Merge branch 'master' of https://gitea.cattysteve.top/HJQ/tianxuan into beta
This commit is contained in:
PM-pinou
@@ -0,0 +1,7 @@
|
|||||||
|
from django.apps import AppConfig
|
||||||
|
|
||||||
|
|
||||||
|
class SimpleAnalysisConfig(AppConfig):
|
||||||
|
default_auto_field = 'django.db.models.BigAutoField'
|
||||||
|
name = 'simple_analysis'
|
||||||
|
label = 'simple_analysis'
|
||||||
@@ -0,0 +1,8 @@
|
|||||||
|
/* 天璇 简单分析模块 — 前端辅助逻辑
|
||||||
|
* 主要逻辑内嵌在 simple_analysis.html 中，
|
||||||
|
* 此文件供未来扩展或拆分使用。
|
||||||
|
*/
|
||||||
|
(function() {
|
||||||
|
'use strict';
|
||||||
|
console.log('简单分析模块已加载');
|
||||||
|
})();
|
||||||
File diff suppressed because one or more lines are too long
Binary file not shown.
|
After Width: | Height: | Size: 1.2 KiB |
Binary file not shown.
|
After Width: | Height: | Size: 696 B |
Binary file not shown.
|
After Width: | Height: | Size: 2.4 KiB |
Binary file not shown.
|
After Width: | Height: | Size: 1.4 KiB |
Binary file not shown.
|
After Width: | Height: | Size: 618 B |
@@ -0,0 +1,661 @@
|
|||||||
|
/* required styles */
|
||||||
|
|
||||||
|
.leaflet-pane,
|
||||||
|
.leaflet-tile,
|
||||||
|
.leaflet-marker-icon,
|
||||||
|
.leaflet-marker-shadow,
|
||||||
|
.leaflet-tile-container,
|
||||||
|
.leaflet-pane > svg,
|
||||||
|
.leaflet-pane > canvas,
|
||||||
|
.leaflet-zoom-box,
|
||||||
|
.leaflet-image-layer,
|
||||||
|
.leaflet-layer {
|
||||||
|
position: absolute;
|
||||||
|
left: 0;
|
||||||
|
top: 0;
|
||||||
|
}
|
||||||
|
.leaflet-container {
|
||||||
|
overflow: hidden;
|
||||||
|
}
|
||||||
|
.leaflet-tile,
|
||||||
|
.leaflet-marker-icon,
|
||||||
|
.leaflet-marker-shadow {
|
||||||
|
-webkit-user-select: none;
|
||||||
|
-moz-user-select: none;
|
||||||
|
user-select: none;
|
||||||
|
-webkit-user-drag: none;
|
||||||
|
}
|
||||||
|
/* Prevents IE11 from highlighting tiles in blue */
|
||||||
|
.leaflet-tile::selection {
|
||||||
|
background: transparent;
|
||||||
|
}
|
||||||
|
/* Safari renders non-retina tile on retina better with this, but Chrome is worse */
|
||||||
|
.leaflet-safari .leaflet-tile {
|
||||||
|
image-rendering: -webkit-optimize-contrast;
|
||||||
|
}
|
||||||
|
/* hack that prevents hw layers "stretching" when loading new tiles */
|
||||||
|
.leaflet-safari .leaflet-tile-container {
|
||||||
|
width: 1600px;
|
||||||
|
height: 1600px;
|
||||||
|
-webkit-transform-origin: 0 0;
|
||||||
|
}
|
||||||
|
.leaflet-marker-icon,
|
||||||
|
.leaflet-marker-shadow {
|
||||||
|
display: block;
|
||||||
|
}
|
||||||
|
/* .leaflet-container svg: reset svg max-width decleration shipped in Joomla! (joomla.org) 3.x */
|
||||||
|
/* .leaflet-container img: map is broken in FF if you have max-width: 100% on tiles */
|
||||||
|
.leaflet-container .leaflet-overlay-pane svg {
|
||||||
|
max-width: none !important;
|
||||||
|
max-height: none !important;
|
||||||
|
}
|
||||||
|
.leaflet-container .leaflet-marker-pane img,
|
||||||
|
.leaflet-container .leaflet-shadow-pane img,
|
||||||
|
.leaflet-container .leaflet-tile-pane img,
|
||||||
|
.leaflet-container img.leaflet-image-layer,
|
||||||
|
.leaflet-container .leaflet-tile {
|
||||||
|
max-width: none !important;
|
||||||
|
max-height: none !important;
|
||||||
|
width: auto;
|
||||||
|
padding: 0;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-container img.leaflet-tile {
|
||||||
|
/* See: https://bugs.chromium.org/p/chromium/issues/detail?id=600120 */
|
||||||
|
mix-blend-mode: plus-lighter;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-container.leaflet-touch-zoom {
|
||||||
|
-ms-touch-action: pan-x pan-y;
|
||||||
|
touch-action: pan-x pan-y;
|
||||||
|
}
|
||||||
|
.leaflet-container.leaflet-touch-drag {
|
||||||
|
-ms-touch-action: pinch-zoom;
|
||||||
|
/* Fallback for FF which doesn't support pinch-zoom */
|
||||||
|
touch-action: none;
|
||||||
|
touch-action: pinch-zoom;
|
||||||
|
}
|
||||||
|
.leaflet-container.leaflet-touch-drag.leaflet-touch-zoom {
|
||||||
|
-ms-touch-action: none;
|
||||||
|
touch-action: none;
|
||||||
|
}
|
||||||
|
.leaflet-container {
|
||||||
|
-webkit-tap-highlight-color: transparent;
|
||||||
|
}
|
||||||
|
.leaflet-container a {
|
||||||
|
-webkit-tap-highlight-color: rgba(51, 181, 229, 0.4);
|
||||||
|
}
|
||||||
|
.leaflet-tile {
|
||||||
|
filter: inherit;
|
||||||
|
visibility: hidden;
|
||||||
|
}
|
||||||
|
.leaflet-tile-loaded {
|
||||||
|
visibility: inherit;
|
||||||
|
}
|
||||||
|
.leaflet-zoom-box {
|
||||||
|
width: 0;
|
||||||
|
height: 0;
|
||||||
|
-moz-box-sizing: border-box;
|
||||||
|
box-sizing: border-box;
|
||||||
|
z-index: 800;
|
||||||
|
}
|
||||||
|
/* workaround for https://bugzilla.mozilla.org/show_bug.cgi?id=888319 */
|
||||||
|
.leaflet-overlay-pane svg {
|
||||||
|
-moz-user-select: none;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-pane { z-index: 400; }
|
||||||
|
|
||||||
|
.leaflet-tile-pane { z-index: 200; }
|
||||||
|
.leaflet-overlay-pane { z-index: 400; }
|
||||||
|
.leaflet-shadow-pane { z-index: 500; }
|
||||||
|
.leaflet-marker-pane { z-index: 600; }
|
||||||
|
.leaflet-tooltip-pane { z-index: 650; }
|
||||||
|
.leaflet-popup-pane { z-index: 700; }
|
||||||
|
|
||||||
|
.leaflet-map-pane canvas { z-index: 100; }
|
||||||
|
.leaflet-map-pane svg { z-index: 200; }
|
||||||
|
|
||||||
|
.leaflet-vml-shape {
|
||||||
|
width: 1px;
|
||||||
|
height: 1px;
|
||||||
|
}
|
||||||
|
.lvml {
|
||||||
|
behavior: url(#default#VML);
|
||||||
|
display: inline-block;
|
||||||
|
position: absolute;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* control positioning */
|
||||||
|
|
||||||
|
.leaflet-control {
|
||||||
|
position: relative;
|
||||||
|
z-index: 800;
|
||||||
|
pointer-events: visiblePainted; /* IE 9-10 doesn't have auto */
|
||||||
|
pointer-events: auto;
|
||||||
|
}
|
||||||
|
.leaflet-top,
|
||||||
|
.leaflet-bottom {
|
||||||
|
position: absolute;
|
||||||
|
z-index: 1000;
|
||||||
|
pointer-events: none;
|
||||||
|
}
|
||||||
|
.leaflet-top {
|
||||||
|
top: 0;
|
||||||
|
}
|
||||||
|
.leaflet-right {
|
||||||
|
right: 0;
|
||||||
|
}
|
||||||
|
.leaflet-bottom {
|
||||||
|
bottom: 0;
|
||||||
|
}
|
||||||
|
.leaflet-left {
|
||||||
|
left: 0;
|
||||||
|
}
|
||||||
|
.leaflet-control {
|
||||||
|
float: left;
|
||||||
|
clear: both;
|
||||||
|
}
|
||||||
|
.leaflet-right .leaflet-control {
|
||||||
|
float: right;
|
||||||
|
}
|
||||||
|
.leaflet-top .leaflet-control {
|
||||||
|
margin-top: 10px;
|
||||||
|
}
|
||||||
|
.leaflet-bottom .leaflet-control {
|
||||||
|
margin-bottom: 10px;
|
||||||
|
}
|
||||||
|
.leaflet-left .leaflet-control {
|
||||||
|
margin-left: 10px;
|
||||||
|
}
|
||||||
|
.leaflet-right .leaflet-control {
|
||||||
|
margin-right: 10px;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* zoom and fade animations */
|
||||||
|
|
||||||
|
.leaflet-fade-anim .leaflet-popup {
|
||||||
|
opacity: 0;
|
||||||
|
-webkit-transition: opacity 0.2s linear;
|
||||||
|
-moz-transition: opacity 0.2s linear;
|
||||||
|
transition: opacity 0.2s linear;
|
||||||
|
}
|
||||||
|
.leaflet-fade-anim .leaflet-map-pane .leaflet-popup {
|
||||||
|
opacity: 1;
|
||||||
|
}
|
||||||
|
.leaflet-zoom-animated {
|
||||||
|
-webkit-transform-origin: 0 0;
|
||||||
|
-ms-transform-origin: 0 0;
|
||||||
|
transform-origin: 0 0;
|
||||||
|
}
|
||||||
|
svg.leaflet-zoom-animated {
|
||||||
|
will-change: transform;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-zoom-anim .leaflet-zoom-animated {
|
||||||
|
-webkit-transition: -webkit-transform 0.25s cubic-bezier(0,0,0.25,1);
|
||||||
|
-moz-transition: -moz-transform 0.25s cubic-bezier(0,0,0.25,1);
|
||||||
|
transition: transform 0.25s cubic-bezier(0,0,0.25,1);
|
||||||
|
}
|
||||||
|
.leaflet-zoom-anim .leaflet-tile,
|
||||||
|
.leaflet-pan-anim .leaflet-tile {
|
||||||
|
-webkit-transition: none;
|
||||||
|
-moz-transition: none;
|
||||||
|
transition: none;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-zoom-anim .leaflet-zoom-hide {
