学习urllib2+BeautifulSoup:爬乌云所有厂商url列表

on under python
2 minute read

0x01 需要注意的事项:

1>Wooyun访问时不能有vpn,否则爬不到厂商列表.

https://www.wooyun.org/corps/page/1

(in vpn)

1

(not in vpn)

2

2>chrome的代理设置问题

系统安装了google的chrome浏览器,需要burp截chrome的包时会在里面设置代理,而chrome设置的代理即是系统的代理,而firefox设置的代理只是firefox浏览器的代理,并不影响系统的网络访问是否要经过firefox设置的代理,如果设置了chrome的代理如127.0.0.1:8080,事后忘记关闭,则会影响到系统中所有需要联网的程序.

3>urllib2 默认会使用环境变量 https_proxy来设置 HTTP

如果想在程序中明确控制 Proxy 而不受环境变量的影响,可以使用自己设置的代理,可以设置代理为空:

null_proxy_handler=urllib2.ProxyHandler({})
opener=urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)

这样就不会出现urllib2 error 101 refused的错误了,也可以将系统的127.0.0.1:8080的代理关掉.(linux中set命令可以看到https_proxy的值,https_proxy并不是vpn的ip)

5 7

4>sublimeREPL插件

在sublime text中有个sublimeREPL插件,f5快捷键可编译运行python脚本,然而就算系统设置了代理127.0.0.1:8080等,f5依然可以将使用了urllib2且没有加上面3行代码的python脚本成功执行,也许是sublimeREPL中默认的运行代码设置了自己的代理为空,且不影响系统代理https_proxy的值.

0x02 最后代码如下:

# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
#必须加上上面四行,否则各种编码的错误爆出
from bs4 import BeautifulSoup
import re
import urllib2
import urllib
from urlparse import *
def spider(uri):
    global all_list
    print uri
    null_proxy_handler=urllib2.ProxyHandler({})
    opener=urllib2.build_opener(null_proxy_handler)
    urllib2.install_opener(opener)
    req=urllib2.Request(uri)
    req.add_header('user-agent','Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)')
    response=urllib2.urlopen(req)
    html=response.read()
    soup=BeautifulSoup(html,"html.parser")
    for i in soup.find_all(rel="nofollow"):
        each=i.get_text()
        url=urlparse(each)
        url=url.scheme+"://"+url.netloc
        all_list.append(url)
    global temp
    global num_of_all_pages
    global static_uri
    temp+=1
    print "爬完第%d页".decode('utf-8') % temp
    if temp==1:
        static_uri=uri[0:-1]
        all_text=soup.get_text().decode('utf-8')
        p='共.*条(.*)页'.decode("utf-8")
        #这里使用u'共\d{3,4}条.*(\d{2,3})页.*'无法匹配到,可能是因为pattern为u'...'时,\d匹配不到数字
        se=re.search(re.compile(p),all_text)
        result1=se.group()
        print result1
        se1=re.search(re.compile(r'\d{3,4}.*(\d{2,3})'),result1)
        num_of_all_pages=int(se1.group(1))
    next_ur=temp+1
    next_uri=static_uri+"%s" % str(next_ur)
    print 'next_uri is %s' % next_uri
    print 'temp:%d' % temp
    print 'num_of_all_pages:%s' % num_of_all_pages
    if temp<num_of_all_pages:
    spider(next_uri)
all_list=[]
temp=0
num_of_all_pages=0
static_uri=""
spider("https://www.wooyun.org/corps/page/1")
print all_list
f=open("targets.txt","a+")
for each in all_list:
    f.write(each+'\n')
f.close()

0x03 用途

将得到的targets.txt用这个:

https://forum.90sec.org/forum.php?mod=viewthread&tid=9073里面的工具跑,等待接收sqli注入点的短信通知

本文代码链接:https://github.com/3xp10it/spider_wooyun

python, urllib, beautifulsoup
home
github
archive
category