n')[0])
carrier_list.append(schedule.text.split('\n')[1])
# split the hours and carriers, between a and b legs
a_hours = hours_list[::2]
a_carrier = carrier_list[1::2]
b_hours = hours_list[::2]
b_carrier = carrier_list[1::2]
cols = (['Out Day', 'Out Time', 'Out Weekday', 'Out Airline', 'Out Cities', 'Out Duration', 'Out Stops', 'Out Stop Cities',
'Return Day', 'Return Time', 'Return Weekday', 'Return Airline', 'Return Cities', 'Return Duration', 'Return Stops', 'Return Stop Cities',
'Price'])
flights_df = pd.DataFrame({'Out Day': a_day,
'Out Weekday': a_weekday,
'Out Duration': a_duration,
'Out Cities': a_section_names,
'Return Day': b_day,
'Return Weekday': b_weekday,
'Return Duration': b_duration,
'Return Cities': b_section_names,
'Out Stops': a_stop_list,
'Out Stop Cities': a_stop_name_list,
'Return Stops': b_stop_list,
'Return Stop Cities': b_stop_name_list,
'Out Time': a_hours,
'Out Airline': a_carrier,
'Return Time': b_hours,
'Return Airline': b_carrier,
'Price': prices_list})[cols]
flights_df['timestamp'] = strftime(“%Y%m%d-%H%M”) # so we can know when it was scraped
return flights_df
尽量让这些名字容易理解。记住变量a表示旅行的去程信息，变量b表示旅行的返程信息。接下来说说下一个函数。
等等，还有什么吗？截至目前，已经有了一个能加载更多结果的函数和一个能爬取其他结果的函数。本可以在此结束这篇文章，而你可以自行手动使用这些函数，并在浏览的页面上使用爬取功能。但是前文提到给自己发送邮件和一些其他信息的内容，这都包含在接下来的函数start_kayak中。
它要求填入城市名和日期，并由此打开一个kayak字符串中的地址，该字符串直接跳转到“最佳”航班结果排序页面。第一次爬取后，可以获取价格的顶部矩阵，这个矩阵将用于计算平均值和最小值，之后和客涯（Kayak）的预测结果（页面左上角）一同发送到邮件中。这是单一日期搜索时可能导致错误的原因之一，因其不包含矩阵元素。
def start_kayak(city_from, city_to, date_start, date_end):
“““City codes it's the IATA codes!
Date format YYYY-MM-DD”““
kayak = ('https://www.kayak.com/flights/' + city_from + '-' + city_to +
'/' + date_start + '-flexible/' + date_end + '-flexible?sort=bestflight_a')
driver.get(kayak)
sleep(randint(8,10))
# sometimes a popup shows up, so we can use a try statement to check it and close
try:
xp_popup_close = '//button[contains(@id,”dialog-close”) and contains(@class,”Button-No-Standard-Style close “)]'
driver.find_elements_by_xpath(xp_popup_close)[5].click()
except Exception as e:
pass
sleep(randint(60,95))
print('loading more.....')
# load_more()
print('starting first scrape.....')
df_flights_best = page_scrape()
df_flights_best['sort'] = 'best'
sleep(randint(60,80))
# Let's also get the lowest prices from the matrix on top
matrix = driver.find_elements_by_xpath('//*[contains(@id,”FlexMatrixCell”)]')
matrix_prices = [price.text.replace('$','') for price in matrix]
matrix_prices = list(map(int, matrix_prices))
matrix_min = min(matrix_prices)
matrix_avg = sum(matrix_prices)/len(matrix_prices)
print('switching to cheapest results…..')
cheap_results = '//a[@data-code = “price”]'
driver.find_element_by_xpath(cheap_results).click()
sleep(randint(60,90))
print('loading more…..')
# load_more()
print('starting second scrape…..')
df_flights_cheap = page_scrape()
df_flights_cheap['sort'] = 'cheap'
sleep(randint(60,80))
print('switching to quickest results…..')
quick_results = '//a[@data-code = “duration”]'
driver.find_element_by_xpath(quick_results).click()
sleep(randint(60,90))
print('loading more…..')
