深入分析一款简单的Github信息泄露爬虫
作者：grt1stnull
0×01.前言
Github作为一个代码托管平台，有着海量的开源代码和许多开发者。在代码上传时，有些开发者缺乏安全意识，会在不经意间泄露自己的密码或者密钥。本文以这里为切入点，介绍一个检索代码信息的小爬虫以及在写爬虫时的一些奇技淫巧。
0×02.github信息泄露
正如前言所述，缺乏安全意识的开发者会造成这个问题。不止web路径下的.git目录会泄露信息，在托管的开源代码中也会产生信息泄露。例子很多，比如php连接数据库的配置文件泄露，那么可能数据库帐号密码都泄露了，任何人都可以访问这个数据库。再比如通向内网的帐号密码，管理员帐号密码乃至ssh密钥。
api，即应用程序编程接口。众所周知，http是无状态协议，为了将用户区分开引进了cookie机制。有许多厂商，提供了api这个接口供用户调取业务，为了区分用户引进了token，比如’https://example.com/get?info=xxx&token=xxx‘
而我比较喜欢做的事就是，在github上找api的密钥。因为相比与帐号密码，这个不但泄露的更多，而且也更难以注意察觉，并且我们调用方便。比如查询whois信息，子域名检测等等，很多安全厂商提供了api接口，所以如果你没有密钥，不妨试试这个github信息泄露的方法。
shodan可能很多安全从业者都知道，这是一个很强大的搜索引擎。下文我会以爬取github上的shodan api密钥为例子，写一个简单的小爬虫。
0×03.github搜索结果爬取
1.shodan api格式
首先访问https://developer.shodan.io/api,这是shodan的api文档，我们可以看到api请求格式为https://api.shodan.io/shodan/host/{ip}?key={YOUR_API_KEY}。之后我们就可以在github上搜索” https://api.shodan.io/shodan/host/ key=”来看看。
结果如图：
可以看到已经有人不小心泄露自己的密钥了，虽然还有很多人没有。
2.github信息收集
虽然github有提供api，但是对代码检索功能有限制，所以我们这里不使用api。
首先进行搜索我们需要有一个登录状态，大家可以注册一个小号，或者是使用大号，这个没关系的。
登录状态我们可以使用cookies，也可以直接登录，我们这里说直接登录。
首先F12抓包可以看到整个登录流程，即访问github.com/login，之后将表单的值传递给github.com/session。整个流程非常清晰。
代码如下：
import requests
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0',
'Referer': 'https://github.com/',
'Host': 'github.com',
'Upgrade-Insecure-Requests': '1',
}
payload = {'commit': 'Sign in', 'login': '[email protected]', 'password': 'xxxxxx'}
r = requests.get("https://github.com/login", headers=headers)
_cookies = r.cookies
r = requests.post("https://github.com/session", headers=headers, data=payload, cookies=_cookies)
如上可不可以呢？仔细分析整个流程，实际上，表单值中还有一个authenticity_token，我们要先抓取到这个值，然后传递给表单。
抓取函数如下：
from lxml import etree
def get_token(text):
#
html = etree.HTML(text)
t = html.xpath("//input[@name='authenticity_token']")
try:
token = t[0].get('value')
except IndexError:
print("[+] Error: can't get login token, exit...")
os.exit()
except Exception as e:
print(e)
os.exit()
#print(token)
return token
payload['authenticity_token'] = get_token(r.content)
现在我们代码还有什么缺点呢，我觉得就是对cookies的处理不够优雅。requests有一个神奇的类requests.session()，可以为每次请求保存cookies，并应用于下次请求。
在官方文档我们可以找到http://www.python-requests.org/en/master/user/advanced/#session-objects。
所以这里我们可以使用requests.session对代码进行优化，即：
import requests
session = requests.Session()
r = session.get("https://github.com/login", headers=headers)
payload['authenticity_token'] = get_token(r.content)
r = session.post("https://github.com/session", headers=headers, data=payload)
获取登录状态后，我们就可以进行搜索，之后列举出信息。
这里采用lxml进行信息提取，xpath很简单，不多说，代码如下：
from lxml import etree
words = "https://api.shodan.io/shodan/host/ key="
url = ("https://github.com/search?p=1&q=%s&type=Code" % words)
r = session.get(url, headers=headers)
html = etree.HTML(r.text)
block = html.xpath("//div[@class='code-list-item col-12 py-4 code-list-item-public ']")
print("[+] Info: get item: %i" % len(block))
codes = html.xpath("//div[@class='code-list-item col-12 py-4 code-list-item-public ']/div[@class='file-box blob-wrapper']/table[@class='highlight']/tr/td[@class='blob-code blob-code-inner']")
nums = html.xpath("//div[@class='code-list-item col-12 py-4 code-list-item-public ']/div[@class='file-box blob-wrapper']/table[@class='highlight']/tr/td[@class='blob-num']/a")
if len(codes) == len(nums):
print("[+] Info: start get data, waiting")
lines = []
strs = None
for i in range(len(nums)):
#print(etree.tostring(codes[i], method='text'))
try:
text = etree.tostring(codes[i], method='text')
except UnicodeEncodeError:
print("[+] UnicodeEncodeError of a result, jump...")