|
||||||
|
visibility: hidden;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* cursors */
|
||||||
|
|
||||||
|
.leaflet-interactive {
|
||||||
|
cursor: pointer;
|
||||||
|
}
|
||||||
|
.leaflet-grab {
|
||||||
|
cursor: -webkit-grab;
|
||||||
|
cursor: -moz-grab;
|
||||||
|
cursor: grab;
|
||||||
|
}
|
||||||
|
.leaflet-crosshair,
|
||||||
|
.leaflet-crosshair .leaflet-interactive {
|
||||||
|
cursor: crosshair;
|
||||||
|
}
|
||||||
|
.leaflet-popup-pane,
|
||||||
|
.leaflet-control {
|
||||||
|
cursor: auto;
|
||||||
|
}
|
||||||
|
.leaflet-dragging .leaflet-grab,
|
||||||
|
.leaflet-dragging .leaflet-grab .leaflet-interactive,
|
||||||
|
.leaflet-dragging .leaflet-marker-draggable {
|
||||||
|
cursor: move;
|
||||||
|
cursor: -webkit-grabbing;
|
||||||
|
cursor: -moz-grabbing;
|
||||||
|
cursor: grabbing;
|
||||||
|
}
|
||||||
|
|
||||||
|
/* marker & overlays interactivity */
|
||||||
|
.leaflet-marker-icon,
|
||||||
|
.leaflet-marker-shadow,
|
||||||
|
.leaflet-image-layer,
|
||||||
|
.leaflet-pane > svg path,
|
||||||
|
.leaflet-tile-container {
|
||||||
|
pointer-events: none;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-marker-icon.leaflet-interactive,
|
||||||
|
.leaflet-image-layer.leaflet-interactive,
|
||||||
|
.leaflet-pane > svg path.leaflet-interactive,
|
||||||
|
svg.leaflet-image-layer.leaflet-interactive path {
|
||||||
|
pointer-events: visiblePainted; /* IE 9-10 doesn't have auto */
|
||||||
|
pointer-events: auto;
|
||||||
|
}
|
||||||
|
|
||||||
|
/* visual tweaks */
|
||||||
|
|
||||||
|
.leaflet-container {
|
||||||
|
background: #ddd;
|
||||||
|
outline-offset: 1px;
|
||||||
|
}
|
||||||
|
.leaflet-container a {
|
||||||
|
color: #0078A8;
|
||||||
|
}
|
||||||
|
.leaflet-zoom-box {
|
||||||
|
border: 2px dotted #38f;
|
||||||
|
background: rgba(255,255,255,0.5);
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* general typography */
|
||||||
|
.leaflet-container {
|
||||||
|
font-family: "Helvetica Neue", Arial, Helvetica, sans-serif;
|
||||||
|
font-size: 12px;
|
||||||
|
font-size: 0.75rem;
|
||||||
|
line-height: 1.5;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* general toolbar styles */
|
||||||
|
|
||||||
|
.leaflet-bar {
|
||||||
|
box-shadow: 0 1px 5px rgba(0,0,0,0.65);
|
||||||
|
border-radius: 4px;
|
||||||
|
}
|
||||||
|
.leaflet-bar a {
|
||||||
|
background-color: #fff;
|
||||||
|
border-bottom: 1px solid #ccc;
|
||||||
|
width: 26px;
|
||||||
|
height: 26px;
|
||||||
|
line-height: 26px;
|
||||||
|
display: block;
|
||||||
|
text-align: center;
|
||||||
|
text-decoration: none;
|
||||||
|
color: black;
|
||||||
|
}
|
||||||
|
.leaflet-bar a,
|
||||||
|
.leaflet-control-layers-toggle {
|
||||||
|
background-position: 50% 50%;
|
||||||
|
background-repeat: no-repeat;
|
||||||
|
display: block;
|
||||||
|
}
|
||||||
|
.leaflet-bar a:hover,
|
||||||
|
.leaflet-bar a:focus {
|
||||||
|
background-color: #f4f4f4;
|
||||||
|
}
|
||||||
|
.leaflet-bar a:first-child {
|
||||||
|
border-top-left-radius: 4px;
|
||||||
|
border-top-right-radius: 4px;
|
||||||
|
}
|
||||||
|
.leaflet-bar a:last-child {
|
||||||
|
border-bottom-left-radius: 4px;
|
||||||
|
border-bottom-right-radius: 4px;
|
||||||
|
border-bottom: none;
|
||||||
|
}
|
||||||
|
.leaflet-bar a.leaflet-disabled {
|
||||||
|
cursor: default;
|
||||||
|
background-color: #f4f4f4;
|
||||||
|
color: #bbb;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-touch .leaflet-bar a {
|
||||||
|
width: 30px;
|
||||||
|
height: 30px;
|
||||||
|
line-height: 30px;
|
||||||
|
}
|
||||||
|
.leaflet-touch .leaflet-bar a:first-child {
|
||||||
|
border-top-left-radius: 2px;
|
||||||
|
border-top-right-radius: 2px;
|
||||||
|
}
|
||||||
|
.leaflet-touch .leaflet-bar a:last-child {
|
||||||
|
border-bottom-left-radius: 2px;
|
||||||
|
border-bottom-right-radius: 2px;
|
||||||
|
}
|
||||||
|
|
||||||
|
/* zoom control */
|
||||||
|
|
||||||
|
.leaflet-control-zoom-in,
|
||||||
|
.leaflet-control-zoom-out {
|
||||||
|
font: bold 18px 'Lucida Console', Monaco, monospace;
|
||||||
|
text-indent: 1px;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-touch .leaflet-control-zoom-in, .leaflet-touch .leaflet-control-zoom-out {
|
||||||
|
font-size: 22px;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* layers control */
|
||||||
|
|
||||||
|
.leaflet-control-layers {
|
||||||
|
box-shadow: 0 1px 5px rgba(0,0,0,0.4);
|
||||||
|
background: #fff;
|
||||||
|
border-radius: 5px;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers-toggle {
|
||||||
|
background-image: url(images/layers.png);
|
||||||
|
width: 36px;
|
||||||
|
height: 36px;
|
||||||
|
}
|
||||||
|
.leaflet-retina .leaflet-control-layers-toggle {
|
||||||
|
background-image: url(images/layers-2x.png);
|
||||||
|
background-size: 26px 26px;
|
||||||
|
}
|
||||||
|
.leaflet-touch .leaflet-control-layers-toggle {
|
||||||
|
width: 44px;
|
||||||
|
height: 44px;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers .leaflet-control-layers-list,
|
||||||
|
.leaflet-control-layers-expanded .leaflet-control-layers-toggle {
|
||||||
|
display: none;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers-expanded .leaflet-control-layers-list {
|
||||||
|
display: block;
|
||||||
|
position: relative;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers-expanded {
|
||||||
|
padding: 6px 10px 6px 6px;
|
||||||
|
color: #333;
|
||||||
|
background: #fff;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers-scrollbar {
|
||||||
|
overflow-y: scroll;
|
||||||
|
overflow-x: hidden;
|
||||||
|
padding-right: 5px;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers-selector {
|
||||||
|
margin-top: 2px;
|
||||||
|
position: relative;
|
||||||
|
top: 1px;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers label {
|
||||||
|
display: block;
|
||||||
|
font-size: 13px;
|
||||||
|
font-size: 1.08333em;
|
||||||
|
}
|
||||||
|
.leaflet-control-layers-separator {
|
||||||
|
height: 0;
|
||||||
|
border-top: 1px solid #ddd;
|
||||||
|
margin: 5px -10px 5px -6px;
|
||||||
|
}
|
||||||
|
|
||||||
|
/* Default icon URLs */
|
||||||
|
.leaflet-default-icon-path { /* used only in path-guessing heuristic, see L.Icon.Default */
|
||||||
|
background-image: url(images/marker-icon.png);
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* attribution and scale controls */
|
||||||
|
|
||||||
|
.leaflet-container .leaflet-control-attribution {
|
||||||
|
background: #fff;
|
||||||
|
background: rgba(255, 255, 255, 0.8);
|
||||||
|
margin: 0;
|
||||||
|
}
|
||||||
|
.leaflet-control-attribution,
|
||||||
|
.leaflet-control-scale-line {
|
||||||
|
padding: 0 5px;
|
||||||
|
color: #333;
|
||||||
|
line-height: 1.4;
|
||||||
|
}
|
||||||
|
.leaflet-control-attribution a {
|
||||||
|
text-decoration: none;
|
||||||
|
}
|
||||||
|
.leaflet-control-attribution a:hover,
|
||||||
|
.leaflet-control-attribution a:focus {
|
||||||
|
text-decoration: underline;
|
||||||
|
}
|
||||||
|
.leaflet-attribution-flag {
|
||||||
|
display: inline !important;
|
||||||
|
vertical-align: baseline !important;
|
||||||
|
width: 1em;
|
||||||
|
height: 0.6669em;
|
||||||
|
}
|
||||||
|
.leaflet-left .leaflet-control-scale {
|
||||||
|
margin-left: 5px;
|
||||||
|
}
|
||||||
|
.leaflet-bottom .leaflet-control-scale {
|
||||||
|
margin-bottom: 5px;
|
||||||
|
}
|
||||||
|
.leaflet-control-scale-line {
|
||||||
|
border: 2px solid #777;
|
||||||
|
border-top: none;
|
||||||
|
line-height: 1.1;
|
||||||
|
padding: 2px 5px 1px;
|
||||||
|
white-space: nowrap;
|
||||||
|
-moz-box-sizing: border-box;
|
||||||
|
box-sizing: border-box;
|
||||||
|
background: rgba(255, 255, 255, 0.8);
|
||||||
|
text-shadow: 1px 1px #fff;
|
||||||
|
}
|
||||||
|
.leaflet-control-scale-line:not(:first-child) {
|
||||||
|
border-top: 2px solid #777;
|
||||||
|
border-bottom: none;
|
||||||
|
margin-top: -2px;
|
||||||
|
}
|
||||||
|
.leaflet-control-scale-line:not(:first-child):not(:last-child) {