# load_more()
print('starting third scrape…..')
df_flights_fast = page_scrape()
df_flights_fast['sort'] = 'fast'
sleep(randint(60,80))
# saving a new dataframe as an excel file. the name is custom made to your cities and dates
final_df = df_flights_cheap.append(df_flights_best).append(df_flights_fast)
final_df.to_excel('search_backups//{}_flights_{}-{}_from_{}_to_{}.xlsx'.format(strftime(“%Y%m%d-%H%M”),
city_from, city_to,
date_start, date_end), index=False)
print('saved df…..')
# We can keep track of what they predict and how it actually turns out!
xp_loading = '//div[contains(@id,”advice”)]'
loading = driver.find_element_by_xpath(xp_loading).text
xp_prediction = '//span[@class=“info-text”]'
prediction = driver.find_element_by_xpath(xp_prediction).text
print(loading+'\n'+prediction)
# sometimes we get this string in the loading variable, which will conflict with the email we send later
# just change it to “Not Sure” if it happens
weird = '¯\\_(ツ)_/¯'
if loading == weird:
loading = 'Not sure'
username = 'YOUREMAIL@hotmail.com'
password = 'YOUR PASSWORD'
server = smtplib.SMTP('smtp.outlook.com', 587)
server.ehlo()
server.starttls()
server.login(username, password)
msg = ('Subject: Flight Scraper\n\n\
Cheapest Flight: {}\nAverage Price: {}\n\nRecommendation: {}\n\nEnd of message'.format(matrix_min, matrix_avg, (loading+'\n'+prediction)))
message = MIMEMultipart()
message['From'] = 'YOUREMAIL@hotmail.com'
message['to'] = 'YOUROTHEREMAIL@domain.com'
server.sendmail('YOUREMAIL@hotmail.com', 'YOUROTHEREMAIL@domain.com', msg)
print('sent email…..')
虽然没有使用Gmail账户测试发送邮件，但是可以搜索到很多的替代方法，前文提到的那本书中也有其他方法来实现这一点。如果已有一个Hotmail账户，只要替换掉个人的详细信息，它就会开始工作了。
如果想探索脚本的某一部分正在做什么，可以将脚本复制下来并在函数外使用它。这是彻底理解它的唯一方法。
利用刚才创造的一切在这些步骤之后，还可以想出一个简单的循环来使用刚创造的函数，同时使其持续运行。完成四个“花式”提示，写下城市和日期（输入）。因为测试时不想每次都输入这些变量，需要的时候可以使用以下这个清楚的方式进行替换。
如果已经做到了这一步，恭喜你！改进还有很多，比如与Twilio集成，发送文本消息而不是邮件。也可以使用VP*或更加难懂的方式同时从多个服务器上研究搜索结果。还有就是验证码的问题，验证码会时不时地跳出来，但对此类问题还是有解决办法的。不过，能走到这里已经是有很牢固的基础了，你可以尝试添加一些额外的要素。
使用脚本运行测试的示例
留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
数字经济时代如何保护企业网络安全？
数字经济时代，越来越多的企业通过联网开展业务，随之而来的是面临千头万绪的安全问题，可以参考以下安全控制措施，解决企业的安全问题。
