本期任务:
1.掌握备案号的收集 。 2.练习从http返回包中获取信息的能力。
所需工具:
1. pip,http请求库:requests库,
2.匹配库:re库、Beautiful Soup,json
问题引入:
1. 何为网站备案号以及为什么收集它?
答:备案号是网站是否合法注册经营的标志,一个网站的域名是需要去备案的。上一期我们教大家如何用搜索引擎收集网站的子域名,思路是从主域名下手,延伸下去获取尽可能多的子域名。而一家企业的网站资产中,远远不止有一个主域名,有很多隐藏的主域名我们未能发现,通过查询备案号能够得到更多的信息。
2. 去哪里收集备案号?
查备案号的地址有很多,比如收集百度备案号的地址:
http://www.beianbeian.com/search/baidu.com
http://www.sojson.com/api/beian/baidu.com
http://icp.chinaz.com/info?q=baidu.com......
查到了备案号,比如是:京ICP证030173号,然后进行反查:
http://www.beianbeian.com/search-1/京ICP证030173号
http://icp.chinaz.com/京ICP证030173号
3.代码编写难点在哪?
其实收集信息并不难,本次重在于练习获取信息的能力。
收集器制作开始:
简单的从返回包中获取备案号信息:
http://www.beianbeian.com/search/+domain
在返回包中我们发现了我们想要的备案号,而且在反查链接里面~
根据上一篇的姿势,此处用上我们最最简单的 非贪婪匹配(.*?)就可以获取到备案号。
下一步,我们可以进行备案号反查http://www.beianbeian.com/search-1/京ICP证030173号。
从图片中得到的信息我们发现,我们想要的信息是网站名称和网站首页网址。
通过查看源代码,可以发现每一行的网站名称和网址都存在于一个比较大的标签里面,这个时候,如果我们想用正则匹配这两个字段,规则比较难写,怎么处理呢?
奉上一碗美味的汤
美味的汤,Beautiful Soup,是python的一个库,用它我们可以很方便的从html或者是xml标签中提取我们想要的内容。举个例子,假设我们获取的返回包的html内容:
我们可以先获取返回包的内容,然后创建一个BeautifulSoup对象:
建立了BeautifulSoup对象,我们可以用find_all函数获取比如说只包含在标签里的文字:
回到上面我们获取到的返回包中,我们要的信息:在标签中,并且标签属性是有规律的。
此时,我们得到是两个列表,如何同时遍历两个列表呢?
可以使用zip把两个列表打包,举个小例子:
给出一个小小的demo来:
运行效果:
JSON大法 :
如果你有各种网站API,例如 http://www.sojson.com/api/beian/baidu.com这种查询就是直接使用API的接口,那么返回来的数据一般是JSON的格式。我们可以把获得的json当成python的dict来读取。
小结:
还有一些查询地址未演示,不同的返回页面匹配规则的不同,大家可以回去练习。本次手把手教你制作信息收集器之收集备案号就到这里,我们下期见~
网友评论