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。
进群：548377875 即可获取数十套PDF哦！
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: [email protected]
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：[email protected]
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+' ')
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: [email protected]
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 " [+] 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。