|
||||||
|
border-bottom: 2px solid #777;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-touch .leaflet-control-attribution,
|
||||||
|
.leaflet-touch .leaflet-control-layers,
|
||||||
|
.leaflet-touch .leaflet-bar {
|
||||||
|
box-shadow: none;
|
||||||
|
}
|
||||||
|
.leaflet-touch .leaflet-control-layers,
|
||||||
|
.leaflet-touch .leaflet-bar {
|
||||||
|
border: 2px solid rgba(0,0,0,0.2);
|
||||||
|
background-clip: padding-box;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* popup */
|
||||||
|
|
||||||
|
.leaflet-popup {
|
||||||
|
position: absolute;
|
||||||
|
text-align: center;
|
||||||
|
margin-bottom: 20px;
|
||||||
|
}
|
||||||
|
.leaflet-popup-content-wrapper {
|
||||||
|
padding: 1px;
|
||||||
|
text-align: left;
|
||||||
|
border-radius: 12px;
|
||||||
|
}
|
||||||
|
.leaflet-popup-content {
|
||||||
|
margin: 13px 24px 13px 20px;
|
||||||
|
line-height: 1.3;
|
||||||
|
font-size: 13px;
|
||||||
|
font-size: 1.08333em;
|
||||||
|
min-height: 1px;
|
||||||
|
}
|
||||||
|
.leaflet-popup-content p {
|
||||||
|
margin: 17px 0;
|
||||||
|
margin: 1.3em 0;
|
||||||
|
}
|
||||||
|
.leaflet-popup-tip-container {
|
||||||
|
width: 40px;
|
||||||
|
height: 20px;
|
||||||
|
position: absolute;
|
||||||
|
left: 50%;
|
||||||
|
margin-top: -1px;
|
||||||
|
margin-left: -20px;
|
||||||
|
overflow: hidden;
|
||||||
|
pointer-events: none;
|
||||||
|
}
|
||||||
|
.leaflet-popup-tip {
|
||||||
|
width: 17px;
|
||||||
|
height: 17px;
|
||||||
|
padding: 1px;
|
||||||
|
|
||||||
|
margin: -10px auto 0;
|
||||||
|
pointer-events: auto;
|
||||||
|
|
||||||
|
-webkit-transform: rotate(45deg);
|
||||||
|
-moz-transform: rotate(45deg);
|
||||||
|
-ms-transform: rotate(45deg);
|
||||||
|
transform: rotate(45deg);
|
||||||
|
}
|
||||||
|
.leaflet-popup-content-wrapper,
|
||||||
|
.leaflet-popup-tip {
|
||||||
|
background: white;
|
||||||
|
color: #333;
|
||||||
|
box-shadow: 0 3px 14px rgba(0,0,0,0.4);
|
||||||
|
}
|
||||||
|
.leaflet-container a.leaflet-popup-close-button {
|
||||||
|
position: absolute;
|
||||||
|
top: 0;
|
||||||
|
right: 0;
|
||||||
|
border: none;
|
||||||
|
text-align: center;
|
||||||
|
width: 24px;
|
||||||
|
height: 24px;
|
||||||
|
font: 16px/24px Tahoma, Verdana, sans-serif;
|
||||||
|
color: #757575;
|
||||||
|
text-decoration: none;
|
||||||
|
background: transparent;
|
||||||
|
}
|
||||||
|
.leaflet-container a.leaflet-popup-close-button:hover,
|
||||||
|
.leaflet-container a.leaflet-popup-close-button:focus {
|
||||||
|
color: #585858;
|
||||||
|
}
|
||||||
|
.leaflet-popup-scrolled {
|
||||||
|
overflow: auto;
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-oldie .leaflet-popup-content-wrapper {
|
||||||
|
-ms-zoom: 1;
|
||||||
|
}
|
||||||
|
.leaflet-oldie .leaflet-popup-tip {
|
||||||
|
width: 24px;
|
||||||
|
margin: 0 auto;
|
||||||
|
|
||||||
|
-ms-filter: "progid:DXImageTransform.Microsoft.Matrix(M11=0.70710678, M12=0.70710678, M21=-0.70710678, M22=0.70710678)";
|
||||||
|
filter: progid:DXImageTransform.Microsoft.Matrix(M11=0.70710678, M12=0.70710678, M21=-0.70710678, M22=0.70710678);
|
||||||
|
}
|
||||||
|
|
||||||
|
.leaflet-oldie .leaflet-control-zoom,
|
||||||
|
.leaflet-oldie .leaflet-control-layers,
|
||||||
|
.leaflet-oldie .leaflet-popup-content-wrapper,
|
||||||
|
.leaflet-oldie .leaflet-popup-tip {
|
||||||
|
border: 1px solid #999;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* div icon */
|
||||||
|
|
||||||
|
.leaflet-div-icon {
|
||||||
|
background: #fff;
|
||||||
|
border: 1px solid #666;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/* Tooltip */
|
||||||
|
/* Base styles for the element that has a tooltip */
|
||||||
|
.leaflet-tooltip {
|
||||||
|
position: absolute;
|
||||||
|
padding: 6px;
|
||||||
|
background-color: #fff;
|
||||||
|
border: 1px solid #fff;
|
||||||
|
border-radius: 3px;
|
||||||
|
color: #222;
|
||||||
|
white-space: nowrap;
|
||||||
|
-webkit-user-select: none;
|
||||||
|
-moz-user-select: none;
|
||||||
|
-ms-user-select: none;
|
||||||
|
user-select: none;
|
||||||
|
pointer-events: none;
|
||||||
|
box-shadow: 0 1px 3px rgba(0,0,0,0.4);
|
||||||
|
}
|
||||||
|
.leaflet-tooltip.leaflet-interactive {
|
||||||
|
cursor: pointer;
|
||||||
|
pointer-events: auto;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-top:before,
|
||||||
|
.leaflet-tooltip-bottom:before,
|
||||||
|
.leaflet-tooltip-left:before,
|
||||||
|
.leaflet-tooltip-right:before {
|
||||||
|
position: absolute;
|
||||||
|
pointer-events: none;
|
||||||
|
border: 6px solid transparent;
|
||||||
|
background: transparent;
|
||||||
|
content: "";
|
||||||
|
}
|
||||||
|
|
||||||
|
/* Directions */
|
||||||
|
|
||||||
|
.leaflet-tooltip-bottom {
|
||||||
|
margin-top: 6px;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-top {
|
||||||
|
margin-top: -6px;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-bottom:before,
|
||||||
|
.leaflet-tooltip-top:before {
|
||||||
|
left: 50%;
|
||||||
|
margin-left: -6px;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-top:before {
|
||||||
|
bottom: 0;
|
||||||
|
margin-bottom: -12px;
|
||||||
|
border-top-color: #fff;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-bottom:before {
|
||||||
|
top: 0;
|
||||||
|
margin-top: -12px;
|
||||||
|
margin-left: -6px;
|
||||||
|
border-bottom-color: #fff;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-left {
|
||||||
|
margin-left: -6px;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-right {
|
||||||
|
margin-left: 6px;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-left:before,
|
||||||
|
.leaflet-tooltip-right:before {
|
||||||
|
top: 50%;
|
||||||
|
margin-top: -6px;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-left:before {
|
||||||
|
right: 0;
|
||||||
|
margin-right: -12px;
|
||||||
|
border-left-color: #fff;
|
||||||
|
}
|
||||||
|
.leaflet-tooltip-right:before {
|
||||||
|
left: 0;
|
||||||
|
margin-left: -12px;
|
||||||
|
border-right-color: #fff;
|
||||||
|
}
|
||||||
|
|
||||||
|
/* Printing */
|
||||||
|
|
||||||
|
@media print {
|
||||||
|
/* Prevent printers from removing background-images of controls. */
|
||||||
|
.leaflet-control {
|
||||||
|
-webkit-print-color-adjust: exact;
|
||||||
|
print-color-adjust: exact;
|
||||||
|
}
|
||||||
|
}
|
||||||
File diff suppressed because one or more lines are too long
File diff suppressed because it is too large
Load Diff
@@ -0,0 +1,11 @@
|
|||||||
|
from django.urls import path
|
||||||
|
from . import views
|
||||||
|
|
||||||
|
app_name = 'simple_analysis'
|
||||||
|
urlpatterns = [
|
||||||
|
path('', views.index, name='index'),
|
||||||
|
path('upload/', views.upload_csv, name='upload'),
|
||||||
|
path('filter/', views.filter_data, name='filter'),
|
||||||
|
path('cluster/', views.run_clustering, name='cluster'),
|
||||||
|
path('cluster/<int:label>/', views.cluster_detail, name='cluster_detail'),
|
||||||
|
]
|
||||||
@@ -0,0 +1,796 @@
|
|||||||
|
"""简单分析模块 — 独立的上传→筛选→聚类→地图可视化工作流。
|
||||||
|
|
||||||
|
不与天璇原有分析模块共享数据库或 session store，所有中间数据
|
||||||
|
存储在模块级内存缓存（SimpleAnalysisCache）或临时目录中。
|
||||||
|
"""
|
||||||
|
|
||||||
|
import json
|
||||||
|
import logging
|
||||||
|
import os
|
||||||
|
import re
|
||||||
|
import shutil
|
||||||
|
import tempfile
|
||||||
|
import uuid
|
||||||
|
from pathlib import Path
|
||||||
|
from collections import Counter
|
||||||
|
|
||||||
|
import numpy as np
|
||||||
|
import polars as pl
|
||||||
|
from django.conf import settings
|
||||||
|
from django.http import JsonResponse
|
||||||
|
from django.shortcuts import render
|
||||||
|
from django.views.decorators.csrf import csrf_exempt
|
||||||
|
from django.views.decorators.http import require_POST, require_GET
|
||||||
|
from sklearn.cluster import HDBSCAN
|
||||||
|
from sklearn.preprocessing import StandardScaler
|
||||||
|
from sklearn.cluster import DBSCAN
|
||||||
|
|
||||||
|
logger = logging.getLogger(__name__)
