基于PHP实现CMS识别

最近正在开发一款基于PHP实现的Web安全检测平台，写到了CMS识别这一功能，便写一篇文章总结一下。

首先需要梳理的是CMS识别的几种方法:

1.网页源代码特征：例如源代码中包含CMS的名称或是某种特定关键词。

2.路径/文件特征：例如DeDe织梦系统存在/dede/路径与advancedsearch.php文件。

3.版权信息特征：在网页底部的版权信息中往往会包含CMS信息，这种特征在我们接下来的编程中可以包含在"网页源代码特征"中。

4.robots.txt特征：部分CMS的robots.txt文件中会包含CMS信息，例如Discuz论坛系统。

除了这四种特征以外，还有其他的一些特征这里就不多阐述了，我们接下来就要围绕这4种特征来实现基于PHP的CMS识别功能。
在开始编程前，我们先根据4种特征来设计一下各自识别CMS的编程思路：

1.网页源代码特征：发送请求获取网页源码 -> 利用正则匹配关键词

2.路径/文件特征：发送请求获取HTTP状态码 -> 根据HTTP状态码判断路径/文件是否存在

3.版权信息特征：发送请求获取网页源码 -> 利用正则匹配关键词（与网页源代码特征编程思路相同）

4.robots.txt特征：发送请求获取HTTP状态码 -> 根据HTTP状态码判断robots.txt文件是否存在 -> 若存在则使用正则匹配关键词

以上便是4种特征的编程实现思路，同时，为了保证识别的准确性，我们需要对一个CMS添加多种识别方式，防止漏报或误报：

例如判断DeDe织梦系统时，我们除了可以依据robots.txt文件存在"Disallow: /plus/"这一关键词判断外，还可以检测源代码中是否存在"dedeajax"的关键词，只要满足以上任一条件即可判定为DeDe织梦系统。

下面开始编写我们的主要几个功能：

//获取HTTP状态码函数：
    function requests_code($url){
        $curl = curl_init();
        $header = array("Connection: Keep-Alive","Accept: text/html, application/xhtml+xml, */*", "Pragma: no-cache", "Accept-Language: zh-Hans-CN,zh-Hans;q=0.8,en-US;q=0.5,en;q=0.3","User-Agent: Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; WOW64; Trident/6.0)");
        curl_setopt($curl, CURLOPT_URL, $url);
        curl_setopt($curl, CURLOPT_HEADER, 1);
        curl_setopt($curl, CURLOPT_HTTPHEADER, $header);
        curl_setopt($curl,CURLOPT_NOBODY,true);
        curl_setopt($curl,CURLOPT_SSL_VERIFYPEER, false);
        curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);
        curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);
        curl_exec($curl);
        $code = curl_getinfo($curl,CURLINFO_HTTP_CODE);
        curl_close($curl);
        return $code;
    }
 
//获取网页源代码正则匹配函数:
    function contents_match($url, $regex){
        $curl = curl_init();
        $header = array("Connection: Keep-Alive","Accept: text/html, application/xhtml+xml, */*", "Pragma: no-cache", "Accept-Language: zh-Hans-CN,zh-Hans;q=0.8,en-US;q=0.5,en;q=0.3","User-Agent: Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; WOW64; Trident/6.0)");
        curl_setopt($curl, CURLOPT_URL,$url);
        curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);
        curl_setopt($curl, CURLOPT_HTTPHEADER, $header);
        curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);
        curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false);
        $data = curl_exec($curl);
        curl_close ($curl);
        if(preg_match($regex, $data)){
            return True;
        }else{
            return False;
        }
    }

以上两个功能我们使用自定义函数实现能使代码更加简介易懂，接下来我们开始编写不同CMS的识别策略：

    //Discuz论坛系统网站特征
    function dz($url){
        $regex = "/Discuz/i";
        if(contents_match($url, $regex)){  //网页源代码特征
            return True;
        }elseif(contents_match($url.'/robots.txt', $regex)){  //robots.txt文件特征
            return True;
        }else{
            return False;
        }
    }
 
    //ECshop网店商城系统网站特征
    function ecshop($url){
        $contents_regex = "/process_request/";
        $path = "/themes/default/images/logo.gif";
        if(contents_match($url, $contents_regex)){  //网页源代码特征
            return True;
        }else if(requests_code($url.$path) == 200){  //robots.txt文件特征
            return True;
        }else{
            return False;
        }
    }

这里就展示两种CMS的识别方式，如果对更多CMS识别有兴趣可以联系笔者一起交流。这样我们就实现了PHP识别CMS的核心程序，接下来只需要调用各个函数使用if语句判断即可，加上百万前端工程师的美化，文末展示一下最终的效果：