【CTF】广度搜索的 BeautifulSoup 网站爬虫

本人习惯使用python2进行编程，因此beautifulsoup也是使用python2版本的，但据说python2明年就要停止支持了，忧伤得很。。。

0x01 题目要求

如图所示，在页面源码当中找到5个flag，然后拼接起来，还给了flagA的示例。

flagA：

打开站点是一个ctf-wiki的demo站点，了解这个站的人应该都知道它的体量，所以手动一个个找是不现实的，需要用到爬虫了（题目名称也暗示了）。

0x02 解题思路

我考虑使用广度优先搜索（BFS）实现一个网站爬虫，不了解广度搜索的童鞋可以自行百度。具体实现方法如下：

1. 建立待请求链接visiting_urls和已请求链接visited_urls的2个列表（也可看做队列）
2. 从visiting_urls取出一条链接，使用requrests.get请求页面源码
3. 在源码中正则匹配flag字段
4. beautifulsoup获取页面中所有的a标签，符合要求的加入visiting_urls
5. visiting_urls不为空，则执行[2]

当中需要考虑2个问题：

1. 去重问题：当爬取链接时，难免会遇到存在不同位置的url指向同一个页面，爬取时不需要再请求相同页面，因此要对爬取到的url进行去重。方法如下：

   • 维护visiting_urls visited_urls列表，比对爬取url与已爬取过的url是否重复；
   • 根据mkdocs网站url特点，包含"../"的是回溯链接，此类链接不需要再次请求。

2. 正则匹配问题：这个方面没有多想，写个能使用的正则匹配规则就行，在本题中需要2种正则匹配：

   • 匹配flag：flag[ABCDE]，我的目的是匹配到flag的标志，而不是把flag整个都匹配出来，因为我不清楚flag当中有没有其他奇怪字符，防止出现漏匹配的情况；
   • 匹配url：[\w\/]+index\.html，目的是匹配路径为字母数字（不包含".."）且末尾是"index.html"的url。

到此，整个任务就完成了。

0x03 完整脚本

#coding=utf-8
import requests,re
from bs4 import BeautifulSoup

s = requests.session()
s.keep_alive=False

flagre = re.compile('flag[ABCDE]')
urlre = re.compile('[\w\/]+index\.html')

base_url = 'http://23.236.125.55:1000/ctf-wiki/'
flagA_url = 'http://23.236.125.55:1000/ctf-wiki/assembly/mips/readme/index.html'

visiting_urls = ['http://23.236.125.55:1000/ctf-wiki/index.html']
visited_urls = []

def find_flag(url,html):
    flist = flagre.findall(html)
    if len(flist) > 0:
        print flist,url

def BFS():
    url = visiting_urls[0]
    del(visiting_urls[0])
    visited_urls.append(url)
    r = s.get(url)
    #r.encoding = 'utf-8'
    find_flag(url,r.text)
    soup = BeautifulSoup(r.text,'lxml')
    for a in soup.find_all('a'):
        link = a['href']
        if urlre.findall(link) and ".." not in link:
            new_url = base_url + link
            if new_url not in visited_urls and new_url not in visiting_urls:
                visiting_urls.append(new_url)

if __name__ == '__main__':
    while len(visiting_urls) > 0:
        BFS()

上面思路已经提到了，该脚本只能提取到包含flag标志的页面，而不是flag本身，因此还需要手动访问这些页面去寻找flag（手动狗头），如果还想直接显示flag，那就需要优化一下正则匹配了。

提示一点，在获取到页面源码后，使用r.encoding = 'utf-8'转码会导致EOFError，具体原因不详，本想能够匹配中文页面，结果画蛇添足搞了半天以为匹配没成功。

2019.05.05补充：在爬取含中文的utf-8页面时，使用print输出Response字符串在各种情况下显示情况：（以匹配title标签为例）

语言	输出	cmd/PowerShell	Linux Shell
py2	r.text <'unicode'>	会报错UnicodeEncodeError: 'gbk' codec can't encode character u'\u2f8f' in position 96807: illegal multibyte sequence	u''
py2	r.content <'str'>	'' 并会报错IOError: [Errno 34] Result too large	''
py3	r.text <'str'>	''	''
py3	r.content <'bytes'>	b'' 正则匹配会报错TypeError: cannot use a string pattern on a bytes-like object	b'' 正则匹配会报错TypeError: cannot use a string pattern on a bytes-like object

由上述表格可见，如果涉及到中文页面的爬虫程序，尽量使用python3&Linux Shell运行，并且合理使用r.content和r.text（r.content.decode('utf-8')==r.text）。

提示两点，requests.session()的好处，相较于直接requests.get()，可以防止建立过多的HTTP连接，导致新连接无法建立的问题。参考页面：https://segmentfault.com/q/10...

执行效果如下：

最后拼接一下，完事了。