# 网络架构安全划分网络安全域，隔离企业内部不同安全级别的主机，避免同网络环境下一台服务器被入侵后影响到其它主机。使用NAT提供上网服务，禁止主机直接绑定公网IP，直接绑定公网IP会导致主机完全暴露在互联网遭受攻击入侵。对互联网提供服务，通过负载均衡（LB）将需要开放对外的端口（如：80，443）代理到后端的应用服务，并将对外服务放置在独立的子网中。防火墙隔离是主要网络安全隔离手段，通过ACL设置在网络层过滤服务器的访问行为，限定服务器对外/对内的的端口访问，授权访问地址，从而减少攻击面，保护服务器的安全。高危网络端口，开启的服务端口越多越不安全。只对外开放提供服务的必要端口，禁止将RDP、SSH、Redis、MongoDB、MySQL、MSsql等高危服务直接暴露在互联网上。# 账号口令安全杜绝弱口令，弱口令是最容易出现的也是最容易被利用的漏洞。为所有服务配置强密码，要求至少8个字符以上，包含大小写字母、数字、特殊符号，并且要不定时更新口令。Linux系统，禁止使用root账号直接登录，使用证书登录，设置可信登录主机的IP。Windows系统，修改 administrator 默认名称，设置可信登录主机的IP。Web应用系统，必须使用强密码安全策略和验证码，防止暴力pj和撞库。数据库系统（Redis、MongoDB、MySQL、MSsql Server）禁止使用弱密码或无密码。增强安全策略，使用多因素验证机制（MFA）、强制密码安全策略（如：锁定策略），和审计功能（异常告警）。# 系统运维安全使用跳板机/堡垒机进行远程维护，实施强密码策略，合理分配权限，对于所有操作行为严格记录并审计。为操作系统云服务器安装防病毒软件，并定期更新病毒库。定期更新补丁，修补操作系统漏洞，关注安全漏洞情报，当出现高风险漏洞时，及时更新操作系统所有补丁。Windows系统的补丁更新要一直开启，Linux系统要设置定期任务执行yum update -y来更新系统软件包及内核。开启系统日志记录功能，集中管理日志和审计分析。对所有业务系统进行实时监控，当发现异常时，立即介入处理。对软件安全加固（Apache、Nginx、Tomcat、Mysql、MSsql、Redis等服务）标准化安全配置，禁止随意修改。# 应用开发安全对应用服务软件（如 Tomcat、Apache、Nginx 等软件），建议使用官方最新版的稳定版。及时更新Web应用版本，如：Struts、ElasticSearch非最新版都爆发过远程命令执行漏洞。WDCP、TOMCAT、Apache、Nginx、Jekins、PHPMyAdmin、WebLogic、Jboss等Web服务管理后台不要使用默认密码或空密码；不使用的管理后台建议直接关闭。使用安全扫描工具 （例如，系统漏扫工具：Nessus、Nexpose，Web 漏扫工具：Appscan、AWVS）上线前扫描应用服务，是否仍存在高风险漏洞，修复完漏洞后再发布使用。在没有专职安全工程师，或者是没有足够安全预算的情况下，通过合理的网络架构、有效的密码策略和标准化的开发和运维流程规范，能够抵御大部分非针对性的网络攻击。如果业务系统逐步孵化成为重要业务线，需要考虑加大安全投入，购买专业的安全产品服务，降低安全风险，保障该业务线的稳定运行。
如何学习网络安全？
网络安全是指网络系统的硬件、软件及其系统中的数据受到保护，不因偶然的或者恶意的原因而遭到破坏、更改、泄露。常见的一些网络安全问题有计算机病毒入侵、网络xx、个人信息泄露等。
近年来，网络安全事件发生频繁，我们该如何保护自己？
连接WiFi要小心
WiFi是一种广受人们欢迎的无线连接互联网的方式。目前，很多公共场合都有免费的WiFi可以连接。但是，通过WiFi接入互联网后，所有的数据包括账号、密码、照片等，都会先经过提供WiFi服务的设备。如果有人在这些设备上动手脚，就有可能窃取人们的各种隐私。使用时注意以下几点，可以大大提高安全性。
1、避免误连。不使用网络时应注意关闭自动连网功能，并慎用蹭网软件，以免在不知情的情况下连入恶意WiFi。
2、选择官方机构提供的、有验证机制的WiFi。
3、选择商家的WiFi。例如在酒店、咖啡馆等场所，连接WiFi前应向工作人员进行确认。
4、谨慎操作。连接公共WiFi时，尽量不要进行网络支付、网络银行理财等操作，避免泄露重要的个人信息。
密码设置有技巧
生活中，人们越来越离不开密码：登录QQ、微信、微博、电子邮箱、ATM机取款、网络支付……密码像一把无形的大锁，守护着我们的信息与财产安全。那么，怎样的密码才算是“好密码”呢？可以参考以下几点设置我们的密码。
1、有足够长的位数，通常在6位以上。
2、同时包含大小写字母、数字和符号。
3、容易记忆，但不能与名字、生日、电话号码等相同。
4、有特定的使用范围，即只在某几个网站或软件中使用。
5、实际操作时，设置的密码最好是其他人看来杂乱无意义，而对自己有特殊含义、容易记忆的字符串，如“zYN15_9”、“La.8-13”等。
网络购物要谨慎
1、网络购物要理性。想清楚购买的理由，以免盲目购物。
2、选择网站要谨慎。最好去正规的网站，以免造成银行卡、密码等泄露。
3、选择商品要仔细。价格、售后服务等都要考虑，可以请父母、朋友帮忙分析。
4、支付货款不随意。支付货款时一定要请小心确认，切不可马虎。
5、收到商品及时查。检查商品是否与订单一致，是否完好，如发现问题，请及时进行退换货处理。
不明链接不要点
1、收到不明来历的电子邮件，如主题为“中奖”、“问候”等，应立即删除。
2、不要浏览青少年不宜的网站或栏目，如无意中进入了此类网站，要立即离开。
3、如在网上看到不良信息，离开这个网站，并向有关部门举报。
另外企业IT面临的威胁仍然处于非常高的水平，每天都会看到媒体报道大量数据泄漏事故和攻击事件。随着攻击者提高其攻击能力，企业也必须提高其保护访问和防止攻击的能力，安全和风险领导者必须评估并使用最新技术来抵御高级攻击，更好地实现数字业务转型以及拥抱新计算方式，例如云计算、移动和DevOps.
