打算整一个社工库自用，方案求解

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

For Existing Member Sign In

This topic created in 2603 days ago, the information mentioned may be changed or developed.

高中大学时候当过几年脚本小子
后来编程学了点，c/c++/asm，打算做逆向的中途放弃
前两年心血来潮学了一阵 Python，能简单写个 blog 之类

那时候认识一个小兄弟，一直有联系，逢年过节会打电话问候那种；现在也是为人父母了，他灰产接触比较多，有社工库需求，找我帮忙，目标数据量应该在 500G ；

做了下前期工作，目前初步方案是数据索引 elasticsearch，查询用 Python+flask ；自用随便整个页面就可以了；

想咨询下有没有更好的方案，或者这套方案有没有大的短板；
还有就是数据清洗有没有成熟的方案还是只能自己写个脚本导入

Python

方案

脚本

自用

27 replies • 2020-04-23 11:02:29 +08:00

stiekel

Mar 16, 2019

实时查询 elasticsearch 是比较好的方便，合理规划好索引和字段，问题不大，不过机器配置别太差。
这种数据除了自己抽取入库，还能有什么办法？如果是单纯的格式好的文件，可以用 logstash。

locoz

Mar 16, 2019 via Android

ES 这个量级一点问题都没有，机器性能别太差就行，数据清洗还是自己写脚本处理吧，之前看过一个库，内容乱的一批，应该不存在通用的处理方案。（好奇数据源哪来

ZavierXu

Mar 16, 2019

500G 的社工库？我觉得应该至少再加个 0 才对

WordTian

Mar 16, 2019 via Android

现在网上泄漏的数据库太多了，有心人很容易就能下载到，很担心以后自己的数据安全问题。不过担心也没用，唉

ZavierXu

Mar 16, 2019

如果真的是 500G 这个量级的，根本不用 elasticsearch，直接用 MySQL，hash/密码 /邮箱做个索引，查询基本是毫秒级

pimin

Mar 16, 2019

@stiekel
自己的台式机只有 i5 4430+ 16G 内存,应付这个数据量有问题大么?

x86

Mar 16, 2019

国外大盘鸡

pimin

Mar 16, 2019

@locoz
数据源部分是网上公开的,通过搜索之类就能找到的
还有一部分是小圈子交流存下来的

pimin

Mar 16, 2019

@ZavierXu
我目前只准备了 200G,打算先跑起来
至于后续数据,看他能提供的量了

xunmima

Mar 16, 2019

我的做法跟楼上一样，用 mysql 全部数据导入一个表，然后就做这个表索引。

2 亿数据 1 秒出结果

misaka19000

Mar 16, 2019 via Android

好奇楼主是通过哪些手段获取这些社工数据的呢？

limbo0

Mar 16, 2019 via Android

es 干这个不太适合，上数据库是比较好的选择

doget

Mar 16, 2019 via iPhone

@ZavierXu 我也觉得，再加个 0，才叫社工库

stiekel

Mar 16, 2019

@pimin 一看你最终的数据条数，二看你文档的大小，三看字段的格式。
不过 200G 的数据，如果全存下得话，最终到 elasticsearch 里肯定大于 200G。
普通搜索，查询文档，这配置够了。

fcoolish

Mar 16, 2019

我社工库手动分文件查，哈哈哈

yu1u

Mar 16, 2019 via Android

以前用 php 直接在几个 g 的文本中查找。。。。

bakabie

Mar 16, 2019 via Android

500g 级别的，mysql 就能搞定吧

pimin

Mar 16, 2019 via Android

@bakabie
我简单看了下 es 官方文档，没觉得会比 MySQL 麻烦

idcspy

Mar 16, 2019

你这不算自用，悠着点啊。

glfpes

Mar 16, 2019 via Android

es 界面都不用开发，有 kibana

Les1ie

Mar 16, 2019

1. 读文件的时候，如果单个文件不到 2 个 G，可以直接读到内存，如果更大，建议用生成器，速度可能会比直接读慢一点，但是不会耗费太多内存。打开文件之前要注意自适应各种不同的字符集、各种字段的缺失
2. es 不要暴露在 0.0.0.0，另外建议 helper.bulk 批量插入可以明显加速网络 IO
3. 还需要考虑以后数据增加的时候如何复用之前的代码
4. flask 查的时候限制返回长度，不然 boom

h175h32

Mar 16, 2019

能给我用用吗

pimin

Mar 16, 2019

@Les1ie
谢谢,
1.因为是做给别人用的,最后移交方式应该是硬盘寄给他,所以应该是都导入到 es;
2.es 不会放到公网,查得太严了;
3.裤子字段一般都比较简单,用户名 /明文密码 /密码 hash 值 /来源网站 /姓名 /手机 /泄露时间之类,目标可能是 15 个字段以内,多余字段应该会选择丢弃;
4.返回长度应该会用分页方式解决;不过

haoshuaiwang

May 12, 2019

咱俩可以交流一下啊，目前公布的方案都太少了，而且效率感觉一般
先说一下我自己的，
I5 4590 16G
我用的 MYSQL 现在大概 300+个表每个表结构略有不同
目前用 PHP 写了一套简单的查询模糊查询打开在 5 秒左右
数据大概有 20E 条左右，全部索引完成 600G+

Apol1oBelvedere

Oct 29, 2019

@haoshuaiwang 一个泄露站点放在一个表吗？

haoshuaiwang

Jan 27, 2020

@Apol1oBelvedere 多表

VKRUSSIA

Apr 23, 2020

水表