Python爬虫进行Web数据挖掘总结和分析

安静的聆听

0x01 Web数据挖掘类型
利用Python爬虫进行Web数据挖掘已经越来越普遍，网上的各种Python爬虫资料教程比较多，但是很少有人对Web数据挖掘进行系统地总结和分析。

从目标上来讲，Web数据挖掘分为三类。最常见的是对于网站内容的爬取，包括文本、图片和文件等；其次是对于网站结构的爬取，包括网站目录，链接之间的相互跳转关系，二级域名等；还有一种爬虫是对于Web应用数据的挖掘，包括获取网站CMS类型，Web插件等。

0x02 网站内容挖掘
网站内容挖掘应用最广，最为常见，网上的Python爬虫资料大多也都属于这类。爬取下的内容也可用于很多方面。

Python编写这类爬虫的常见思路就是利用request或urllib2库定制请求，利用BeautifulSoup对原始网页进行解析，定位特定html标签，寻找目标内容。如果要提高性能，可以利用threading启用多线程，gevent启用协程（在windows上使用可能会有些问题），也可以用multiprocessing启动多进程。multiprocessing能突破python的GIL全局解释器锁的限制。其他的一些技巧可以看我的另一篇博客：常见的反爬虫和应对方法?

这类爬虫资料实在太多，在这里不再赘述了。

0x03 网站结构挖掘
网站结构挖掘并不是很常见，但在一些特殊的应用场景，我们也会用到。例如对于Web漏洞扫描器，爬取网站整站目录，获取二级域名是极为重要的。在第一类网站内容挖掘中，有时也需要将目标网站某个页面（通常是首页）作为入口，对整个网站所有内容进行获取和分析，这种情况下就需要对网站结构进行分析。

对于网站目录爬取，需要考虑的一个重要问题就是爬虫性能。通常网站的页面会比较多，如果直接获取所有目录，可能会耗费大量时间。另外，对于网站链接的搜索策略对爬虫的性能也会产生很大影响。一般情况下，我们会采用广度优先搜索，从入口页面开始，获取该页面内所有链接，并判断链接是否是站内链接，是否已经爬取过。为了提高速度，可以对链接进行归纳，将/page.php?id=1与/page.php?id=2认为是同一类型链接，不进行重复爬取。简单实现代码如下：