|
||||||
|
|
||||||
|
# ── In-memory cache ──────────────────────────────────────────────────────────
|
||||||
|
# Thread-safe for single-user desktop usage; each user session gets a unique key.
|
||||||
|
_cache: dict[str, dict] = {}
|
||||||
|
_TEMP_DIR = Path(settings.FILE_UPLOAD_TEMP_DIR) / 'simple_analysis'
|
||||||
|
_TEMP_DIR.mkdir(parents=True, exist_ok=True)
|
||||||
|
|
||||||
|
|
||||||
|
def _new_id() -> str:
|
||||||
|
return uuid.uuid4().hex[:12]
|
||||||
|
|
||||||
|
|
||||||
|
def _cached(key: str) -> dict | None:
|
||||||
|
return _cache.get(key)
|
||||||
|
|
||||||
|
|
||||||
|
def _store(key: str, data: dict) -> None:
|
||||||
|
_cache[key] = data
|
||||||
|
|
||||||
|
|
||||||
|
# ── Column-name helpers ──────────────────────────────────────────────────────
|
||||||
|
|
||||||
|
def _norm(name: str) -> str:
|
||||||
|
"""Normalise column name: lower-case, strip whitespace, replace hyphens."""
|
||||||
|
return name.strip().lower().replace('-', '_').replace(' ', '_')
|
||||||
|
|
||||||
|
|
||||||
|
def _find_col(col_names: list[str], *patterns: str) -> str | None:
|
||||||
|
"""Find first column matching any pattern (exact or suffix after stripping)."""
|
||||||
|
normed = {c: _norm(c) for c in col_names}
|
||||||
|
for p in patterns:
|
||||||
|
np_norm = _norm(p)
|
||||||
|
for orig, n in normed.items():
|
||||||
|
if n == np_norm or n.endswith('_' + np_norm) or n.startswith(np_norm + '_'):
|
||||||
|
return orig
|
||||||
|
return None
|
||||||
|
|
||||||
|
|
||||||
|
# ── Step 1: Upload ───────────────────────────────────────────────────────────
|
||||||
|
|
||||||
|
@csrf_exempt
|
||||||
|
@require_POST
|
||||||
|
def upload_csv(request):
|
||||||
|
"""Upload one or more CSV files, merge, return column info + cnam frequency."""
|
||||||
|
files = request.FILES.getlist('files')
|
||||||
|
if not files:
|
||||||
|
return JsonResponse({'error': '未上传任何文件'}, status=400)
|
||||||
|
|
||||||
|
session_id = _new_id()
|
||||||
|
upload_dir = _TEMP_DIR / session_id
|
||||||
|
upload_dir.mkdir(parents=True, exist_ok=True)
|
||||||
|
|
||||||
|
saved_paths = []
|
||||||
|
for f in files:
|
||||||
|
dest = upload_dir / f.name
|
||||||
|
with open(dest, 'wb') as out:
|
||||||
|
for chunk in f.chunks():
|
||||||
|
out.write(chunk)
|
||||||
|
saved_paths.append(str(dest))
|
||||||
|
|
||||||
|
# Load & merge CSV files using Polars
|
||||||
|
try:
|
||||||
|
lf = pl.scan_csv(
|
||||||
|
saved_paths[0] if len(saved_paths) == 1 else str(upload_dir / '*.csv'),
|
||||||
|
infer_schema_length=10000,
|
||||||
|
try_parse_dates=True,
|
||||||
|
)
|
||||||
|
if len(saved_paths) > 1:
|
||||||
|
frames = [pl.scan_csv(p, infer_schema_length=10000) for p in saved_paths]
|
||||||
|
lf = pl.concat(frames, how='diagonal_relaxed')
|
||||||
|
|
||||||
|
df = lf.collect(streaming=True)
|
||||||
|
except Exception as e:
|
||||||
|
shutil.rmtree(upload_dir, ignore_errors=True)
|
||||||
|
return JsonResponse({'error': f'CSV 解析失败: {e}'}, status=400)
|
||||||
|
|
||||||
|
col_names = df.columns
|
||||||
|
total_rows = len(df)
|
||||||
|
|
||||||
|
# Detect key columns — expanded patterns to match actual CSV column names
|
||||||
|
cnam_col = _find_col(col_names, 'cnam', 'snam', 'class_name', 'category', 'target', 'name')
|
||||||
|
cnrs_col = _find_col(col_names, 'cnrs', 'conn_success', 'result', '4srs')
|
||||||
|
isrs_col = _find_col(col_names, 'isrs', 'is_resolved', 'resolved')
|
||||||
|
src_lat_col = _find_col(col_names, ':ips.latd', 'src_latitude', 'src_lat', 'source_lat')
|
||||||
|
src_lon_col = _find_col(col_names, ':ips.lond', 'src_longitude', 'src_lon', 'source_lon')
|
||||||
|
dst_lat_col = _find_col(col_names, ':ipd.latd', 'dst_latitude', 'dst_lat', 'dest_lat')
|
||||||
|
dst_lon_col = _find_col(col_names, ':ipd.lond', 'dst_longitude', 'dst_lon', 'dest_lon')
|
||||||
|
ips_col = _find_col(col_names, ':ips', 'src_ip', 'source_ip', 'ip_src')
|
||||||
|
ipd_col = _find_col(col_names, ':ipd', 'dst_ip', 'dest_ip', 'destination_ip', 'ip_dst')
|
||||||
|
|
||||||
|
# CNAM frequency
|
||||||
|
cnam_freq = []
|
||||||
|
top_cnam = None
|
||||||
|
if cnam_col:
|
||||||
|
try:
|
||||||
|
cnam_series = df[cnam_col].cast(pl.Utf8).fill_null('')
|
||||||
|
counts = Counter(cnam_series.to_list())
|
||||||
|
total_cnam = sum(counts.values())
|
||||||
|
for val, cnt in counts.most_common():
|
||||||
|
cnam_freq.append({
|
||||||
|
'value': val if val else '(空)',
|
||||||
|
'count': cnt,
|
||||||
|
'pct': round(cnt / total_cnam * 100, 1),
|
||||||
|
})
|
||||||
|
if cnam_freq:
|
||||||
|
top_cnam = cnam_freq[0]
|
||||||
|
except Exception as e:
|
||||||
|
logger.warning('cnam frequency failed: %s', e)
|
||||||
|
|
||||||
|
# Store metadata in cache
|
||||||
|
meta = {
|
||||||
|
'session_id': session_id,
|
||||||
|
'upload_dir': str(upload_dir),
|
||||||
|
'total_rows': total_rows,
|
||||||
|
'col_names': col_names,
|
||||||
|
'cnam_col': cnam_col,
|
||||||
|
'cnrs_col': cnrs_col,
|
||||||
|
'isrs_col': isrs_col,
|
||||||
|
'src_lat_col': src_lat_col,
|
||||||
|
'src_lon_col': src_lon_col,
|
||||||
|
'dst_lat_col': dst_lat_col,
|
||||||
|
'dst_lon_col': dst_lon_col,
|
||||||
|
'ips_col': ips_col,
|
||||||
|
'ipd_col': ipd_col,
|
||||||
|
}
|
||||||
|
_store(session_id, {'meta': meta, 'df': df})
|
||||||
|
|
||||||
|
return JsonResponse({
|
||||||
|
'session_id': session_id,
|
||||||
|
'total_rows': total_rows,
|
||||||
|
'columns': col_names[:50],
|
||||||
|
'detected_columns': {
|
||||||
|
'cnam': cnam_col,
|
||||||
|
'cnrs': cnrs_col,
|
||||||
|
'isrs': isrs_col,
|
||||||
|
'src_lat': src_lat_col,
|
||||||
|
'src_lon': src_lon_col,
|
||||||
|
'dst_lat': dst_lat_col,
|
||||||
|
'dst_lon': dst_lon_col,
|
||||||
|
'ips': ips_col,
|
||||||
|
'ipd': ipd_col,
|
||||||
|
},
|
||||||
|
'cnam_frequency': cnam_freq[:30],
|
||||||
|
'top_cnam': top_cnam,
|
||||||
|
})
|
||||||
|
|
||||||
|
|
||||||
|
# ── Step 2: Filter ───────────────────────────────────────────────────────────
|
||||||
|
|
||||||
|
@csrf_exempt
|
||||||
|
@require_POST
|
||||||
|
def filter_data(request):
|
||||||
|
"""Apply cnam + cnrs + isrs filters; return preview rows."""
