爬虫技术实战

◆0 前言



项目开源地址: https://github.com/manning23/MSpider

上篇文章《爬虫技术浅析》介绍了爬虫的基本技术，分享了一个动态爬虫demo。这篇文章主要讲解爬虫技术的实战效果。 本次介绍的结果如下：

[*]1.爬虫的URL聚焦与过滤

[*]2.URL相似度算法抛砖引玉

[*]3.爬行策略详解

[*]4.Mspider工具使用说明及效果展示

[*]5.Mspider的头脑风暴

◆1 爬虫的URL聚焦与过滤



为什么爬虫需要URL聚焦与过滤？因为我们需要控制预期结果！

举个例子，如果爬行的目的是爬取乌云已知漏洞列表，那么一般类型的爬虫是无法满足的，一般爬虫会进行如下形式的爬取。爬取的URL是杂乱的。

图片：2015040301222360818.png

聚焦爬虫爬取的URL是符合预期的。如下图展示。

图片：2015040301222360818.png

可以看出来，聚焦爬虫和非聚焦爬虫都是从www.wooyun.org开始爬取，聚焦爬虫可以按照一定策略尽量控制URL爬取策略，而非聚焦爬虫却完成不了这种特定需求。

在爬虫过滤模块中，我们需要理解什么是过滤，什么是聚焦。简单的说，如果过滤关键字在url中，则返回False，否则返回True。如果聚焦关键字在url中，则返回True，否则返回False。具体可以查看Mspider中的urlfilter.py文件。

◆2 URL相似度算法抛砖引玉



URL相似度算法在爬虫里不言而喻，这个算法直接决定着爬虫的爬行效率，我将讲解一下我的算法，算是抛砖引玉。

图片：2015040301222360818.png

这个算法主要是依靠对URL的拆解与对拆解对象的HASH，这个算法适用类似的需求常见。这个算法是将一个URL拆解为三个维度，第一个维度是netloc，第二个维度是path的各项长度，第三个维度是query对象的参数排序后列表。通过一个数据结构对以上三个维度组合，构建一个可hash的对象。

图片：2015040301222360818.png

利用集合数据结构进行去重，这个能大幅减小普通URL相似度算法对于hash后结果冲突的问题。实际效果如下图。

图片：2015040301222360818.png

当爬取了875个链接时，实际相似页面已达到了269849个，因此对于爬虫效率来讲，是个很好的提升。

这个算法只是实际经验值，实践后得到良好的实际效果，希望大家也能思考更为优秀的相似度算法。

◆3 爬行策略详解



一般爬行策略为广度优先、深度优先。深度优先搜索通过栈来实现，而广度优先搜索通过队列来实现。

下面图中的数字显示了深度优先搜索顶点被访问的顺序。  

图片：2015040301222360818.png

下面图中的数字显示了广度优先搜索顶点被访问的顺序。

图片：2015040301222360818.png

Mspider中实现爬行策略，这三种搜索方式都是通过对URL队列的排序方式进行调整，通过队列中URL结点的深度参数进行调整，来达到需求目的，爬行策略根据不同需求设置，能更快的发现可疑URL链接。

图片：2015040301222360818.png

上图当爬行了810个链接时，实际爬行的深度已达到了15层。在实际测试过程中，深度优先爬行能更好的发现可疑链接。

◆4 Mspider工具使用说明及效果展示



Mspider是本人开发的一个以CLI方式运行的爬虫工具。此爬虫实现了如下功能。希望大家多多star和fork。也欢迎大家随时给我邮箱发送邮件提bug。

图片：2015040301222360818.png

CLI下展示如下：

图片：2015040301222360818.png

此爬虫还可以通过文件的config.py进行更详细的配置，比如爬行间隔，忽略标签列表，动静分配比例，user-agent字典等。

图片：2015040301222360818.png

提供几个测试场景：

爬行乌云白帽子列表


命令：

#!bash
python run.py -u "http://www.wooyun.org" -k "wooyun.org" --focus "whitehats" --similarity 1 --storage 3

效果：

图片：2015040301222360818.png

深度优先爬行edu站点，进行url相似度过滤，爬行个数为500个


命令：

#!bash
python -u run.py "http://www.njtu.edu.cn/" -k "edu.cn" --policy 1 --storage 0 --count 500

效果：

图片：2015040301222360818.png

爬行联想域名内连接，域名过滤bbs关键字，动态爬行网页，随机优先策略


命令：

#!bash
python run.py -u "lenovo" -k "lenovo" --ignore "bbs" --model 1 --policy 2

效果：

图片：2015040301222360818.png

◆5 Mspider的头脑风暴



通过改写Mspider的一些功能，比如页面分析模块，URL过滤模块，数据储存模块，可以获得更深入更有意思的信息。

举个例子，想要获取乌云中sql注入类型漏洞的SQL注入payload。在聚焦爬虫中，通过对改写数据储存模块，让数据库记录获取的dom树，并储存，接着对dom树进行数据挖掘，便可简单实现。

◆6 参考文章



基于URL规则的聚焦爬虫及其应用

图的深度优先和广度优先搜索