本期任务:使用脚本借助搜索引擎搜集网站子域名信息。 

准备工具:python安装包、pip、http请求库:requests库、正则库:re库。

问题引入:

1. 何为子域名?

答:子域名是相对于网站的主域名的。比如百度的主域名为:baidu.com,这是一个顶级域名,而在顶级域名前由”.”隔开加上不同的字符,比如zhidao.baidu.com,那么这就是一个二级域名,同理,继续扩展主域名的主机名,如club.user.baidu.com,这就是一个三级域名,依次类推。

2. 手动收集子域名是怎样的一种过程?

举个例子,比如我们要收集qq.com这个主域名,在百度搜索引擎能够搜索到的所有子域名。 

首先,使用搜索域名的语法 搜索~

搜索域名语法:site:qq.com

然后,在搜索结果中存在我们要的子域名信息,我们可以右键,查看元素,复制出来。

负债.webp.jpg

3. 如何用python替代手工的繁琐操作? 

其实就是将手工收集用代码来实现自动化,手工收集的步骤:

py.webp.jpg

收集器制作开始:

1. 发起一个搜索的http请求

请求我们使用python的第三方http库,requests 

需要额外安装,可以使用pip进行安装 pip install requests

requests 基本使用-example:

help(requests) 查看requests的帮助手册 。

dir(requests) 查看requests这个对象的所有属性和方法 。

requests.get(‘http://www.baidu.com‘)发起一个GET请求。

好了,补充基础知识,我们来发起一个请求,并获得返回包的内容。

#-*-coding:utf-8-*-

import requests     #导入requests库

url=’http://www.baidu.com/s?wd=site:qq.com‘ #设定url请求

response=requests.get(url).content  #get请求,content是获得返回包正文

print response

返回包的内容实在太多,我们需要找到我们想要的子域名,然后复制出来。 

从查看元素我们可以发现,子域名被一段代码包裹着,如下:

style=”text-decoration:none;”>chuangshi.qq.com/ </a>

2. 正则表达式——(.*?) 闪亮登场:

正则 规则:style=”text-decoration:none;”>(.*?)/

正则表达式难吗?难。复杂吗?挺复杂的。 

然而最简单的正则表达式,我们把想要的数据用(.*?)来表示即可。 

re 基本使用-example: 

假设我们要从一串字符串’123xxIxx123xxLikexx123xxStudyxx’取出ILike Study,我们可以这么写:

eg=’123xxIxx123xxLikexx123xxStudyxx’

print re.findall(‘xx(.*?)xx’,eg)

#打印结果

['I', 'Like', 'Study']

基于上述例子,依葫芦画瓢也可以获取子域名了。

#-*-coding:utf-8-*-

import requests     #导入requests库

import re           #导入re库

url=’http://www.baidu.com/s?wd=site:qq.com‘ #设定url请求

response=requests.get(url).content  #get请求,content是获得返回包正文

#重点,重点,下面这段代码~

subdomain=re.findall(‘style=”text-decoration:none;”>(.*?)/’,response)

print subdomain

结果:

['www.qq.com', 'chuangshi.qq.com', '1314.qq.com', 'lol.qq.com', 'tgp.qq.com', 'open.qq.com', 'https:', 'ac.qq.com']

3. 翻页的处理

上面获得的子域名,仅仅只是返回结果的第一页内容,如何获取所有页面的结果?

key=qq.com

#为url添加页码:

url=”http://www.baidu.com.cn/s?wd=site:“+key+”&cl=3&pn=0″

url=”http://www.baidu.com.cn/s?wd=site:“+key+”&cl=3&pn=10″

url=”http://www.baidu.com.cn/s?wd=site:“+key+”&cl=3&pn=20″

……

#pn=0为第一页,pn=10为第2页,pn=20为第3页…

天啊,100页我要写100个url吗?当然不是,循环语句解决你的困扰。

for i in range(100):        #假设有100页

  i=i*10

  url=”http://www.baidu.com.cn/s?wd=site:“+key+”&cl=3&pn=%s”%i

4. 重复项太多?想去重?

基础知识:

python的数据类型: set 

set持有一系列的元素,但是set的元素没有重复项,且是无序的。 

创建set的方式是调用set()并传入一个list,list的元素将作为set的元素。

sites=list(set(sites)) #用set实现去重

正则表达式匹配得到的是一个列表list,我们调用set()方法即可实现去重。 

5. 完整代码&&总结 

下面是百度搜索引擎爬取子域名的完整代码。

#-*-coding:utf-8-*-

import requests

import re

key=”qq.com”

sites=[]

match=’style=”text-decoration:none;”>(.*?)/’

for i in range(48):

   i=i*10

   url=”http://www.baidu.com.cn/s?wd=site:“+key+”&cl=3&pn=%s”%i

   response=requests.get(url).content

   subdomains=re.findall(match,response)

   sites += list(subdomains)

site=list(set(sites))   #set()实现去重

print site

print “The number of sites is %d”%len(site)

for i in site:          

   print i

结果截图:

结果截图.webp.jpg

小小心得:

其实子域名挖掘就是一个小小的爬虫,只不过我们是用百度的引擎来爬取,不过呢,用bing引擎爬去的数据量会比百度更多,所以建议大家使用bing的引擎,代码的编写方法和百度的大同小异就不放代码了,给个小tip,bing搜索域名用的是domain:qq.com这个的语法哦,好了,本期的手把手教你制作信息收集器就介绍到这里,我们下期见,关于bing的脚本就请有需要的同学留言吧~

文章下载地址链接:http://pan.baidu.com/s/1dFLEAdz 

密码:oykk

专栏:漏斗社区