|
||||||
|
body = json.loads(request.body)
|
||||||
|
session_id = body.get('session_id')
|
||||||
|
selected_cnam = body.get('selected_cnam', '')
|
||||||
|
|
||||||
|
entry = _cached(session_id)
|
||||||
|
if entry is None:
|
||||||
|
return JsonResponse({'error': '会话已过期，请重新上传'}, status=400)
|
||||||
|
|
||||||
|
df: pl.DataFrame = entry['df']
|
||||||
|
meta = entry['meta']
|
||||||
|
cnam_col = meta['cnam_col']
|
||||||
|
cnrs_col = meta['cnrs_col']
|
||||||
|
isrs_col = meta['isrs_col']
|
||||||
|
|
||||||
|
# Validate required columns
|
||||||
|
missing = []
|
||||||
|
if not cnam_col:
|
||||||
|
missing.append('cnam/snam (目标类别)')
|
||||||
|
|
||||||
|
if missing:
|
||||||
|
return JsonResponse({
|
||||||
|
'error': f'缺少关键列: {", ".join(missing)}。请检查CSV文件格式。',
|
||||||
|
'missing_columns': missing,
|
||||||
|
}, status=400)
|
||||||
|
|
||||||
|
# Apply filter — cnrs and isrs are optional; only apply if column exists
|
||||||
|
try:
|
||||||
|
cond = (pl.col(cnam_col).cast(pl.Utf8) == selected_cnam)
|
||||||
|
if cnrs_col:
|
||||||
|
cond = cond & (pl.col(cnrs_col).cast(pl.Utf8).str.strip_chars() == '+')
|
||||||
|
if isrs_col:
|
||||||
|
cond = cond & (pl.col(isrs_col).cast(pl.Utf8).str.strip_chars() == '+')
|
||||||
|
filtered = df.filter(cond)
|
||||||
|
except Exception as e:
|
||||||
|
return JsonResponse({'error': f'筛选失败: {e}'}, status=400)
|
||||||
|
|
||||||
|
filtered_rows = len(filtered)
|
||||||
|
meta['filtered_cnam'] = selected_cnam
|
||||||
|
meta['filtered_rows'] = filtered_rows
|
||||||
|
entry['filtered_df'] = filtered
|
||||||
|
|
||||||
|
# Preview data (first 20 rows)
|
||||||
|
preview_cols = [c for c in filtered.columns if not c.startswith('_')][:30]
|
||||||
|
preview_rows = []
|
||||||
|
for row in filtered.head(20).select(preview_cols).iter_rows(named=True):
|
||||||
|
clean = {}
|
||||||
|
for k, v in row.items():
|
||||||
|
if v is None or (isinstance(v, float) and np.isnan(v)):
|
||||||
|
clean[k] = None
|
||||||
|
else:
|
||||||
|
clean[k] = str(v)[:120]
|
||||||
|
preview_rows.append(clean)
|
||||||
|
|
||||||
|
return JsonResponse({
|
||||||
|
'filtered_rows': filtered_rows,
|
||||||
|
'preview_columns': preview_cols,
|
||||||
|
'preview_rows': preview_rows,
|
||||||
|
'total_before_filter': len(df),
|
||||||
|
})
|
||||||
|
|
||||||
|
|
||||||
|
# ── Step 3: Cluster ──────────────────────────────────────────────────────────
|
||||||
|
|
||||||
|
@csrf_exempt
|
||||||
|
@require_POST
|
||||||
|
def run_clustering(request):
|
||||||
|
"""Run HDBSCAN geo-clustering or IP-subnet soft-clustering."""
|
||||||
|
body = json.loads(request.body)
|
||||||
|
session_id = body.get('session_id')
|
||||||
|
mode = body.get('mode', 'geo') # 'geo' or 'subnet'
|
||||||
|
min_cluster_size = int(body.get('min_cluster_size', 5))
|
||||||
|
cluster_selection_epsilon = float(body.get('cluster_selection_epsilon', 0.005))
|
||||||
|
min_records_per_subnet = int(body.get('min_records_per_subnet', 3))
|
||||||
|
max_cluster_size = int(body.get('max_cluster_size', 100))
|
||||||
|
|
||||||
|
entry = _cached(session_id)
|
||||||
|
if entry is None:
|
||||||
|
return JsonResponse({'error': '会话已过期，请重新上传'}, status=400)
|
||||||
|
|
||||||
|
filtered = entry.get('filtered_df')
|
||||||
|
if filtered is None:
|
||||||
|
return JsonResponse({'error': '请先执行筛选（步骤二）'}, status=400)
|
||||||
|
|
||||||
|
meta = entry['meta']
|
||||||
|
src_lat_col = meta['src_lat_col']
|
||||||
|
src_lon_col = meta['src_lon_col']
|
||||||
|
ips_col = meta['ips_col']
|
||||||
|
|
||||||
|
if mode == 'geo':
|
||||||
|
result = _cluster_geo(entry, filtered, meta, min_cluster_size, cluster_selection_epsilon)
|
||||||
|
else:
|
||||||
|
result = _cluster_subnet(entry, filtered, meta, min_records_per_subnet, max_cluster_size)
|
||||||
|
# Update cache with any modifications made by cluster functions
|
||||||
|
_store(session_id, entry)
|
||||||
|
return result
|
||||||
|
|
||||||
|
|
||||||
|
def _cluster_geo(entry: dict, df: pl.DataFrame, meta: dict,
|
||||||
|
min_cluster_size: int, cluster_selection_epsilon: float = 0.005):
|
||||||
|
"""HDBSCAN clustering on source IP latitude/longitude using Haversine distance."""