下面是可帮助企业保护其数据和信息的顶级技术：
目前，企业有不同类型的工作负责、基础设施以及位置，其中包括物理/虚拟机和容器，除了公共/私有云之外。云计算工作负责保护平台允许企业从单个管理控制台管理其各种工作负载、基础设施以及位置，这样他们也可以跨所有位置部署共同的安全策略。
很多企业使用多个云服务和应用程序，所有这些应用程序从一个CASB监控，因此，企业可有效执行安全策略、解决云服务风险，并跨所有云服务（公共云和私有云）确保合规性。
通常企业没有资源或者没有人员来持续监控威胁时，才会考虑使用MDR服务。这些服务提供商使企业能够通过持续监控功能来改善其威胁检测和事件响应。这使企业能够在虚拟数据中心分隔和隔离应用程序和工作负责，它使用虚拟化仅软件安全模式向每个分区甚至每个工作负责分配精细调整的安全策略。
有时候恶意活动会渗透企业网络，而不会被企业部署的其他类型网络防御系统所检测。在这种情况下，欺骗技术可提供洞察力，可用于查找和检测此类恶意活动。它还会采取主动的安全姿态，并通过欺骗它们来击败攻击者。目前可用的欺骗技术解决方案可覆盖企业堆栈内的多个层次，并涵盖网络、数据、应用程序和端点。
这些安全解决方案可监控所有端点，查找任何异常/恶意行为。EDR专注于检测异常活动，并随后对异常活动进行调查，如果发现威胁，则会进行修复和缓解。根据Gartner表示，到2020念安，全球范围内80%的大型企业、25%的中型企业以及10%的小型企业将利用EDR功能。这些安全解决方案可监控网络流量、连接、流量和对象，以查看是否存在任何可疑威胁或恶意内容。当发现恶意内容时，恶意内容会被隔离以采取进一步行动。
怎么自学数据分析？
不管是运营APP，还是运营微信公众号，头号号，大鱼号，还是百家号，新媒体数据不仅是数据工程师和分析师的事情，在工作中也要求运营从业者有一定的数据分析能力。
新媒体数据分析
公子义认为数据是优化新媒体运营关键所在，能更好推动运营策略和工作的开展。
但运营童鞋多是数据小白，没有编程和技术基础，该怎么分析并用好数据呢？
今天从运营常见的数据问题出发，希望让大家能快速地入门数据分析，让数据更好地为工作服务，别白白浪费数据的价值。
一、数据分析应该从哪里入手？
从哪些角度入手？这是运营小伙伴们最头痛的问题，不知道该关注、分析哪些数据，就算拿到数据后，也不知道到底从哪些方面去分析这些运营数据。
新媒体数据分析
公子义给小伙伴们整理一些运营常见的数据指标，也总结了一些比较适用的分析角度，希望有用~
1、新媒体运营关注的常见数据指标
1）访问：PV、UV、IP（最常见）；跳出率、平均访问时长、平均访问页数等；
2）注册：关注人数、关注走势、累计关注人数、转化率等；
用户
1）活跃：内容PV、UV；UGC、PGC、文章数、关注数、阅读数、互动数（评论、点赞等）、传播数（转发、分享等）；
用户喜好文章的类型
2）互动人数：每日评论人数、收藏人数、分享人数等
3）头像：分析用户属性，关注年龄、性别、学历、职业、地域、婚否、收入、兴趣等；
2、新媒体运营数据分析要遵循哪些原则？
但是运营毕竟不是专业的数据分析师，主要能用好这些原则就够了~
对比：分成横向和纵向对比，比如纵向的同环比分析，横向的不同产品、不同渠道的对比等；
走势（变化）：指标随时间的变动，表现为增幅（同比、环比等）；
