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

[Servlet&JSP] HttpSession会话管理
我们能够将会话期间必须共享的资料保存在HttpSession中,使之成为属性.假设用户关掉浏览器接受Cookie的功能.HttpSession也能够改用URL重写的方式继续其会话管理功能. HttpS ...
Android BlueDroid（二）：BlueDroid蓝牙开启过程init
关键词:bluedroid initNative enableNative BTIF_TASK BTU_TASKbt_hc_work_thread set_power preload GKI作 ...
【Android应用开发技术：基础构建】命令行下的Android应用开发
作者:郭孝星微博:郭孝星的新浪微博邮箱:allenwells@163.com 博客:http://blog.csdn.net/allenwells github:https://github.co ...
zzulioj--1813--good string(模拟)
1813: good string Time Limit: 1 Sec Memory Limit: 128 MB Submit: 93 Solved: 15 SubmitStatusWeb Boa ...
Mvc 返回文件直接下载
今天碰到一个问题,前端点击下载文件,后端判断文件是否存在,不存在则自动生成文件(图片),返回前端会自动下载文件网上查了一些 Mvc action中返回File类型设置一些contentType ...
Xfce4里添加登录后程序自动运行
Xfce4里添加登录后程序自动运行 (注意该方法在登录桌面环境后才会自动运行程序. 在XUbuntu下测试过, Ubuntu下应该是类似的) 方法1: 找到这个东西, 自动添加一下方法2: 在 .c ...
asp.net导出execl和图片
个人常用导出execl方法: #region "导出文档" /// <summary> /// Export("application/ms-excel&qu ...
WLAN RTT (IEEE 802.11mc)
WLAN RTT (IEEE 802.11mc) Android 9 中的 WLAN 往返时间 (RTT) 功能允许设备测量与其他支持设备的距离:无论它们是接入点 (AP) 还是 WLAN 感知对等设 ...
CMD和AMD的区别
CMD和AMD俩者之间的区别 AMD和CMD最大的区别是对依赖模块的执行时机处理不同 CMD和AMD都是CommonJS延伸而来的,CommonJS是随着node的出现而出现的,它是一个规范,用于定义 ...
MYSQL8.0的安装方法
1.下载zip安装包: MySQL8.0 For Windows zip包下载地址:https://dev.mysql.com/downloads/file/?id=476233,进入页面后可以不登录 ...

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