您现在的位置是：首页 > 后端

当前栏目

Python入门：全站url爬取

Python 入门 url 爬取全站

2023-09-27 14:24:53 时间

作为一个安全测试人员，面对一个大型网站的时候，手工测试很有可能测试不全，这时候就非常需要一个通用型的网站扫描器。当然能直接扫出漏洞的工具也有很多，但这样你只能算是一个工具使用者，对于安全测试你还远远不够。这时候应该怎么做呢？对于那些大量且重复性工作，尽量能用工具实现就用工具实现，然后打包成自己的工具包。如今天的这个url爬取工具。当我们把整站url都爬取出来之后，可以对url进行分析分类，然后有针对性的进行手工测试。

注：此方法只能爬取网页链接性的url，不能爬取js动态生成的url

#python3.5

#urlScan.py

#Author：FrankHacker




import requests

import re





def url_is_correct():

    '''

    使用requests.get方法判断url是否正确,并返回url

    :return:

    '''

    try:

        url = input("Please input the target test url:")

        #url = "http://10.70.18.47:8080" 这是我内网环境的测试地址

        requests.get(url)

        return url

    except:

        print('please input the correct url!!!')

        #exit(-1)   #如果url是固定写入的，那么必须添加此句，否则会一直循环

    return url_is_correct()



url = url_is_correct()   #将验证为正确的url地址赋值给url


def url_protocol(url):

    '''

    获取输入的url地址的协议，是http、https等

    '''

    print('该站使用的协议是：' + re.findall(r'.*(?=://)',url)[0])

    return re.findall(r'.*(?=://)',url)[0]



urlprotocol = url_protocol(url)



def same_url(url):

    '''

    处理用户输入的url，并为后续判断是否为一个站点的url做准备，爬取的时候不能爬到其它站，那么爬取将无止境

    :return: sameurl

    '''

    #将完整的url中的http://删除

    url = url.replace(urlprotocol + '://','')

    #判断删除http://之后的url有没有www，如果没有就加上‘www.’，但不存储，

    #只是为了同化所有将要处理的url，都有了‘www.’之后，

    #就可以找以‘www.’开始的到第一个‘/’结束中的所有字符串作为该站的主域名

    if re.findall(r'^www',url) == []:

        sameurl = 'www.' + url

        if sameurl.find('/') != -1:

            sameurl = re.findall(r'(?<=www.).*?(?=/)', sameurl)[0]

        else:

            sameurl = sameurl + '/'

            sameurl = re.findall(r'(?<=www.).*?(?=/)', sameurl)[0]

    else:

        if url.find('/') != -1:

            sameurl = re.findall(r'(?<=www.).*?(?=/)', url)[0]

        else:

            sameurl = url + '/'

            sameurl = re.findall(r'(?<=www.).*?(?=/)', sameurl)[0]

    print('同站域名地址：' + sameurl)

    return sameurl



domain_url = same_url(url)



'''

处理url的类，对已访问过的和未访问过的进行记录，待后续使用

'''

class linkQuence:

    def __init__(self):

        self.visited = []    #已访问过的url初始化列表

        self.unvisited = []  #未访问过的url初始化列表



    def getVisitedUrl(self):  #获取已访问过的url

        return self.visited

    def getUnvisitedUrl(self):  #获取未访问过的url

        return self.unvisited

    def addVisitedUrl(self,url):  #添加已访问过的url

        return self.visited.append(url)

    def addUnvisitedUrl(self,url):   #添加未访问过的url

        if url != '' and url not in self.visited and url not in self.unvisited:

            return self.unvisited.insert(0,url)



    def removeVisited(self,url):

        return self.visited.remove(url)

    def popUnvisitedUrl(self):    #从未访问过的url中取出一个url

        try:                      #pop动作会报错终止操作，所以需要使用try进行异常处理
            return self.unvisited.pop()

        except:

            return None

    def unvisitedUrlEmpty(self):   #判断未访问过列表是不是为空

        return len(self.unvisited) == 0



class Spider():

    '''

    真正的爬取程序

    '''

    def __init__(self,url):

        self.linkQuence = linkQuence()   #引入linkQuence类

        self.linkQuence.addUnvisitedUrl(url)   #并将需要爬取的url添加进linkQuence对列中

        self.current_deepth = 1    #设置爬取的深度

        '''

        这里需要注意:

