python爬取全站链接

797次阅读
没有评论
python爬取全站链接

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)

神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

相关文章:

版权声明:Python教程2022-10-25发表,共计4873字。
新手QQ群:570568346,欢迎进群讨论 Python51学习