  1 # coding=utf-8
  2 '''
  3 爬取网站所有目录
  4 Author: bsdr
  5 Email: 123456789@qq.com
  6 '''
  7 import urllib2
  8 import re
  9 from BeautifulSoup import BeautifulSoup
10 import time
11
12 t = time.time()
13
14 HOST = ''
15 CHECKED_URL = []  # 已检测的url规则
16 CHECKING_URL = []  # 待检测的url
17 RESULT = []  # 检测结果
18 RETRY = 3  # 重复尝试次数
19 TIMEOUT = 2  # 超时
20
21
22 class url_node:
23     def __init__(self, url):
24         '''
25         url节点初始化
26         :param url: String, 当前url
27         :return:
28         '''
29         # self.deep = deep
30         self.url = self.handle_url(url, is_next_url=False)
31         self.next_url = []
32         self.content = ''
33
34
35     def handle_url(self, url, is_next_url=True):
36         '''
37         将所有url处理成标准格式
38
39         :param url: String
40         :param is_next_url:  Bool, 判断传入的url是当前需要检测的url还是下一层url
41         :return: 返回空或错误信息或正确url
42         '''
43         global CHECKED_URL
44         global CHECKING_URL
45
46         # 去掉结尾的’/‘
47         url = url[0:len(url) - 1] if url.endswith('/') else url
48
49         if url.find(HOST) == -1:
50             if not url.startswith('http'):
51                 url = 'http://' + HOST + url if url.startswith('/') else 'http://' + HOST + '/' + url
52             else:
53                 # 如果url的host不为当前host，返回空
54                 return
55         else:
56             if not url.startswith('http'):
57                 url = 'http://' + url
58
59         if is_next_url:
60             # 下一层url放入待检测列表
61             CHECKING_URL.append(url)
62         else:
63             # 对于当前需要检测的url
64             # 将其中的所有参数替换为1
65             # 然后加入url规则表
66             # 参数不同，类型相同的url，只检测一次
67             rule = re.compile(r'=.*?&|=.*?$')
68             result = re.sub(rule, '=1&', url)
69             if result in CHECKED_URL:
70                 return '[!] Url has checked!'
71             else:
72                 CHECKED_URL.append(result)
73                 RESULT.append(url)
74
75         return url
76
77
78     def __is_connectable(self):
79         # 验证是否可以连接
80         retry = 3
81         timeout = 2
82         for i in range(RETRY):
83             try:
84                 response = urllib2.urlopen(self.url, timeout=TIMEOUT)
85                 return True
86             except:
87                 if i == retry - 1:
88                     return False
89
90
91     def get_next(self):
92         # 获取当前页面所有url
93         soup = BeautifulSoup(self.content)
94         next_urls = soup.findAll('a')
95         if len(next_urls) != 0:
96             for link in next_urls:
97                 self.handle_url(link.get('href'))
98
99
100     def run(self):
101         if self.url:
102             print self.url
103             if self.__is_connectable():
104                 try:
105                     self.content = urllib2.urlopen(self.url, timeout=TIMEOUT).read()
106                     self.get_next()
107                 except:
108                     print('[!] Connect Failed')
109
110
111 class Poc:
112     def run(self, url):
113         global HOST
114         global CHECKING_URL
115         url = check_url(url)
116
117         if not url.find('https'):
118             HOST = url[8:]
119         else:
120             HOST = url[7:]
121
122         for url in CHECKING_URL:
123             print(url)
124             url_node(url).run()
125
126
127 def check_url(url):
128     url = 'http://' + url if not url.startswith('http') else url
129     url = url[0:len(url) - 1] if url.endswith('/') else url
130
131     for i in range(RETRY):
132         try:
133             response = urllib2.urlopen(url, timeout=TIMEOUT)
134             return url
135         except:
136             raise Exception("Connect error")
137
138
139 if __name__ == '__main__':
140     HOST = 'www.hrbeu.edu.cn'
141     CHECKING_URL.append('http://www.hrbeu.edu.cn/')
142     for url in CHECKING_URL:
143         print(url)
144         url_node(url).run()
145     print RESULT
146     print "URL num: "+str(len(RESULT))
147     print "time: %d s" % (time.time() - t)
对于二级域名的获取，如果直接从主站爬取的链接中寻找，效率很低而且结果可能并不能让人满意。目前获取二级域名有三种常用方法，第一种是利用域名字典进行猜解，类似于暴力破解。第二种种是利用各种二级域名查询接口进行查询，例如bing的查询接口如下，domain为根域名：

