爬取某网站所有的乌云漏洞公共文章，并保存为pdf文件

鼎鼎大名的乌云网站，仅存在6年左右，就停摆，真是可惜。。。

从某网站爬取所有公开的乌云漏洞文章，保存为pdf格式，以作纪念学习使用

首先创建一个文件夹wooyun，把下面代码保存为test.py，然后放在该文件夹

# -*- coding: utf-8 -*-
import urllib2
import pdfkit
from lxml import etree
import time
import random
import os
import shutil


def modify_filename(file1,file2,filename,m):
   '''
   更改文件名函数
   如有多个同名文件，自动在文件名末尾加上数字，从2开始。
   方法递归

   '''
   if os.path.exists(file2):
        m += 1
        file2 = filename + str(m) + '.pdf'
        modify_filename(file1,file2,filename,m)
   else:
        os.rename(file1,file2)
        return

def main():
    '主函数：爬取所有乌云文章，以漏洞标题作为文件名'

    # 外循环控制页数
    for i in range(1,167):

        # 创建一个文件夹来存放该页所有文章，文件夹名字为分页数字
        os.mkdir(str(i))

        url = "http://xsspt.com/index.php?do=blist&page=" + str(i)
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36',
            'Cookie': '__cfduid=db29c8ab99daaf6824f89ff256974cc131532950162; bdshare_firstime=1532950162131; UM_distinctid=164eaf6ebae83c-0945623eb9d7ee-47e1039-1fa400-164eaf6ebaf67b; Hm_lvt_c12f88b5c1cd041a732dea597a5ec94c=1532950162,1532950477; CNZZDATA1260224584=5670'
            }
        req = urllib2.Request(url,headers=headers)
        res = urllib2.urlopen(req)
        # print(res.getcode())
        # print(res.url)
        html = res.read()

        content = etree.HTML(html)
        # 获取每页的文章链接列表
        links = content.xpath('//td/a/@href')
       
        n = 0
        # 遍历该分页里面的文章链接
        for each in links:
            each = 'http://xsspt.com' + each
            req2 = urllib2.Request(each,headers=headers)
            html2 = urllib2.urlopen(req2).read()
            content2 = etree.HTML(html2)
            # 获取文章章标题
            title = content2.xpath("//h3[@class='wybug_title']/text()")[0]
            # 设置保存的文件名，由于windows环境对文件名命名有'/'、'\'、'?'、'|'、'<'、'>'、'"'、'*'有限制，所以要有如下过滤
            filename = title[5:].strip().replace('/','_').replace('\\','_').replace('<','').replace('>','').replace('"','').replace('(','').replace(')','').replace('[','').replace(']','').replace('\\','').replace('%','').replace(';','').replace('*','').replace('?','').replace(':','').replace('|','')
            # file = filename + ".pdf"
            n += 1
            # 初始文件名
            file1 = str(n) + '.pdf'
            # 保存文件名
            file2 = filename + '.pdf'
            # 保存pdf文件到本地
            path_wk = r'C:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe'
            config = pdfkit.configuration(wkhtmltopdf = path_wk)
            pdfkit.from_url(each, file1, configuration=config)
            
            # m变量值用来区分同名文件
            m = 1
            # 由于文件名有重复，所以使用递归函数来处理，文件重名的，文件名末尾加递增数字保存。如a.pdf,a2.pdf
            modify_filename(file1,file2,filename,m)
            time.sleep(random.randint(1,3))
        # 把当前分页里面的所有的文章文件移动到对应的分页文件里面
        for d in os.listdir('.'):
            if d.split('.')[-1] == 'pdf':
                shutil.move(d,str(i))


if __name__ == '__main__':
    main()

测试效果如下