150行超迷你爬虫tinycrawler实现-Ali0th

x
用微信扫描二维码
分享至好友和朋友圈

  众所周知信息收集是渗透测试最先且最重要一步,而且不仅渗透,平时做的很多事情都需要用到爬虫。所以我也自己经常写爬虫脚本。这一个是去年底时写的超迷你爬虫,一方面是有需要,一方面是写着玩,于是把代码使用各种装逼型写法缩到行数最少。之后也在不断地使用中优化,目前应该不会有太大的改动,也欢迎大家提 issue。

  简介

  Tiny Crawler 是一个 150 行代码实现的简单爬虫,是一个 python class 文件。它能够应付日常的渗透测试工作,因为它具备多种功能。

  代码的写法上,尽量让代码量少而精、通用、易用,以便于实现日常的大量爬虫需求。可以随时集成到其它工具当中。

  语言: python3

  行数:去掉注释约150行

  

对Python感兴趣的小伙伴,记得私信小编“007”领取全套Python资料哦。

  执行流程

  

  用法示例

  0 最基本用法

  直接两步,一步是初始化实例,一步是爬取,最后便可以通过实例中的 urls 变量看到爬取结果。默认为爬取深度为1的同源地址。

  def testphp_vulnweb(): url = "http://testphp.vulnweb.com/" webcrawler = Webcrawler(url) webcrawler.crawl() urls = webcrawler.urls print(urls)

  

  1 实现深度爬取

  可以看到,爬取的是同源的地址链接,并且对每个新的地址进行爬取,直到达到设定的层级深度为止。

  2 实现广度爬取

  def testphp_vulnweb(): url = "https://www.acunetix.com/" webcrawler = Webcrawler(url,2) webcrawler.crawl(None,False,None,True) urls = webcrawler.urls print(urls)

  

  可以看到,所有非同源的地址被爬取了出来。并且也是对每个新的地址进行爬取,直到达到设定的层级广度为止。

  3 复杂功能

  1. 代理

  2. 设置cookie

  3. 链接匹配

  4. 设定爬取数量

  5. 以正则的方式获取链接

  这些不一一介绍,下面以爬取的示例展示

  def testphp_vulnweb(): cookie = { 'Proxy-Connection' : 'keep-alive', 'Cache-Control' : 'max-age=0', 'Upgrade-Insecure-Requests' : '1', 'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', 'Accept' : 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8', 'Referer' : 'https://www.google.com.hk/', 'Accept-Encoding' : 'gzip, deflate', 'Accept-Language' : 'zh-CN,zh;q=0.9' } url = "http://testphp.vulnweb.com/" webcrawler = Webcrawler(url,2,"http://127.0.0.1:8081",cookie) match = {"css":False,"php":True} # 过滤含 css 的链接,但要 php 的 webcrawler.crawl(match,True,100,None,None) # 分别意思为: # 使用match过滤,同源,最多获取 100 个链接,不找新域名,爬取 html 标签 urls = webcrawler.urls print(urls)

  

  有时候,链接写在 js 中,而不是放在 html 的中,这个时候,就要通过正则的形式去获取。如上面的代码修改成下面的形式。

  webcrawler.crawl(None,True,100,None,"regex") 复制代码

  

  结果可以看到爬取到以匹配形式获取的链接。

  案例 : 目录遍历

  只要引用此模块便可快速爬取目录遍历的所有链接。

  from tinycrawler import Webcrawlerdef fetch(_url): webcrawler = Webcrawler(_url,5) webcrawler.crawl() print(webcrawler.urls)

  TODO

  因为平时还会有一些其它的需求,比如爬取时候,同一类型的相似地址爬取过多,或要根据页面内容来过滤链接等,所以本爬虫还在不断改进中。

  内容爬虫

  通过页面内容过滤链接

  根据页面内容匹配去重

  一些装逼型的代码写法说明

  为了将代码量和行数缩减到最少,脚本中包含了大量装逼型代码写法,下面罗列一些,仅供欣赏。

  1、检查已经存在的url

  # check for exist url source = self.urls if self.new_domain else self.website return [x for x in _urls if x not in self.urls and comp_netloc(x,source)]

  装逼写法有三,使用了 x if a else b x for x in 和 加 [] 返回list。

  2、循环爬取

  for dp in range(1,self.depth): urls_new = self.comp(set(self.flat_list(list(map(self.url_html,urls_new))))) if len(urls_new) == 0:break if verbose : print("[result]urls_new:{0},self.urls:{1}".format(urls_new,self.urls)) self.urls.extend(urls_new)

  装逼写法为这里使用 for 进行循环爬取的加载,当新地址为 0 时才退出。而新地址 urls_new使用了上面封装的 self.comp 方法进行比较提取。

  小编是一名6年工作经验的Python程序员,如果你对python感兴趣,大家可以在一起学习交流Python,小编也准备了一份python学习资料,从最基础的知识、游戏、网络安全、数据挖掘、爬虫、再到网络安全的项目实战的学习资料都有整理,希望能帮助你更好的学习python。

  这里是Python基地(556370268)

  

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

跟贴 跟贴 2 参与 2
© 1997-2020 网易公司版权所有 About NetEase | 公司简介 | 联系方法 | 招聘信息 | 客户服务 | 隐私政策 | 广告服务 | 网站地图 | 意见反馈 | 不良信息举报

小蜗牛IT

分享程序员日常和知识点

头像

小蜗牛IT

分享程序员日常和知识点

268

篇文章

670

人关注

列表加载中...
请登录后再关注
x

用户登录

网易通行证/邮箱用户可以直接登录:
忘记密码