手把手教你制作信息收集器之子域名收集

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~

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：

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

但是呢，返回包的内容还是实在太多，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I Like 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-*-
"""
@author: reborn
"""
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 site is %d"%len(site)
for i in site:
    print i

结果截图：

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去，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~