企业官网建设流程全解析

Social Analyzer 跨平台数据聚合：5分钟拼出完整用户画像

【免费下载链接】social-analyzerAPI, CLI, and Web App for analyzing and finding a person's profile in 1000 social media \ websites项目地址: https://gitcode.com/GitHub_Trending/so/social-analyzer

手头只有johndoe、john_doe、johndoe123这 3 个 ID 变体，要在半小时内确认它们是否属于同一人——这是 OSINT（开源情报）调查里最常见的卡点。Social Analyzer 是一款跨平台数据聚合的 OSINT 工具，输入用户名后对 1000+ 个站点模板批量发探测，返回带置信度评分（confidence score）的结构化结果和一张可交互的关系图谱。跑一条流水线，替代逐平台手工翻查，是它做用户画像构建时的基本盘。

💡 先看结论：4个理由让它值得装

• 探测规模：内置 1000+ 个网站模板，--top 50一条命令就能只打流量前 50 的站点，覆盖主流社交平台。
• 置信度评分：每个命中站点给出 0-100 的分值，并自动切档，结果可以直接进报告。
• 关系图谱：public/graph.html 把分散在各平台的账号画成一张图，连线区分 3 类关联。
• 部署成本：Docker Compose 一键起，Selenium Grid 随栈自带，无需手工配浏览器驱动。

🔍 工作原理：三个环节串成一条数据流水线

整条链路是「输入用户名 → 批量探测 → 提取 → 评分 → 出图谱」。下面按环节拆。

探测

输入是用户名或 ID 变体。data/sites.json 存着每个站点的 URL 模板，系统把{username}占位符替换后生成待探测链接。快速模式直接发 HTTP 请求取回页面源码；深度模式把任务交给 Selenium Grid 里的 Firefox 渲染 JS 动态页面，并对每页截图存档，截图就是后续 OCR 的原料。modules/fast-scan.js 和 modules/slow-scan.js 分别实现两种策略。

提取

拿到 HTML 后，先用 Cheerio 加载文档，抽出<title>、正文纯文本和页面语言；再对<meta>标签逐个过正则过滤，把property、name、itemprop里与身份标识、内容特征有关的属性留下来，无关噪音直接丢弃。最后结果统一按 JSON 结构落盘，--output json时可直接喂给下游脚本。modules/extraction.js 承载这套提取规则。

评分

引擎对每个站点逐条跑配置好的检测项：normal 型拿 username 替换后在 HTML 源码里匹配；advanced 型在纯文本里匹配；ocr 型调 tesseract.js 把截图转成文字再比对。命中项数除以检测项总数得到百分比，再按 75/40 两条线切出「高置信 / 可能匹配 / 不匹配」三档，写进结果的状态字段。modules/engine.js 是这段逻辑的家。

🚀 5分钟上手：一条命令出结果

环境上需要 Node.js（要求 13 及以上，仓库实测可用 18）并装好依赖。只跑快速模式无需浏览器驱动，装完依赖直接执行：

# 快速模式：HTTP 状态码 + 页面元数据，约几分钟出结果 node app.js --username "johndoe" --mode fast --top 50 # 深度模式：浏览器渲染 + OCR，识别率更高，耗时约为快速的 3-5 倍 node app.js --username "johndoe" --mode slow --metadata

常用参数说明：

更省事的路线是 Docker：

docker-compose up -d

栈里除了主容器还拉起 Selenium Hub 与 Firefox 节点——深度模式就依赖这个 Grid。起完访问http://localhost:9005/app.html即可用 Web 界面建任务、看结果，不用盯终端。

📊 评分怎么读：75分与40分的判断动作

拿一个具体目标走一遍。假设查johndoe，结果里 8 个站点命中：reddit 92%、tumblr 76%、github 45%、其余 5 个都在 30% 以下。三档分数对应 3 个不同动作：

• ≥75 分（高置信）：直接采信。把链接、标题、元数据写进档案，不再人工复核；这类平台就是你用户画像的骨架。
• 40-74 分（可能匹配）：交叉验证，不下结论。拉--metadata输出，比对 Open Graph 标签里的标题与描述是否指向同一身份；或走姓名语义分析，用 modules/name-analysis.js 配 data/names.json 里的姓名库推断目标的文化背景和可能别名。两条线都坐实后再采信。
• <40 分（不匹配）：忽略，除非该站是案件的关键证据源，否则不浪费人工。

这套动作本质是社交账号关联分析里的「分层取证」：高分配给自动化，中分配给半自动，低分配给垃圾桶。

把结果丢进 public/graph.html，同一目标的多平台账号会连成一张图。

图中有 3 类连线，含义各不相同：

• 直接关联：账号间共享邮箱或手机号，是同一人的最强信号，优先展开。
• 间接关联：共享同一 IP 段或设备指纹，同一团伙或同一台机器操作的概率高。
• 行为关联：发布内容语义相似，通常是内容分发行为，证明力最弱，只作辅助。

调查顺序建议：直接关联节点最先点开，间接关联次之，行为关联最后扫一眼即可。

⚠️ 常见坑与二次开发入口

3 个高频问题的解法，各一句话：

1. 探测超时：站点多时整体拖慢，换出口代理，或用--top/--websites把范围从全量缩到重点站点，先把证据拿到手。
2. 平台规则过期：项目启动时会提示检测规则更新频繁，拿一份最新的 data/sites.json 重跑，而不是改代码硬修。
3. OCR 识别失败：验证码、复杂版式容易读错，退回 normal/advanced 纯文本检测，或直接人工打开深度模式存的截图核对。

二次开发入口（按「改哪个文件」定位，不需要动架构）：

• 加新平台：编辑 data/sites.json，一条 URL 模板加若干检测项即可接入流水线。
• 调检测逻辑：改 modules/engine.js 里的检测分支。
• 改提取规则：改 modules/extraction.js 的元数据与模式匹配。
• 词表管理：停用词、词库统一放在 data/dict.json。

模块化设计的好处就是这些扩展点互不牵连，改完单跑一个目标站点就能验证效果。

Social Analyzer 把跨平台数据聚合、置信度评分和图谱关联收进一个 CLI + Web 应用，用户画像从散点变成可核实的证据链。欢迎提 Issue 反馈失效规则，或往站点规则库里贡献你维护的平台条目。

【免费下载链接】social-analyzerAPI, CLI, and Web App for analyzing and finding a person's profile in 1000 social media \ websites项目地址: https://gitcode.com/GitHub_Trending/so/social-analyzer