|
||||||
|
src_lat_col = meta['src_lat_col']
|
||||||
|
src_lon_col = meta['src_lon_col']
|
||||||
|
ips_col = meta['ips_col']
|
||||||
|
|
||||||
|
if not src_lat_col or not src_lon_col:
|
||||||
|
return JsonResponse({'error': '缺少源经纬度列（:ips.latd / :ips.lond），无法执行地理聚类'}, status=400)
|
||||||
|
|
||||||
|
# Drop rows with missing lat/lon
|
||||||
|
clean = df.filter(
|
||||||
|
pl.col(src_lat_col).is_not_null()
|
||||||
|
& pl.col(src_lon_col).is_not_null()
|
||||||
|
)
|
||||||
|
|
||||||
|
if len(clean) == 0:
|
||||||
|
return JsonResponse({'error': '所有记录均缺失经纬度，无法聚类'}, status=400)
|
||||||
|
|
||||||
|
# Clean lat/lon: cast to string, filter out '+'/'-' artifacts
|
||||||
|
try:
|
||||||
|
lat_raw = clean[src_lat_col].cast(pl.Utf8)
|
||||||
|
lon_raw = clean[src_lon_col].cast(pl.Utf8)
|
||||||
|
# Build validity mask: exclude '+', '-', empty, and None
|
||||||
|
valid_mask = (
|
||||||
|
lat_raw.is_not_null() & lon_raw.is_not_null()
|
||||||
|
& (lat_raw != '+') & (lat_raw != '-')
|
||||||
|
& (lon_raw != '+') & (lon_raw != '-')
|
||||||
|
& (lat_raw != '') & (lon_raw != '')
|
||||||
|
)
|
||||||
|
clean = clean.filter(valid_mask)
|
||||||
|
if len(clean) == 0:
|
||||||
|
return JsonResponse({'error': '无有效经纬度记录（排除符号值后）'}, status=400)
|
||||||
|
lat_vals = clean[src_lat_col].cast(pl.Float64, strict=False).to_numpy()
|
||||||
|
lon_vals = clean[src_lon_col].cast(pl.Float64, strict=False).to_numpy()
|
||||||
|
# Final NaN check
|
||||||
|
lat_vals = np.where(np.isnan(lat_vals), 0.0, lat_vals)
|
||||||
|
lon_vals = np.where(np.isnan(lon_vals), 0.0, lon_vals)
|
||||||
|
except Exception as e:
|
||||||
|
return JsonResponse({'error': f'经纬度列转换失败: {e}'}, status=400)
|
||||||
|
|
||||||
|
# Filter to valid lat/lon ranges
|
||||||
|
valid_range_mask = (
|
||||||
|
(lat_vals >= -90) & (lat_vals <= 90)
|
||||||
|
& (lon_vals >= -180) & (lon_vals <= 180)
|
||||||
|
& ~np.isnan(lat_vals) & ~np.isnan(lon_vals)
|
||||||
|
)
|
||||||
|
lat_vals = lat_vals[valid_range_mask]
|
||||||
|
lon_vals = lon_vals[valid_range_mask]
|
||||||
|
clean = clean.filter(
|
||||||
|
pl.Series(valid_range_mask)
|
||||||
|
)
|
||||||
|
|
||||||
|
if len(clean) < min_cluster_size:
|
||||||
|
return JsonResponse({
|
||||||
|
'error': f'有效经纬度记录数（{len(clean)}）少于最小聚类规模（{min_cluster_size}）',
|
||||||
|
}, status=400)
|
||||||
|
|
||||||
|
# ── HDBSCAN with Haversine distance ────────────────────────────────────
|
||||||
|
# Convert degrees to radians for haversine metric
|
||||||
|
lat_rad = np.radians(lat_vals)
|
||||||
|
lon_rad = np.radians(lon_vals)
|
||||||
|
coords = np.column_stack([lat_rad, lon_rad])
|
||||||
|
|
||||||
|
clusterer = HDBSCAN(
|
||||||
|
min_cluster_size=min_cluster_size,
|
||||||
|
min_samples=min(3, min_cluster_size),
|
||||||
|
metric='haversine',
|
||||||
|
cluster_selection_epsilon=cluster_selection_epsilon,
|
||||||
|
)
|
||||||
|
labels = clusterer.fit_predict(coords)
|
||||||
|
|
||||||
|
n_clusters = int(len(set(labels)) - (1 if -1 in labels else 0))
|
||||||
|
n_noise = int((labels == -1).sum())
|
||||||
|
noise_ratio = n_noise / len(labels) if len(labels) > 0 else 0
|
||||||
|
|
||||||
|
# Check for degenerate clustering (fallback suggestion)
|
||||||
|
fallback_suggested = False
|
||||||
|
if noise_ratio > 0.8 or n_clusters <= 1:
|
||||||
|
fallback_suggested = True
|
||||||
|
|
||||||
|
# Build cluster overview
|
||||||
|
cluster_map = {}
|
||||||
|
unique_labels = sorted(set(labels))
|
||||||
|
data_points_by_cluster = {}
|
||||||
|
for lbl in unique_labels:
|
||||||
|
mask = labels == lbl
|
||||||
|
idxs = np.where(mask)[0]
|
||||||
|
cluster_lats = lat_vals[idxs]
|
||||||
|
cluster_lons = lon_vals[idxs]
|
||||||
|
center_lat = float(np.median(cluster_lats))
|
||||||
|
center_lon = float(np.median(cluster_lons))
|
||||||
|
|
||||||
|
# Unique IPs
|
||||||
|
if ips_col:
|
||||||
|
ips_in_cluster = clean.filter(pl.Series(mask))[ips_col].cast(pl.Utf8).unique().to_list()
|
||||||
|
n_unique_ips = len(ips_in_cluster)
|
||||||
|
else:
|
||||||
|
ips_in_cluster = []
|
||||||
|
n_unique_ips = 0
|
||||||
|
|
||||||
|
cluster_map[int(lbl)] = {
|
||||||
|
'label': int(lbl),
|
||||||
|
'size': int(mask.sum()),
|
||||||
|
'center_lat': round(float(center_lat), 4),
|
||||||
|
'center_lon': round(float(center_lon), 4),
|
||||||
|
'n_unique_ips': int(n_unique_ips),
|
||||||
|
'is_noise': bool(lbl == -1),
|
||||||
|
}
|
||||||
|
|
||||||
|
# Collect individual data points for map rendering (lat, lon, index)
|
||||||
|
pts = []
|
||||||
|
for pt_idx, i in enumerate(idxs):
|
||||||
|
pts.append({
|
||||||
|
'lat': round(float(cluster_lats[pt_idx]), 4),
|
||||||
|
'lon': round(float(cluster_lons[pt_idx]), 4),
|
||||||
|
'idx': int(i),
|
||||||
|
})
|
||||||
|
data_points_by_cluster[int(lbl)] = pts
|
||||||
|
|
||||||
|
# Annotate original filtered DataFrame with cluster labels
|
||||||
|
label_series = np.full(len(df), -1, dtype=int)
|
||||||
|
# Map back: only the valid rows got labels
|
||||||
|
valid_indices = np.where(valid_range_mask)[0]
|
||||||
|
for i, idx in enumerate(valid_indices):
|
||||||
|
label_series[idx] = int(labels[i])
|
||||||
|
|
||||||
|
entry['cluster_labels'] = label_series.tolist()
|
||||||
|
entry['cluster_map'] = cluster_map
|
||||||
|
entry['cluster_mode'] = 'geo'
|
||||||
|
entry['n_clusters'] = n_clusters
|
||||||
|
entry['n_noise'] = n_noise
|
||||||
|
|
||||||
|
# Update filtered_df with cluster label column
|
||||||
|
df_with_labels = df.with_columns(pl.Series('_cluster_label', label_series))
|
||||||
|
entry['filtered_df'] = df_with_labels
|
||||||
|
|
||||||
|
return JsonResponse({
|
||||||
|
'n_clusters': n_clusters,
|
||||||
|
'n_noise': n_noise,
|
||||||
|
'n_valid_points': len(clean),
|
||||||
|
'clusters': cluster_map,
|
||||||
|
'labels': label_series.tolist(),
|
||||||
|
'data_points': data_points_by_cluster,
|
||||||
|
'fallback_suggested': fallback_suggested,
|
||||||
|
})
|
||||||
|
|
||||||
|
|
||||||
|
def _cluster_subnet(entry: dict, df: pl.DataFrame, meta: dict,
|
||||||
|
min_records_per_subnet: int = 3, max_cluster_size: int = 100):
|
||||||
|
"""Soft clustering by /24 subnet prefix.
|
||||||
|
|
||||||
|
Subnets with fewer than *min_records_per_subnet* records are marked noise (-1).
|
||||||
|
Subnets with more than *max_cluster_size* records are auto-split using geo
|
||||||
|
sub-clustering (HDBSCAN + haversine) on the available lat/lon within the subnet.
|
||||||
|
"""
|
||||||
|
ips_col = meta['ips_col']
|
||||||
|
src_lat_col = meta['src_lat_col']
|
||||||
|
src_lon_col = meta['src_lon_col']
|
||||||
|
if not ips_col:
|
||||||
|
return JsonResponse({'error': '缺少源IP列（:ips），无法执行子网聚类'}, status=400)
|
||||||
|
|
||||||
|
try:
|
||||||
|
ip_series = df[ips_col].cast(pl.Utf8)
|
||||||
|
except Exception as e:
|
||||||
|
return JsonResponse({'error': f'IP列转换失败: {e}'}, status=400)
|
||||||
|
|
||||||
|
# Extract /24 subnet
|
||||||
|
def _subnet24(ip: str) -> str | None:
|
||||||
|
if not ip or ip == 'None' or ip == '':
|
||||||
|
return None
|
||||||
|
parts = ip.split('.')
