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)

www.baidu.com的结果

Python入门：全站url爬取的更多相关文章

Python入门,以及简单爬取网页文本内容
最近痴迷于Python的逻辑控制,还有爬虫的一方面,原本的目标是拷贝老师上课时U盘的数据.后来发现基础知识掌握的并不是很牢固.便去借了一本Python基础和两本爬虫框架的书.便开始了自己的入坑之旅言 ...
python爬虫入门10分钟爬取一个网站
一.基础入门 1.1什么是爬虫爬虫(spider,又网络爬虫),是指向网站/网络发起请求,获取资源后分析并提取有用数据的程序. 从技术层面来说就是通过程序模拟浏览器请求站点的行为,把站点返回的HT ...
教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神
本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http://www.xiaohuar.com/,让你体验爬取校花的成就感. Scr ...
【转载】教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神
原文:教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http:/ ...
Python爬虫实例：爬取豆瓣Top250
入门第一个爬虫一般都是爬这个,实在是太简单.用了 requests 和 bs4 库. 1.检查网页元素,提取所需要的信息并保存.这个用 bs4 就可以,前面的文章中已经有详细的用法阐述. 2.找到下一 ...
Python爬虫实例：爬取B站《工作细胞》短评——异步加载信息的爬取
很多网页的信息都是通过异步加载的,本文就举例讨论下此类网页的抓取. <工作细胞>最近比较火,bilibili 上目前的短评已经有17000多条. 先看分析下页面右边 li 标签中的就是短 ...
Python爬虫实例：爬取猫眼电影——破解字体反爬
字体反爬字体反爬也就是自定义字体反爬,通过调用自定义的字体文件来渲染网页中的文字,而网页中的文字不再是文字,而是相应的字体编码,通过复制或者简单的采集是无法采集到编码后的文字内容的. 现在貌似不少网 ...
Scrapy 框架 CrawlSpider 全站数据爬取
CrawlSpider 全站数据爬取创建 crawlSpider 爬虫文件 scrapy genspider -t crawl chouti www.xxx.com import scrapy fr ...
Python爬虫教程-17-ajax爬取实例（豆瓣电影）
Python爬虫教程-17-ajax爬取实例(豆瓣电影) ajax: 简单的说,就是一段js代码,通过这段代码,可以让页面发送异步的请求,或者向服务器发送一个东西,即和服务器进行交互对于ajax: ...

随机推荐

【翻译自mos文章】开启dblink的 oracle net trace/tracing --对dblink进行跟踪的方法
开启dblink的 oracle net trace/tracing --对dblink进行跟踪的方法. 參考原文: DBLINK: How to Enable Oracle Net Tracing ...
android常用控件的使用方法
引言 xml很强大 TextView <TextView android:id="@+id/text_view" android:layout_width="mat ...
dns-sd._udp.<domain>. 域名发现本质和MDNS同
DNS Service Discovery is a way of using standard DNS programming interfaces, servers, and packet for ...
hdoj--3552--I can do it!(贪心模拟)
I can do it! Time Limit: 2000/2000 MS (Java/Others) Memory Limit: 65535/32768 K (Java/Others) Tot ...
django 笔记13 CSRF
CSRF a. CSRF原理 b. 无CSRF时存在隐患 c. Form提交(CSRF) d. Ajax提交(CSRF) CSRF请求头 x-CSRFToken HTTP_X_CSRFToken dj ...
Deleting elements
There are several ways to delete elements from a list. If you know the index of the element you want ...
实时监控Cat之旅~配置Cat集群需要注意的问题
在配置cat集群时,有一些设置是我们应该注意的,从它的部署文档中我们可以看到相关信息,但说的还不够明确和重要,大叔今天总结一下Cat集群配置的注意事项 1 服务端datasources.xml用来设置 ...
The evolution of cluster scheduler architectures--转
原文地址:http://www.firmament.io/blog/scheduler-architectures.html cluster schedulers are an important c ...
KafkaProducer的整体逻辑
概述 KafkaProducer是用户向kafka servers发送消息的客户端.官网上对producer的记载如下: Kafka所有的节点都可以应答metadata的请求,这些metadata中包 ...
day01-Python介绍，安装，idea
一． python 简介 Python,读作['paɪθɑn],翻译成汉语是蟒蛇的意思,Python 的 logo 也是两条缠绕在一起的蟒蛇的样子,然而 Python 语言和蟒蛇实际上并没有一毛钱关系 ...

Python入门：全站url爬取

扫描http://www.baidu.com的结果

Python入门：全站url爬取的更多相关文章

随机推荐

热门专题