jeet-ganguly/birdy-edwards-lite

## 什么是 Birdy-Edwards Lite？ Birdy-Edwards Lite 是完整版 Birdy-Edwards FACEBOOK SOCMINT 平台的精简、低依赖版本。它执行相同的核心个人资料情报工作流程——数据收集、交互映射、人脸聚类和网络可视化——无需任何 AI 模型、Docker 容器或云服务。 一切都在您的本地机器上运行。无需 GPU。无需下载模型。无外部 API 调用。 它专为希望在普通硬件上获得快速、可重复结果的调查人员而设计，或者适合那些希望在没有完整 AI 驱动版本开销的情况下运行该工具的用户。如需 AI 驱动版本，请查看此代码库 [点击此处](https://github.com/jeet-ganguly/birdy-edwards) ## 架构 ## 功能 - 🔍 **个人资料数据收集** — 自动收集帖子、照片、Reels、关于数据、评论、交互者姓名和个人资料链接 - 📊 **频率评分** — 跨所有帖子类型（照片、Reels、文本）的加权交互频率排名 - 🕸️ **网络图** — 交互式力导向图，显示目标 ↔ 交互者关系，频率加权边，全屏模式 - 🔗 **共同交互矩阵** — 热力图显示哪些交互者在帖子中同时出现，支持阈值过滤（1+、2+、3+、5+） - 💠 **共同交互力导向图** — 交互者共现关系的力导向聚类视图，全屏模式 - 📈 **交互时间轴** — 照片和文本帖子交互的逐日堆叠条形图 - 🍩 **分布环形图** — 按媒体类型（照片 / Reels / 文本）划分的交互细分 - 👤 **人脸情报** — CNN / HOG 人脸检测，128D 编码，以及跨所有收集图像的身份聚类 - 🌳 **人脸聚类树** — 检测到人员的频率级联层次结构，从出现最多到最少 - 🎯 **前 7 名优先目标** — 具有关于数据卡片的最高频交互者 - 📋 **关于数据卡片** — 目标和前 7 名交互者的个人资料字段，按部分分组（个人、工作、教育等） - 🗑️ **调查管理** — 从主页删除任何调查及其所有收集的数据（数据库行 + 人脸图像文件） - 🌙 **暗色 / 亮色主题** — 跨所有仪表板组件的完整主题切换 - 🤖 **零 LLM 依赖** — 无需 Ollama，无需下载模型，无需 GPU ## ⚠️ 免责声明 ## 对比 — Lite 版 vs 完整版 | 功能 | Lite 版 | 完整版 (AI) | |---|:---:|:---:| | 个人资料数据收集 | ✅ | ✅ | | 交互频率评分 | ✅ | ✅ | | 网络 + 共同交互图 | ✅ | ✅ | | 时间轴 + 环形图 | ✅ | ✅ | | CNN / HOG 人脸聚类 | ✅ | ✅ | | 前 7 名元数据收集 | ✅ | ✅ | | AI 情感 / 情绪分析 | ❌ | ✅ | | 行为人综合评分 | ❌ | ✅ | | 原籍国检测 | ❌ | ✅ | | 世界地图可视化 | ❌ | ✅ | | PDF 情报报告 | ❌ | ✅ | | Docker 部署 | ❌ | ✅ | | 需要 LLM | ❌ 无 | ✅ Ollama | | 需要 GPU | ❌ | ✅ 推荐 | ## 系统要求 | 组件 | 最低要求 | 推荐配置 | |---|---|---| | 操作系统 | Ubuntu 22.04+ / Windows 10+ | Ubuntu 24.04 LTS | | Python | 3.10+ | 3.12 | | 内存 | 4 GB | 8 GB | | 存储 | 5 GB 可用空间 | 10 GB 可用空间 | | 浏览器 | Chrome / Chromium | 最新版 Chrome | ## 安装说明 ### 步骤 1 — 克隆代码库 ``` git clone https://github.com/jeet-ganguly/birdy-edwards-lite.git cd birdy-edwards-lite ``` ### 步骤 2 — 运行安装脚本 ``` chmod +x setup.sh ./setup.sh ``` 安装脚本将会： - 检查您的 Python 版本（需要 3.10+） - 安装系统构建依赖（cmake、build-essential 等） - 创建 Python 虚拟环境 - 编译并安装 dlib（5–10 分钟） - 安装 face_recognition 和模型 - 安装 Flask、SeleniumBase、Pillow、NumPy - 安装 Chrome 驱动 - 修补 face_recognition_models 以兼容 Python 3.12 - 创建所需目录 ### 步骤 3 — 启动应用 ``` source venv/bin/activate cd app python3 app.py ``` ### 步骤 4 — 打开 Web UI ``` http://localhost:5000 ``` ## Facebook 会话设置 Birdy-Edwards Lite 使用 **Cookie-Editor** 浏览器扩展来导入您的 Facebook 会话。没有 Selenium 登录提示，没有自动化账户交互。 1. 安装 Cookie-Editor： - [Chrome](https://chromewebstore.google.com/detail/cookie-editor/hlkenndednhfkekhgcdicdfddnkalmd) - [Firefox](https://addons.mozilla.org/en-US/firefox/addon/cookie-editor/) 2. 