分布：这个好理解，比如说用户不同年龄段的分类、不同职业的分布、不同地域分布等；
用户地域分布图
细分：从多层级去了解数据，比如分析全国不同省份不同城市的具体订单数据，从全国—省份—城市一一下钻深入分析；
如何变身自己的“专属分析师”呢~数据分析的整个过程：确定指标——数据收集——数据整合、数据处理/建模、数据分析、数据呈现、报表整理
数据收集：可通过公司数据库埋点获得，可以通过号、微信公众号、大鱼号、百家号等媒体平台获得，也通过一些记录的数据获得。
数据整合：运营人要看的数据太多了，有数据库，有各种第三平台的数据（新榜、清博指数、公众号等），每次都需要从不同平台取数据，太分散了，最好能在一个数据平台集中管理数据。
爆款文章数据分析
数据分析：可参考分析方法，比如“求和、计数、同环比、多粒度下钻”等分析，一般在Excel中需通过写公式搞定。
数据呈现（可视化）：
简单地说，就是如何制图呗，报表汇报：将数据通过表格、图表或其他形式向领导汇报。如何不依赖分析师，自己搞定数据分析呢？
1、学习一些数据分析理论。（数据思维）
2、了解、熟悉业务，这点很重要。（业务思路）
3、学习一些数据分析工具。（工具辅助）以我的个人经验来看，真正把握这些真真是够了
二、如何制作让老板满意的好看图表？
没有哪个老板喜欢杂乱的表格数据，颜值才是王道啊。简单地说，就是数据如何可视化，让数据直观、明了。
分析数据占比：分析单维度的数据占比可用饼/环图、分析多维度的数据占比，可用旭日图和矩形树图。
分析数据走线图：最常用的是折线图，柱状图也可以表达，直观度略低于折线图。分析地区分布：全国、省份分布可用行政地图，更详细的地域分布可用经纬。
用户分析词频
分析词频：比如用户的职位分布，可用词云，有3D效果哦~分析转化效果：那肯定用漏斗图最最合适。
关于转化，分享一个自己身边的真实故事。每个图表都有适合的使用场景，用好各种图表很重要，直接影响到数据的直观和美观程度。
三、如何快速找到数据背后的问题？
做了那么多的数据工作，最终无非是为了从数据中去发现问题，不断优化运营策略。
不论数据是上升了还是下降了，肯定有其变化的原因，这里以用户数据变化为例了解一下快速找到问题的思路。
看数据—发现问题—解决问题—再看数据—问题解决，或者看数据—发现增长—找到原因—继续应用。
作者 l 公子义
来源 l 公子义（ID：gongzi348）
怎样学习办公软件？
自己身有体会，我之前也是自学的办公软件，现基本都能灵活运用，谈一下我的经验。
首先，要明确靠自己摸索学习办公软件费时费力，效果也不好！那怎么办呢？现在是网络时代了，找学习网站啊！那问题又来了？什么学习网站好？我先声明我不是在推销网站，我自己找的一个很棒的网站，大部分学习视频不花钱，你可以根据学习内容和效果随便选择。我当时在这个网站自学了2周然后考的二级计算机C+语言，很顺利的通过了，比好多花钱报名辅导班同学感觉好多了。
这个网站几乎涵盖所有、所有、所有的电脑?知识的学习，我截了几个图看一下：强烈推荐这个网站?。直接百度搜索：我要自学网就可以。也可以输网址：51zxw.net。目前没有发现比这个网站再好的的了！
其次，你若过没有时间，而且有点基础，那就不用特意去学习办公软件。还有一个办法，就是在使用软件的时候遇到问题及时百度一下就可以了，很方便快捷的。
以上就是我的建议，望采纳。