首页 > > 网络编程 > 其它 >

Python爬虫进行Web数据挖掘总结和分析！这是我见…

2018-08-17 09:46:58来源：博客园阅读 ()

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。

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。

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。

这类爬虫资料实在太多，在这里不再赘述了。

进群：548377875 即可获取数十套PDF哦！

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: 1340447902@qq.com

6 '''

7 import urllib2

8 import re

9 from BeautifulSoup import BeautifulSoup

10 import time

12 t = time.time()

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

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 = ''

35 def handle_url(self, url, is_next_url=True):

36 '''

37 将所有url处理成标准格式

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

46 # 去掉结尾的’/‘

47 url = url[0:len(url) - 1] if url.endswith('/') else url

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

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)

75 return url

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

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'))

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：1320227902@qq.com

6 '''

9 import urllib2

10 import string

11 import urllib

12 import re

13 import random

14 from url_handle import split_url

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)']

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

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

49 def getMatch(regex,text):

50 res = re.findall(regex, text)

51 if res:

52 return res[0]

53 return ''

56 def is_get(url):

58 regex=r'(S*?)?.*=.*'

59 res=re.match(regex,url)

60 if res:

61 return res.group(1)

62 else:

63 return 0

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)

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)

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+' ')

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: 1340447902@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

18 t = time.time() # 起始时间

20 event = threading.Event() # 全局event，用来控制线程状态

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

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'}

32 class Cms:

33 def __init__(self, url, line):

34 self.url = url

35 self.line = line

36 print line

39 # 检测文件md5

40 def _get_md5(self, file):

41 m = hashlib.md5()

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)

52 return m.hexdigest()

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 = ''

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

75 if content is not None and content != '':

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

82 elif len(cms) == 4 and self._get_md5(content) == cms[3]:

83 CMS = cms_name

84 event.set()

85 print cms

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

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 " [+] stop threading " + str(self.thread_id)

103 break

104 print " [*] 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(' ')

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

以上内容全部由我自己编写爬虫的经验总结而来，如有问题，欢迎指正。