crawlergo动态爬虫去除Spidername使用

本来是想用AWVS的爬虫来联动Xray的，但是需要主机安装AWVS，再进行规则联动，只是使用其中的目标爬虫功能感觉就太重了，在github上面找到了由360 0Kee-Team团队从360天相中分离出来的动态爬虫模块crawlergo，尝试进行自定义代码联动

基础使用

下载最新的releases版本，到其目录下使用：

在PowerShell里面运行

./crawlergo -c "C:Program Files (x86)GoogleChromeApplicationchrome.exe" -t 10 http://testphp.vulnweb.com/

但是很明显可以看到在爬虫的请求头里面存在：

Spider-Name:crawlergo字段

crawlergo团队也说明了这个问题：

也有issue提到了这一点

所以我们先解决关键字被WAF拦截的问题，使用自定义请求头进行crawlergo页面爬取。

使用fake_useragent伪造请求头：

from fake_useragent import UserAgent
ua = UserAgent()


def GetHeaders():
    headers = {'User-Agent': ua.random}
    return headers

在爬取的时候指定请求头为随机生成的，即：

"--custom-headers",json.dumps(GetHeaders())

然后根据crawlergo团队给出的系统调用部分代码进行修改

原代码如下（我已将谷歌浏览器路径改为自己本地的了）：

#!/usr/bin/python3
# coding: utf-8

import simplejson
import subprocess


def main():
    target = "http://testphp.vulnweb.com/"
    cmd = ["./crawlergo", "-c", "C:Program Files (x86)GoogleChromeApplicationchrome.exe", "-o", "json", target]
    rsp = subprocess.Popen(cmd, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    output, error = rsp.communicate()
	#  "--[Mission Complete]--"  是任务结束的分隔字符串
    result = simplejson.loads(output.decode().split("--[Mission Complete]--")[1])
    req_list = result["req_list"]
    print(req_list[0])


if __name__ == '__main__':
    main()

该代码默认打印当前域名请求

运行结果如图：

将关键部分代码：

cmd = ["./crawlergo", "-c", "C:Program Files (x86)GoogleChromeApplicationchrome.exe", "-o", "json", target]

根据项目参数：

--custom-headers Headers 自定义HTTP头，使用传入json序列化之后的数据，这个是全局定义，将被用于所有请求

修改为：

cmd = ["./crawlergo", "-c", "C:Program Files (x86)GoogleChromeApplicationchrome.exe", "--custom-headers",json.dumps(GetHeaders()),"-t","10","-o", "json", target]

GetHeaders()函数上面已经给出，运行结果为：

可以看到Spider-Name:crawlergo字段已经没有了。

对于返回结果的处理

当设置输出模式为 json时，返回的结果反序列化之后包含四个部分：

all_req_list：本次爬取任务过程中发现的所有请求，包含其他域名的任何资源类型。
req_list：本次爬取任务的同域名结果，经过伪静态去重，不包含静态资源链接。理论上是 all_req_list 的子集
all_domain_list：发现的所有域名列表。
sub_domain_list：发现的任务目标的子域名列表。

我们想要获取的是任务的同域名结果，所以输出：

result = simplejson.loads(output.decode().split("--[Mission Complete]--")[1])
    # print(result)
    req_list = result["req_list"]
    for url in req_list:
        print(url['url'])

可以看到去重不算太完美

最后为了方便配置可以写一个config.py，用来放置chorme的路径，增加扫描系统的通用性，将结果存储到txt或者队列里面去。