        爬取分为：***先深度后广度***和***先广度和后深度***

        1、如果是先深度后广度，那么给定一个url，然后从其页面中的任意一个可用链接进行深度爬取，很可能无限至循环下去

        （在处理不当的时候，但一般情况下大家都会处理的很好，无非是判断哪些url是已经爬取过的，哪些是新爬取到的url）

        2、如果是先广度后深度，就是将一个url页面中的所有链接进行爬取，然后分类处理过滤

        （在这种处理不当的时候也会出现无限循环的可能，但一般情况下大家都会处理的很好，无非是判断哪些url是已经爬取过的，哪些是新爬取到的url）

        '''

    def getPageLinks(self,url):

        '''

        获取页面中的所有链接

        '''

        pageSource = requests.get(url).text

        pageLinks = re.findall(r'(?<=href=\").*?(?=\")|(?<=href=\').*?(?=\')',pageSource)

        #self.page_links = self.page_links + pageLinks

        #print(self.page_links)

        for l in pageLinks:

            print(url + '该页面的源码链接有：' + l)

        #for l in self.page_links:

        #    print(url + '该页面的源码链接有：' + l)

        #return self.page_links

        return pageLinks



    def processUrl(self,url):

        '''

        判断正确的链接及处理相对路径为正确的完整url

        :return:

        '''

        true_url = []

        for l in self.getPageLinks(url):

            if re.findall(r'/',l):

                if re.findall(r':',l):

                    true_url.append(l)

                else:

                    true_url.append(urlprotocol + '://' + domain_url + l)

        #print(trueUrl)

        for l in true_url:

            print(url + '该url页面源码中，有效url：' + l)

        return true_url



    def sameTargetUrl(self,url):

        '''

        判断是否为同一站点链接，防止爬出站外，然后导致无限尝试爬取

        '''

        same_target_url = []

        for l in self.processUrl(url):

            if re.findall(domain_url,l):

                same_target_url.append(l)

        #print(self.same_target_url)

        for l in same_target_url:

            print(url + '该url页面源码中属于同一域的url有：' + l)

        return same_target_url



    def unrepectUrl(self,url):

        '''

        删除重复url

        '''

        unrepect_url = []

        for l in self.sameTargetUrl(url):

            if l not in unrepect_url:

                unrepect_url.append(l)

        for l in unrepect_url:

            print(url + '该url下不重复的url有------：' + l)

        #print(self.unrepect_url)

        return unrepect_url



    def crawler(self,crawl_deepth=1):

        '''

        正式的爬取，并依据深度进行爬取层级控制

        '''

        while self.current_deepth <= crawl_deepth:

            while not self.linkQuence.unvisitedUrlEmpty():

                visitedUrl = self.linkQuence.popUnvisitedUrl()

                #print(visitedUrl)

                if visitedUrl is None or visitedUrl == '':

                    continue

                #self.getPageLinks(visitedUrl)

                links = self.unrepectUrl(visitedUrl)

                self.linkQuence.addVisitedUrl(visitedUrl)

                for link in links:

                    self.linkQuence.addUnvisitedUrl(link)

            self.current_deepth += 1

        print(self.linkQuence.visited)

        return self.linkQuence.visited




if __name__ == '__main__':

    spider = Spider(url)

    spider.crawler(2)

扫描http://www.baidu.com的结果

猜你喜欢

Google JavaScript 语言规范
以人为本：新时代的CIO创新法则
react与node结合
[LeetCode] 401. Binary Watch 二进制表
Grails用CONSOLE测试，比写集成测试还快
MySQL - InnoDB 存储引擎优化及事务优化
PC安装Android TV x86 9.0 常见问题汇总
python nose测试框架全面介绍四
软件架构设计的六大原则
Prometheus监控学习笔记之PromQL 内置函数
Word2010插入页码分节符
【论文笔记】Next-ViT: Next Generation Vision Transformer for Efficient Deployment in Realistic Industrial
解析大型.NET ERP系统架构设计 Framework+ Application 设计模式
20180507记事
已解决 nested exception is org.springframework.boot.web.server.WebServerExcepti
IOS UI 2013-8-9学习笔录

相关主题

Python入门-函数
开始学习Python
Python练习3
h5 Python_python做h5网站
python 爬虫笔记
python入门-字典
python入门-列表
Python入门介绍

zl程序教程

当前栏目

Python入门：全站url爬取

扫描http://www.baidu.com的结果

相关文章