在 Facebook 上登录您的**专属调查账户** 3. 在 `facebook.com` 上点击 Cookie-Editor 图标 4. 点击 **Export → Export as JSON** 5. 前往 `http://localhost:5000` 6. 将复制的 JSON 粘贴到 **IMPORT COOKIES** 框中 7. 点击 **SAVE COOKIES** ## 运行调查 1. 前往 `http://localhost:5000` 2. 验证 cookie 状态栏显示 ✓ 绿色 3. 输入目标 Facebook 个人资料 URL 4. 选择扫描深度： - **Light** — 5 个帖子 / 5 个 Reels / 5 张照片 - **Medium** — 10 个帖子 / 10 个 Reels / 10 张照片 - **Deep** — 20 个帖子 / 20 个 Reels / 20 张照片 5. 点击 **LAUNCH PIPELINE** 6. 流水线叠加层将显示所有 8 个步骤的实时进度 7. 完成后，您将自动重定向到分析仪表板 ## 分析仪表板 仪表板在一个页面中呈现所有收集到的情报，无需任何服务器端的 AI 处理。 | 部分 | 显示内容 | |---|---| | **交互者注册表** | 所有交互者按总交互次数排名 | | **首要交互者** | 频率最高的单个交互者及其完整统计信息 | | **交互分布** | 环形图 — 照片 / Reels / 文本划分 | | **时间轴** | 交互的逐日堆叠条形图 | | **前 7 名优先目标** | 前 7 名交互者，带有关于数据的 VIEW 按钮 | | **网络图** | 力导向目标 ↔ 交互者图，支持全屏 | | **共同交互矩阵** | 显示谁同时出现的热力图，带阈值过滤 | | **共同交互力导向图** | 共现聚类视图，带阈值过滤，支持全屏 | | **人脸聚类树** | 检测到人员的频率级联树 | 点击任何节点或交互者行，将打开一个包含交互样本和个人资料链接的侧面板。 ## 疑难解答 **dlib 编译失败** 确保已安装 cmake 和 build-essential。运行 `sudo apt install cmake build-essential`，然后重试 `pip install dlib`。 **face_recognition 在 Python 3.12 上崩溃或报错** 安装脚本会自动修补 `face_recognition_models`。如果您是手动安装的，请运行： ``` source venv/bin/activate python3 -c " import sys, os path = os.path.join(sys.prefix, 'lib', f'python{sys.version_info.major}.{sys.version_info.minor}', 'site-packages') print(path) " ``` 然后检查 `face_recognition_models/__init__.py` 是否未引用 `pkg_resources`。 **流水线在数据收集阶段失败** 您的 cookie 可能已过期。请前往 `http://localhost:5000`，从 Cookie-Editor 重新导出，然后重新导入。 **未检测到人脸** Facebook CDN URL 会过期。人脸聚类仅在全新的流水线运行后，当图像 URL 仍然有效时才能正常工作。 **端口 5000 已被占用** 编辑 `app.py` 的最后一行：将 `port=5000` 更改为 `port=5001`，然后通过 `http://localhost:5001` 访问。 **数据库错误：no such table** 从主页删除该调查并启动新调查。Schema 会在首次使用时自动创建。 ## 致谢 - 灵感来源于 [Sherlock](https://github.com/sherlock-project/sherlock) 和 OSINT 研究社区 - [SeleniumBase](https://github.com/seleniumbase/SeleniumBase) — 不可检测的 Chrome 自动化 - [face_recognition](https://github.com/ageitgey/face_recognition) — 人脸检测和 128D 编码 - [D3.js](https://d3js.org) — 网络和力导向图渲染 - [Chart.js](https://www.chartjs.org) — 时间轴、环形图和条形图渲染 - [Flask](https://flask.palletsprojects.com) — Web 框架

标签：CNN卷积神经网络, ESC4, Facebook情报收集, Flask, GitHub, OSINT, Python, SeleniumBase, SOCMINT, 交互网络映射, 人员调查, 人脸聚类, 实时处理, 开源情报工具, 情报分析, 无Docker, 无LLM, 无云依赖, 无后门, 本地化部署, 浏览器自动化, 画像分析, 目标侧写, 社交网络分析, 网络图谱, 网络诊断, 自动化数据采集, 逆向工具