continue
if nums[i].text == '1':
if strs is not None:
lines.append(strs)
strs = text
else:
strs = "%s \\n %s" % (strs, text)
lines.append(strs)
else:
print("[+] Error: wrong number get for codes lines, exit")
print("info : %s" % lines)
print("total num of info get: %i" % len(lines))
接下来是正则部分，信息抓取下来后，怎么筛选出我们需要的信息呢？靠的就是这里。
因为我们知道shodan api以http的形式，把shodan的token带入了参数中。简单的以get方法为例，可能是?key=xxx&host=xxx、?hosy=xxx&key=xxx&ip=xxx或者？host=xxx&key=xxx等等形式，所以我们构造正则为 key=的形式，然后尝试匹配key的末尾，可能是’、”、&。
代码如下：
import re
pattern = re.compile('key=(.*)[&|"|\']')
for a in lines:
strs = re.findall(pattern, str(a))
if len(strs) > 0:
#print(strs[0].split('"')[0])
results = strs[0].split('"')[0]
results = results.split('&')[0]
results = results.split('\'')[0]
if results == '':
continue
print(results)
用一个简单的多线程，多爬取几页可以看到输出：
D32FBKHYYqETSf4bIdmurM7xoZA74FnL
E48kKXIaCpuKq4nsTJCglvd9o4y8oBni
${SHODAN_API_KEY}
AR7LzKvBGZNaXlgkYCg4Z9y3x5lEO352
%s
${PINCH.USERDEFINED.api_key.value}
{ShodanAPIKey}
{YOUR_API_KEY}
%s
$SHODAN_API_KEY
MFuS0RPXqInMILeWWPFktPp2BOHUZpzF
#{SHODAN_API_KEY}
D32FBKHYYqETSf4bIdmurM7xoZA74FnL
$SHODAN_API_KEY
MFuS0RPXqInMILeWWPFktPp2BOHUZpzF
#{SHODAN_API_KEY}
${PINCH.USERDEFINED.api_key.value}
E48kKXIaCpuKq4nsTJCglvd9o4y8oBni
{YOUR_API_KEY}
%s
${SHODAN_API_KEY}
AR7LzKvBGZNaXlgkYCg4Z9y3x5lEO352
虽然已经有了输出，但是注意到并不是所有输出都符合要求，有的甚至只是一个变量名。
其实到这里已经结束了，shodan api长度为32，只要验证长度就可以得到密钥了。但是本着精益求精的精神，我们将会编写正则表达式，进一步的获取信息。
从输出可以看到，除了输出token，还有%s和变量名称两种形式。熟悉python的人可能知道，%s是python中的格式化输出。
我们首先去除特殊符号data = re.findall(pattern1, results)[0]，之后判断字符串类型：
if data == 's':
print("python")
elif len(data) < 32:
print("value")
else:
print(data)
这里我们顺利区分开了python的输出、值为token的变量和token。
下一步我们尝试得到变量的值，即token。我们假设变量的值就在搜索结果中，即key=value的形式。
由于上一步中已经得到了变量名称data，所以构建正则如下：
pattern0 = re.compile("%s[=|:](.*)[\"|']" % data[:6])
results = re.findall(pattern0, a.replace(' ',''))
if len(results) > 0:
results = results[0].split('\'')[0]
print(results.split('"'))
我们可以获得输出比如[‘sys.argv[1]\\n\\n’]。
然后是对python格式化输出%s的解析。通常%s格式化输出为print(“%s” % strs)或者print(“%s,%s” % (strs, strs))的形式。所以构建正则如下：
pattern2 = re.compile('%\([\w|\.|,]+')
results = re.findall(pattern2, a.replace(' ',''))
lists = []
for i in results:
i = i.replace('%(', '')
i = i.split(',')
lists.extend(i)
lists = set(lists)
这里我们首先提取变量名称strs，之后做了去重操作。
既然得到了变量名词，我们可以仿照上一步，得到变量的值。
再次运行结果如下：
['//api.bintray.com/packages/fooock/maven/jShodan/images/download.svg)](https://bintray.com/fooock/maven/jShodan/_latestVersion)[]( https://android-arsenal.com/details/1/5312)\\n']
D32FBKHYYqETSf4bIdmurM7xoZA74FnL
D32FBKHYYqETSf4bIdmurM7xoZA74FnL
E48kKXIaCpuKq4nsTJCglvd9o4y8oBni
AR7LzKvBGZNaXlgkYCg4Z9y3x5lEO352
['//developer.shodan.io](https://developer.shodan.io)\\n']
MFuS0RPXqInMILeWWPFktPp2BOHUZpzF
['//api.shodan.io/shodan/host/search?key=%s&query=hostname:%s&facets={facets}', '%(\\n']
MM72AkzHXdHpC8iP65VVEEVrJjp7zkgd
['OPTIONAL)],\\n\\n']
0fTS2YJPZAOSQHnC7kSEI06LrTg7pPcV
0×04.爬虫技巧
1.调试爬虫
有时我们写完爬虫后，会发现结果并不是我们想要的，我们就想知道中间出了什么问题。
最直观的，直接输出代码print(req.content),或许复杂一点，输出成html文件：
def see(text):
with open("./t.html", "w") as f:
f.write(text)
see(req.content)
大家可能知道，我们会用burp suite、fiddle来进行移动端的抓包分析。同样的，在这里，我们也可以通过代理，对爬虫进行分析。这里我使用的是burp suite。
我们不仅可以实时分析请求，也可以在history里分析请求。
这里以requests为例，我们可以使用代理设置，官方文档如图：
proxies = {
'http': 'http://127.0.0.1:8080',
'https': 'http://127.0.0.1:8080',
}
r = session.get("https://github.com/login", headers=headers, proxies=proxies)