|
||||||
|
if len(parts) < 4:
|
||||||
|
return None
|
||||||
|
return '.'.join(parts[:3]) + '.0/24'
|
||||||
|
|
||||||
|
subnets = [None if v is None else _subnet24(str(v)) for v in ip_series.to_list()]
|
||||||
|
subnet_count = Counter(s for s in subnets if s is not None)
|
||||||
|
|
||||||
|
# Assign cluster labels based on subnet frequency
|
||||||
|
labels = []
|
||||||
|
cluster_map: dict[int, dict] = {}
|
||||||
|
next_label = 0
|
||||||
|
subnet_to_label: dict[str, int] = {}
|
||||||
|
# Track which records belong to large subnets for geo splitting
|
||||||
|
large_subnet_indices: dict[str, list[int]] = {}
|
||||||
|
|
||||||
|
for row_idx, s in enumerate(subnets):
|
||||||
|
if s is None:
|
||||||
|
labels.append(-1)
|
||||||
|
else:
|
||||||
|
cnt = subnet_count.get(s, 0)
|
||||||
|
if cnt < min_records_per_subnet:
|
||||||
|
labels.append(-1) # noise (too few records)
|
||||||
|
elif cnt > max_cluster_size:
|
||||||
|
# Large subnet → will apply geo sub-clustering later
|
||||||
|
if s not in subnet_to_label:
|
||||||
|
subnet_to_label[s] = next_label
|
||||||
|
cluster_map[next_label] = {
|
||||||
|
'label': next_label,
|
||||||
|
'size': 0,
|
||||||
|
'subnet': s,
|
||||||
|
'is_noise': False,
|
||||||
|
'_is_large': True,
|
||||||
|
'_large_subnet_name': s,
|
||||||
|
}
|
||||||
|
next_label += 1
|
||||||
|
large_subnet_indices[s] = []
|
||||||
|
lbl = subnet_to_label[s]
|
||||||
|
labels.append(lbl)
|
||||||
|
cluster_map[lbl]['size'] = cluster_map[lbl].get('size', 0) + 1
|
||||||
|
large_subnet_indices[s].append(row_idx)
|
||||||
|
else:
|
||||||
|
if s not in subnet_to_label:
|
||||||
|
subnet_to_label[s] = next_label
|
||||||
|
cluster_map[next_label] = {
|
||||||
|
'label': next_label,
|
||||||
|
'size': 0,
|
||||||
|
'subnet': s,
|
||||||
|
'is_noise': False,
|
||||||
|
}
|
||||||
|
next_label += 1
|
||||||
|
lbl = subnet_to_label[s]
|
||||||
|
labels.append(lbl)
|
||||||
|
cluster_map[lbl]['size'] = cluster_map[lbl].get('size', 0) + 1
|
||||||
|
|
||||||
|
# ── Geo sub-clustering for large subnets ────────────────────────────────
|
||||||
|
if large_subnet_indices and src_lat_col and src_lon_col:
|
||||||
|
for subnet_name, indices in large_subnet_indices.items():
|
||||||
|
old_label = subnet_to_label[subnet_name]
|
||||||
|
# Remove the temporary large-subnet cluster entry
|
||||||
|
cluster_map.pop(old_label, None)
|
||||||
|
|
||||||
|
# Get lat/lon for records in this subnet
|
||||||
|
subnet_df = df[pl.Series(indices)]
|
||||||
|
try:
|
||||||
|
sub_lats = subnet_df[src_lat_col].cast(pl.Float64).to_numpy()
|
||||||
|
sub_lons = subnet_df[src_lon_col].cast(pl.Float64).to_numpy()
|
||||||
|
valid = (
|
||||||
|
~np.isnan(sub_lats) & ~np.isnan(sub_lons)
|
||||||
|
& (sub_lats >= -90) & (sub_lats <= 90)
|
||||||
|
& (sub_lons >= -180) & (sub_lons <= 180)
|
||||||
|
)
|
||||||
|
sub_lats = sub_lats[valid]
|
||||||
|
sub_lons = sub_lons[valid]
|
||||||
|
if len(sub_lats) >= 3:
|
||||||
|
# Run HDBSCAN with haversine on this subnet's points
|
||||||
|
coords = np.column_stack([np.radians(sub_lats), np.radians(sub_lons)])
|
||||||
|
sub_cluster = HDBSCAN(
|
||||||
|
min_cluster_size=min(3, len(sub_lats) // 5),
|
||||||
|
min_samples=2,
|
||||||
|
metric='haversine',
|
||||||
|
cluster_selection_epsilon=0.005,
|
||||||
|
)
|
||||||
|
sub_labels = sub_cluster.fit_predict(coords)
|
||||||
|
|
||||||
|
# Create sub-clusters
|
||||||
|
sub_label_map: dict[int, int] = {}
|
||||||
|
valid_idx_iter = 0
|
||||||
|
for orig_rank, orig_idx in enumerate(indices):
|
||||||
|
if not valid[orig_rank - valid_idx_iter]:
|
||||||
|
# Was invalid, check if we skipped
|
||||||
|
pass
|
||||||
|
|
||||||
|
# Re-map: skip invalid points (mark noise)
|
||||||
|
valid_counter = 0
|
||||||
|
for orig_rank, orig_idx in enumerate(indices):
|
||||||
|
if not valid[orig_rank]:
|
||||||
|
labels[orig_idx] = -1 # no lat/lon → noise
|
||||||
|
else:
|
||||||
|
sl = int(sub_labels[valid_counter])
|
||||||
|
valid_counter += 1
|
||||||
|
if sl == -1:
|
||||||
|
labels[orig_idx] = -1
|
||||||
|
else:
|
||||||
|
sub_cluster_name = f'{subnet_name}/sub{sl}'
|
||||||
|
if sub_cluster_name not in subnet_to_label:
|
||||||
|
subnet_to_label[sub_cluster_name] = next_label
|
||||||
|
cluster_map[next_label] = {
|
||||||
|
'label': next_label,
|
||||||
|
'size': 0,
|
||||||
|
'subnet': sub_cluster_name,
|
||||||
|
'is_noise': False,
|
||||||
|
}
|
||||||
|
next_label += 1
|
||||||
|
new_lbl = subnet_to_label[sub_cluster_name]
|
||||||
|
labels[orig_idx] = new_lbl
|
||||||
|
cluster_map[new_lbl]['size'] = cluster_map[new_lbl].get('size', 0) + 1
|
||||||
|
else:
|
||||||
|
# Not enough geo data → keep as single cluster
|
||||||
|
cluster_map[old_label] = {
|
||||||
|
'label': old_label,
|
||||||
|
'size': len(indices),
|
||||||
|
'subnet': subnet_name,
|
||||||
|
'is_noise': False,
|
||||||
|
}
|
||||||
|
subnet_to_label[subnet_name] = old_label
|
||||||
|
except Exception as e:
|
||||||
|
logger.warning('Subnet geo-splitting failed for %s: %s', subnet_name, e)
|
||||||
|
# Keep the original cluster
|
||||||
|
cluster_map[old_label] = {
|
||||||
|
'label': old_label,
|
||||||
|
'size': len(indices),
|
||||||
|
'subnet': subnet_name,
|
||||||
|
'is_noise': False,
|
||||||
|
}
|
||||||
|
subnet_to_label[subnet_name] = old_label
|
||||||
|
|
||||||
|
# Update cluster maps with centers and unique IP counts
|
||||||
|
for lbl in list(cluster_map.keys()):
|
||||||
|
mask = np.array(labels) == lbl
|
||||||
|
ips_in_cluster = df.filter(pl.Series(mask))[ips_col].cast(pl.Utf8).unique().to_list()
|
||||||
|
cluster_map[lbl]['n_unique_ips'] = len(ips_in_cluster)
|
||||||
|
# Try to get geo center if lat/lon available
|
||||||
|
if src_lat_col and src_lon_col:
|
||||||
|
try:
|
||||||
|
clat = df.filter(pl.Series(mask))[src_lat_col].cast(pl.Float64).drop_nulls()
|
||||||
|
clon = df.filter(pl.Series(mask))[src_lon_col].cast(pl.Float64).drop_nulls()
|
||||||
|
if len(clat) > 0 and len(clon) > 0:
|
||||||
|
cluster_map[lbl]['center_lat'] = round(float(clat.median()), 4)
|
||||||
|
cluster_map[lbl]['center_lon'] = round(float(clon.median()), 4)
|
||||||
|
except Exception:
|
||||||
|
cluster_map[lbl]['center_lat'] = None
|
||||||
|
cluster_map[lbl]['center_lon'] = None
|
||||||
|
else:
|
||||||
|
cluster_map[lbl]['center_lat'] = None
|
||||||
|
cluster_map[lbl]['center_lon'] = None
|
||||||
|
|
||||||
|
n_noise = labels.count(-1)
|
||||||
|
n_clusters = len(cluster_map)
|
||||||
|
|
||||||
|
# Build data_points for map
|
||||||
|
data_points_by_cluster: dict[int, list] = {}
|
||||||
|
for lbl in list(cluster_map.keys()):
|
||||||
|
mask = np.array(labels) == lbl
|
||||||
|
pts = []
|
||||||
|
if src_lat_col and src_lon_col:
|
||||||
|
try:
|
||||||
|
sub = df.filter(pl.Series(mask))
|
||||||
|
lats = sub[src_lat_col].cast(pl.Float64).to_numpy()
|
||||||
|
lons = sub[src_lon_col].cast(pl.Float64).to_numpy()
|
||||||
|
for i in range(len(sub)):
|
||||||
|
if not np.isnan(lats[i]) and not np.isnan(lons[i]):
|
||||||
|
pts.append({'lat': round(float(lats[i]), 4),
|
||||||
|
'lon': round(float(lons[i]), 4),
|
||||||
|
'idx': int(i)})
|
||||||
|
except Exception:
|
||||||
|
pass
|
||||||
|
data_points_by_cluster[lbl] = pts
|
||||||
|
|
||||||
|
# Also collect noisy points' coordinates
|
||||||
|
noise_mask = np.array(labels) == -1
|
||||||
|
noise_points = []
|
||||||
|
if src_lat_col and src_lon_col:
|
||||||
|
try:
|
||||||
|
noise_sub = df.filter(pl.Series(noise_mask))
|
||||||
|
nlats = noise_sub[src_lat_col].cast(pl.Float64).to_numpy()
|
||||||
|
nlons = noise_sub[src_lon_col].cast(pl.Float64).to_numpy()
|
||||||
|
for i in range(len(noise_sub)):
|
||||||
|
if not np.isnan(nlats[i]) and not np.isnan(nlons[i]):
|
||||||
|
noise_points.append({'lat': round(float(nlats[i]), 4),
|
||||||
|
'lon': round(float(nlons[i]), 4),
|
||||||
|
'idx': int(i)})
|
||||||
|
except Exception:
|
||||||
|
pass
|
||||||
|
if noise_points:
|
||||||
|
data_points_by_cluster[-1] = noise_points
|
||||||
|
|
||||||
|
# Annotate DataFrame
|
||||||
|
df_with_labels = df.with_columns(pl.Series('_cluster_label', labels))
|
||||||
|
entry['cluster_labels'] = labels
|
||||||
|
entry['cluster_map'] = cluster_map
|
||||||
|
entry['cluster_mode'] = 'subnet'
|
||||||
|
entry['filtered_df'] = df_with_labels
|
||||||
|
entry['n_clusters'] = n_clusters
|
||||||
|
entry['n_noise'] = n_noise
|
||||||
|
|
||||||
|
return JsonResponse({
|
||||||
|
'n_clusters': n_clusters,
|
||||||
|
'n_noise': n_noise,
|
||||||
|
'n_valid_points': len(df),
|
||||||
|
'clusters': cluster_map,
|
||||||
|
'labels': labels,
|
||||||
|
'data_points': data_points_by_cluster,
|
||||||
|
})
|
||||||
|
|
||||||
|
|
||||||
|
# ── Step 4: Cluster detail ───────────────────────────────────────────────────
|
||||||
|
|
||||||
|
@require_GET
|
||||||
|
def cluster_detail(request, label: int):
|
||||||
|
"""Return detailed profile for a specific cluster."""