http://cn.bing.com/search?count=50&q=site:domain&first=1
link的二级域名查询接口为：

http://i.links.cn/subdomain/?b2=1&b3=1&b4=1&domain=domain
aleax的二级域名查询接口为：

http://alexa.chinaz.com/?domain=domain
由这些接口都能直接查询到指定根域名的二级域名，这里就不附代码了。

还有一种获取二级域名的方法是通过搜索引擎直接搜索，如百度搜索：inurl:domain 或 site:domain。这种方法比较慢。具体代码如下：

  1 # coding=utf-8
  2 '''
  3 利用百度搜索二级域名
  4 Author： bsdr
  5 Email：123456789@qq.com
  6 '''
  7
  8
  9 import urllib2
10 import string
11 import urllib
12 import re
13 import random
14 from url_handle import split_url
15
16 user_agents = ['Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20130406 Firefox/23.0',
17         'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:18.0) Gecko/20100101 Firefox/18.0',
18         'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/533+ (KHTML, like Gecko) Element Browser 5.0',
19         'IBM WebExplorer /v0.94', 'Galaxy/1.0 [en] (Mac OS X 10.5.6; U; en)',
20         'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0)',
21         'Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14',
22         'Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/6.0 Mobile/10A5355d Safari/8536.25',
23         'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1468.0 Safari/537.36',
24         'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0; Trident/5.0; TheWorld)']
25
26
27 def baidu_search(keyword,pn):
28     p=  urllib.urlencode({'wd':keyword})
29     print(p)
30     req = urllib2.Request(("http://www.baidu.com/s?"+p+"&pn={0}&cl=3&rn=10").format(pn))
31     req.add_header('User-Agent', random.choice(user_agents))
32     try:
33         res=urllib2.urlopen(req)
34         html=res.read()
35     except:
36         html = ''
37     return html
38
39
40 def getList(regex,text):
41     arr = []
42     res = re.findall(regex, text)
43     if res:
44         for r in res:
45             arr.append(r)
46     return arr
47
48
49 def getMatch(regex,text):
50     res = re.findall(regex, text)
51     if res:
52         return res[0]
53     return ''
54
55
56 def is_get(url):
57
58     regex=r'(S*?)?.*=.*'
59     res=re.match(regex,url)
60     if res:
61         return res.group(1)
62     else:
63         return 0
64
65
66 def geturl(domain,pages=10):
67     keyword = 'site:.'+domain
68     targets = []
69     hosts=[]
70     for page in range(0,int(pages)):
71         pn=(page+1)*10
72         html = baidu_search(keyword,pn)
73         content = unicode(html, 'utf-8','ignore')
74         arrList = getList(u"<div class="f13">(.*)</div>", content)
75
76         for item in arrList:
77             regex = u"data-tools='{"title":"(.*)","url":"(.*)"}'"
78             link = getMatch(regex,item)
79             url=link[1]
80             try:
81                 domain=urllib2.Request(url)
82                 r=random.randint(0,11)
83                 domain.add_header('User-Agent', user_agents[r])
84                 domain.add_header('Connection','keep-alive')
85                 response=urllib2.urlopen(domain)
86                 uri=response.geturl()
87                 urs = split_url.split(uri)
88
89                 if (uri in targets) or (urs in hosts) :
90                     continue
91                 else:
92                     targets.append(uri)
93                     hosts.append(urs)
94                     f1=open('data/baidu.txt','a')
95                     f1.write(urs+'n')
96                     f1.close()
97             except:
98                 continue
99     print "urls have been grabed already!!!"
100     return hosts
101
102
103 if __name__ == '__main__':
104     print(geturl("cnblogs.com"))
0x04 Web应用数据挖掘
这种数据挖掘方式主要针对Web自身，旨在获取Web应用信息/Web指纹，在Web安全领域应用较多，这类代表有zoomeye、sodan等。通过获取大范围的Web应用信息，Web应用类型、版本，Web插件信息等，能够对大范围内的Web安全状况进行评估，分析特定漏洞在全球范围内造成的影响。当然也可以利用特定漏洞对大范围的Web应用进行定向攻击。

在这里我们不讨论那种大范围的扫描，我们只以CMS识别为例来简单说明Web应用数据的挖掘。CMS识别旨在判别网站所采用的CMS（内容管理系统，如WordPress），为后续的插件检测或漏洞检测做准备。

CMS识别一般从4个方面进行检测：检测特定目录是否存在；比对特定文件MD5；检测HTML页面中的关键字；检测robots文件。另外，一个巨大的CMS指纹库是保证识别效率的关键，如果指纹库太小，实际效果并不会很好。但是如果指纹库太大，又会影响到识别的速率。我搜集了一些简单的CMS指纹，写了一个简单的CMS识别脚本。代码如下：

