根据关键词,自动从搜索引擎采集相关网站的真实地址与标题,并且可以自动保存为文件,自动去除重复URL。同时,也可以自定义忽略多条域名。最新百度采集通过

2017-08-072017-08-07

程序主要运用于安全渗透测试项目,以及批量评估各类CMS系统0DAY漏洞的影响程度,同时也是批量采集自己获取感兴趣的网站的一个小程序~~
测试环境为 Python 2.7.x 如果需要python3版本的,可以自行修改,或者我的博客留言
目前只可以采集百度搜索引擎的结果。并且每页默认显示50条记录。可自定义输入要采集的页数。
如果要采集关键词为“hacker”的相关网站,采集百度结果的前3页,则输入如下:
please input keyword:hacker
Search Number of pages:3

1:获取到的是百度搜索结果的真实URL地址
2:可以忽略不需要的常见网站,如忽略百度翻译,等等所有百度相关结果,给数组添加baidu.com即可。程序已经默认忽略了很多条啦,如
    filter_array1=['baidu.com','sina.com.cn','sohu.com','taobao.com','douban.com','163.com','tianya.cn','qq.com','1688.com']
    filter_array2=['ganji.com','58.com','baixing.com']
    filter_array3=['zhihu.com','weibo.com','iqiyi.com','kugou.com','51.com','youku.com','soku.com','acfun.cn','verycd.com']
    filter_array4=['google.cn','youdao.com','iciba.com','cdict.net']
    filter_array5=['pconline.com.cn','zcool.com.cn','csdn.net','lofter.com']
3:实时显示采集到的网页的【真实URL】以及【标题】。前面的【ID】对应的是当前页百度结果的第X条数据
4:自动保存结果到当前目录的txt文件,文件名为搜索的 关键词.txt 为了方便导入到其他工具,txt文件里面只记录了采集的网址。如果需要同时记录标题,把代码中的注释删除即可
5:自动去除重复记录
6:统计总采集条数(143 found),有效的条数(91 checked),被过滤的条数(52 filter),以及被过滤的重复的URL条数(9 delete)
7:开源,任何人都可以下载使用。由于本人能力有限,如果有好的建议以及修改,也希望能一起完善
8:跨平台,并且无捆绑后门风险。以前网上有的百度URL采集软件大部分为WINDOWS下的可执行文件,并且现在百度更新后无法正常采集。
9:程序会不断更新

由于时间仓促,没有做优化。很多自定义参数也采用了默认值,下一个版本加上自定义参数
后免将陆续添加Bing搜索引擎,goole引擎的采集功能,与百度的进行一个合并。如果需求提高,也增加多线程或者多进程扫描
如果百度更新导致采集不到内容,可以在我的博客留言联系我进行修改  

项目地址:https://github.com/super-l/search-url

  • 作者:superl