|
||||||
|
session_id = request.GET.get('session_id')
|
||||||
|
if not session_id:
|
||||||
|
return JsonResponse({'error': '缺少 session_id'}, status=400)
|
||||||
|
|
||||||
|
entry = _cached(session_id)
|
||||||
|
if entry is None:
|
||||||
|
return JsonResponse({'error': '会话已过期'}, status=400)
|
||||||
|
|
||||||
|
df = entry.get('filtered_df')
|
||||||
|
meta = entry.get('meta', {})
|
||||||
|
cluster_map = entry.get('cluster_map', {})
|
||||||
|
|
||||||
|
if df is None:
|
||||||
|
return JsonResponse({'error': '数据未就绪'}, status=400)
|
||||||
|
|
||||||
|
if '_cluster_label' not in df.columns:
|
||||||
|
return JsonResponse({'error': '未执行聚类'}, status=400)
|
||||||
|
|
||||||
|
cluster_df = df.filter(pl.col('_cluster_label') == label)
|
||||||
|
rows = len(cluster_df)
|
||||||
|
if rows == 0:
|
||||||
|
return JsonResponse({'error': f'簇 {label} 无数据'}, status=404)
|
||||||
|
|
||||||
|
cluster_info = cluster_map.get(label, {})
|
||||||
|
|
||||||
|
# Helper: get unique values for a column
|
||||||
|
def _top_values(col_name: str, top_n: int = 5) -> list:
|
||||||
|
if col_name not in df.columns:
|
||||||
|
return []
|
||||||
|
try:
|
||||||
|
vals = (
|
||||||
|
cluster_df[col_name]
|
||||||
|
.cast(pl.Utf8)
|
||||||
|
.fill_null('(空)')
|
||||||
|
.value_counts()
|
||||||
|
.sort('count', descending=True)
|
||||||
|
.head(top_n)
|
||||||
|
)
|
||||||
|
total = vals['count'].sum()
|
||||||
|
return [
|
||||||
|
{'value': v['counts'] if isinstance(v, dict) else str(row[0]),
|
||||||
|
'count': int(row[1]),
|
||||||
|
'pct': round(int(row[1]) / total * 100, 1)}
|
||||||
|
for row in vals.iter_rows()
|
||||||
|
]
|
||||||
|
except Exception:
|
||||||
|
return []
|
||||||
|
|
||||||
|
# Source IPs
|
||||||
|
ips_col = meta.get('ips_col')
|
||||||
|
unique_ips = []
|
||||||
|
if ips_col and ips_col in cluster_df.columns:
|
||||||
|
try:
|
||||||
|
ip_vals = cluster_df[ips_col].cast(pl.Utf8).unique().to_list()
|
||||||
|
unique_ips = sorted(str(v) for v in ip_vals if v not in (None, '', 'None'))
|
||||||
|
except Exception:
|
||||||
|
pass
|
||||||
|
|
||||||
|
# Detect useful columns for profiling
|
||||||
|
col_names = df.columns
|
||||||
|
dst_ip_col = _find_col(col_names, ':ipd', 'dst_ip', 'dest_ip', 'destination_ip')
|
||||||
|
dst_port_col = _find_col(col_names, 'dst_port', 'dest_port', 'port', 'dport')
|
||||||
|
tls_ver_col = _find_col(col_names, '0ver', 'tls_version', 'version', 'tlsver')
|
||||||
|
cipher_col = _find_col(col_names, '0cph', 'cipher_suite', 'cipher', 'tls_cipher')
|
||||||
|
sni_col = _find_col(col_names, 'sni', 'server_name', 'tls_sni')
|
||||||
|
bytes_col = _find_col(col_names, '8byt', 'bytes_sent', 'bytes', 'src_bytes')
|
||||||
|
dur_col = _find_col(col_names, '4dur', 'duration', 'dur', 'flow_duration')
|
||||||
|
proto_col = _find_col(col_names, 'proto', 'protocol', 'l4_proto')
|
||||||
|
|
||||||
|
profile = {
|
||||||
|
'label': label,
|
||||||
|
'size': rows,
|
||||||
|
'cluster_info': cluster_info,
|
||||||
|
'unique_ips': unique_ips[:100],
|
||||||
|
'unique_ips_count': len(unique_ips),
|
||||||
|
'top_dst_ips': _top_values(dst_ip_col) if dst_ip_col else [],
|
||||||
|
'top_dst_ports': _top_values(dst_port_col) if dst_port_col else [],
|
||||||
|
'top_tls_versions': _top_values(tls_ver_col) if tls_ver_col else [],
|
||||||
|
'top_ciphers': _top_values(cipher_col) if cipher_col else [],
|
||||||
|
'top_sni': _top_values(sni_col) if sni_col else [],
|
||||||
|
'top_protocols': _top_values(proto_col) if proto_col else [],
|
||||||
|
# Traffic stats
|
||||||
|
'traffic': {},
|
||||||
|
}
|
||||||
|
|
||||||
|
# Traffic stats
|
||||||
|
if bytes_col and bytes_col in cluster_df.columns:
|
||||||
|
try:
|
||||||
|
total_bytes = cluster_df[bytes_col].cast(pl.Float64).sum()
|
||||||
|
profile['traffic']['total_bytes'] = round(total_bytes, 2) if total_bytes else 0
|
||||||
|
except Exception:
|
||||||
|
pass
|
||||||
|
if dur_col and dur_col in cluster_df.columns:
|
||||||
|
try:
|
||||||
|
total_dur = cluster_df[dur_col].cast(pl.Float64).sum()
|
||||||
|
avg_dur = cluster_df[dur_col].cast(pl.Float64).mean()
|
||||||
|
profile['traffic']['total_duration'] = round(total_dur, 2) if total_dur else 0
|
||||||
|
profile['traffic']['avg_duration'] = round(avg_dur, 2) if avg_dur else 0
|
||||||
|
except Exception:
|
||||||
|
pass
|
||||||
|
|
||||||
|
# Geo bounding box (if lat/lon available)
|
||||||
|
src_lat_col = meta.get('src_lat_col')
|
||||||
|
src_lon_col = meta.get('src_lon_col')
|
||||||
|
if src_lat_col and src_lon_col and src_lat_col in cluster_df.columns:
|
||||||
|
try:
|
||||||
|
lats = cluster_df[src_lat_col].cast(pl.Float64).drop_nulls()
|
||||||
|
lons = cluster_df[src_lon_col].cast(pl.Float64).drop_nulls()
|
||||||
|
if len(lats) > 0 and len(lons) > 0:
|
||||||
|
profile['geo_bounds'] = {
|
||||||
|
'lat_min': round(float(lats.min()), 4),
|
||||||
|
'lat_max': round(float(lats.max()), 4),
|
||||||
|
'lon_min': round(float(lons.min()), 4),
|
||||||
|
'lon_max': round(float(lons.max()), 4),
|
||||||
|
}
|
||||||
|
except Exception:
|
||||||
|
pass
|
||||||
|
|
||||||
|
return JsonResponse(profile)
|
||||||
|
|
||||||
|
|
||||||
|
# ── Main page ────────────────────────────────────────────────────────────────
|
||||||
|
|
||||||
|
def index(request):
|
||||||
|
"""Render the simple analysis workbench page."""
|
||||||
|
return render(request, 'simple_analysis/simple_analysis.html')
|
||||||
@@ -81,6 +81,7 @@
|
|||||||
<a href="{% url 'analysis:run_list' %}">运行记录</a>
|
<a href="{% url 'analysis:run_list' %}">运行记录</a>
|
||||||
<a href="{% url 'analysis:globe' %}">态势</a>
|
<a href="{% url 'analysis:globe' %}">态势</a>
|
||||||
<a href="{% url 'analysis:config' %}">配置</a>
|
<a href="{% url 'analysis:config' %}">配置</a>
|
||||||
|
<a href="{% url 'simple_analysis:index' %}" style="color:#f4a261;font-weight:600;">简单分析</a>
|
||||||
</nav>
|
</nav>
|
||||||
<div class="container">
|
<div class="container">
|
||||||
{% block content %}{% endblock %}
|
{% block content %}{% endblock %}
|
||||||
|
|||||||
@@ -32,6 +32,7 @@ INSTALLED_APPS = [
|
|||||||
"django.contrib.messages",
|
"django.contrib.messages",
|
||||||
"django.contrib.staticfiles",
|
"django.contrib.staticfiles",
|
||||||
"analysis.apps.AnalysisConfig",
|
"analysis.apps.AnalysisConfig",
|
||||||
|
"simple_analysis.apps.SimpleAnalysisConfig",
|
||||||
]
|
]
|
||||||
|
|
||||||
MIDDLEWARE = [
|
MIDDLEWARE = [
|
||||||
|
|||||||
@@ -4,4 +4,5 @@ from django.urls import path, include
|
|||||||
urlpatterns = [
|
urlpatterns = [
|
||||||
path('admin/', admin.site.urls),
|
path('admin/', admin.site.urls),
|
||||||
path('', include('analysis.urls')),
|
path('', include('analysis.urls')),
|
||||||
|
path('simple/', include('simple_analysis.urls')),
|
||||||
]
|
]
|
||||||
|
|||||||
Reference in New Issue
Block a user