  1 # coding:utf-8
  2 '''
  3 CMS识别
  4 Author: bsdr
  5 Email: 123456789@qq.com
  6 '''
  7 import Queue
  8 import re
  9 import os
10 import time
11 import requests
12 import threading
13 import urllib2
14 import hashlib
15 import sys
16 from config import POC_PATH
17
18 t = time.time()                  # 起始时间
19
20 event = threading.Event()        # 全局event，用来控制线程状态
21
22 RETRY = 3                        # 验证url时尝试次数
23 TIMEOUT = 3                      # 超时
24 THREADS = 300                    # 开启的线程数
25 CMS_PATH = os.path.join(POC_PATH, 'CMS2')              # CMS指纹文件目录
26
27 CMS = 'Unknown'
28 HEADER = {'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 5.1; '
29                         'en-US; rv:1.9.1.11) Gecko/20100701 Firefox/3.5.11'}
30
31
32 class Cms:
33     def __init__(self, url, line):
34         self.url = url
35         self.line = line
36         print line
37
38
39     # 检测文件md5
40     def _get_md5(self, file):
41         m = hashlib.md5()
42
43         try:
44             m.update(file)
45         except:
46             while True:
47                 data = file.read(10240)          # 避免文件太大，内存不够
48                 if not data:
49                     break
50                 m.update(data)
51
52         return m.hexdigest()
53
54
55     # 检测每一行指纹
56     def check(self):
57             global CMS
58             global event
59             cms = re.findall(r'(.*?)|', self.line)
60             path = cms[0]
61             cms_name = cms[1]
62             keyword = cms[2]
63             content = ''
64
65             try:
66                 response = requests.get(self.url+path)
67                 if response.status_code == 200:
68                     content = response.content
69             except:
70                 try:
71                     content = urllib2.urlopen(self.url+path, timeout=TIMEOUT).read()
72                 except:
73                     pass
74
75             if content is not None and content != '':
76
77                     if len(cms) == 3 and content.find(keyword) != -1:
78                         CMS = cms_name
79                         print cms
80                         event.set()             # 识别出cms后，改变event状态
81
82                     elif len(cms) == 4 and self._get_md5(content) == cms[3]:
83                         CMS = cms_name
84                         event.set()
85                         print cms
86
87
88
89 # 创建线程类，定义自己的线程
90 class myThread(threading.Thread):
91     def __init__(self, q, thread_id):
92         threading.Thread.__init__(self)
93         self.q = q
94         self.thread_id = thread_id
95
96
97     def run(self):
98         global event
99         while not self.q.empty():
100             # 检测event状态判断线程是否执行
101             if event.is_set():
102                 print "n[+] stop threading " + str(self.thread_id)
103                 break
104             print "n threading " + str(self.thread_id) + " is running"
105             objects = self.q.get()
106             objects.check()
107
108
109 # 初始化url，并验证是否可以连接
110 def check_url(url):
111     url = 'http://' + url if url.startswith('http') == False else url
112     url = url[0:len(url) - 1] if url.endswith('/') else url
113
114     for i in range(RETRY):
115             try:
116                 response = urllib2.urlopen(url, timeout=TIMEOUT)
117                 if response.code == 200:
118                     return url
119             except:
120                 raise Exception("Connect error")
121
122
123 # 遍历指定目录下所有文件的每一行
124 def load_cms():
125     cms_list = []
126
127     for root, dirs, files in os.walk(CMS_PATH):
128         for f in files:
129             fp = open(CMS_PATH + f, 'r')
130             content = fp.readlines()
131             fp.close()
132             for line in content:
133                 if line.startswith('/'):
134                     line = line.strip('n')
135                     cms_list.append(line)
136
137     return cms_list
138
139
140 # 创建线程
141 def main(url):
142     global CMS
143     url = check_url(url)
144     cms_list = load_cms()
145     assert len(cms_list) > 0
146     work_queue = Queue.Queue()
147
148     # 装载任务
149     for path in cms_list:
150         work_queue.put(Cms(url, path))
151     threads = []
152     nloops = range(THREADS)
153
154     # 启动线程
155     for i in nloops:
156         t = myThread(work_queue, i)
157         t.start()
158         threads.append(t)
159
160     for i in nloops:
161         t.join()
162
163     #return True, CMS
164
165 class Poc:
166     def run(self,target):
167         main(target)
168         cms = CMS
169         if cms == 'Unknown':
170             return cms, False
171         else:
172             return cms, True
173
174 if __name__ == '__main__':
175     cms, is_succes = Poc().run('software.hrbeu.edu.cn')
176     print '[!] CMS ==> %s' % cms
177     print '[!] 用时：%f s' % (time.time()-t)
0x05 总结
作者：BSDR