Python爬虫进行Web数据挖掘总结和分析

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。

Python爬虫进行Web数据挖掘总结和分析

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: 1340447902@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:1320227902@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: 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
 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

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。

作者:BSDR

链接:http://www.cnblogs.com/bsdr/p/5419680.html

本文出处:BSDR,链接:http://www.cnblogs.com/bsdr/p/5419680.html,采用「CC BY-SA 4.0 CN」协议转载学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请联系「我们」处理。

发表评论

登录后才能评论

联系我们

如有建议:>>给我留言

大数据交流群

统  计  学 数据分析网-统计学

商业智能 数据分析网-商业智能

数据挖掘 数据分析-数据挖掘

数据产品 数据分析网-数据产品

QR code