Python入门：全站url爬取

2023年3月18日 193次阅读来源: foryouslgme

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

    原文作者：foryouslgme
    原文地址: https://blog.csdn.net/foryouslgme/article/details/52242653
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。