但是大家应该知道，在浏览器中使用burp suite对https进行分析的时候，需要导入证书。因为https会对证书进行验证，而burp suite不属于可信证书，所以需要导入。但是这里我们怎么导入证书呢？
很简单，只需要简单的加一个参数verify即可。这个verify的意思为，不对证书进行验证。
r = session.get("https://github.com/login", headers=headers, verify=False, proxies=proxies)
2.保存状态
为了不需要每次都要登录，我们可以保存cookie到文件，下次直接读取cookie就好了。代码如下：
# 从文件读入cookie
with open('./cookies.txt', 'rb') as f:
cookies = requests.utils.cookiejar_from_dict(pickle.load(f))
session.cookies=cookies
# 保存cookie
with open('./cookies.txt', 'wb') as f:
pickle.dump(requests.utils.dict_from_cookiejar(session.cookies), f)
0×05.总结
这次只是以shodan api为例子，提醒大家注意github信息泄露，也给想要爬取github敏感信息的人抛个砖。不只是shodan api，github上有更多的api等待你去挖掘。只需要改改正则，调试一下，你也有了自己的api爬取爬虫。
附录
代码如下(也可以访问这个私密gist)：
#coding:utf-8
import requests
import re
from lxml import etree
import os
import io
import pickle
import threading
import warnings
warnings.filterwarnings('ignore')
session = requests.Session()
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0' ,
'Referer': 'https://github.com/' ,
'Host': 'github.com',
'Upgrade-Insecure-Requests': '1',
}
payload = {'commit': 'Sign in' , 'login': '[email protected]', 'password' : 'xxxxxx'}
proxies = {
'http': 'http://127.0.0.1:8080' ,
'https': 'http://127.0.0.1:8080' ,
}
def see(text):
with open("./t.html" , "w") as f:
f.write(text)
def get_token(text):
#
html = etree.HTML(text)
t = html.xpath("//input[@name='authenticity_token']")
try:
token = t[0].get('value' )
except IndexError:
print("[+] Error: can't get login token, exit...")
os.exit()
except Exception as e:
print(e)
os.exit()
#print(token)
return token
def get_cookie(session):
if not os.path.exists("./cookies.txt" ):
r = session.get("https://github.com/login" , headers=headers)#, verify=False, proxies=proxies)
payload['authenticity_token'] = get_token(r.content)
r = session.post("https://github.com/session" , headers=headers, data= payload)#, verify=False, proxies=proxies)
#print(r.cookies.get_dict())
#see(r.text)
else:
with open('./cookies.txt' , 'rb') as f:
try:
cookies = requests.utils.cookiejar_from_dict(pickle.load(f))
except TypeError:
os.remove("./cookies.txt")
return get_cookie(session)
session.cookies=cookies
return session
def search(url, session):
r = session.get(url, headers=headers) #, verify=False, proxies=proxies)
html = etree.HTML(r.text)
block = html.xpath("//div[@class='code-list-item col-12 py-4 code-list-item-public ']" )
#print("[+] Info: get item: %i" % len(block))
codes = html.xpath("//div[@class='code-list-item col-12 py-4 code-list-item-public ']/div[@class='file-box blob-wrapper']/table[@class='highlight']/tr/td[@class='blob-code blob-code-inner']" )
nums = html.xpath("//div[@class='code-list-item col-12 py-4 code-list-item-public ']/div[@class='file-box blob-wrapper']/table[@class='highlight']/tr/td[@class='blob-num']/a" )
if len(codes) == len(nums):
lines = []
strs = None
for i in range (len(nums)):
#print(etree.tostring(codes[i], method='text'))
try:
text = etree.tostring(codes[i], method= 'text')
except UnicodeEncodeError:
#print("UnicodeEncodeError")
continue
if nums[i].text == '1' :
if strs is not None:
lines.append(strs)
strs = text
else:
strs = "%s \n %s" % (strs, text)
lines.append(strs)
else:
print("[+] Error: wrong number get for codes lines, exit")
pattern = re.compile('key=(.*)[&|"|\']')
pattern1 = re.compile("\w+")
pattern2 = re.compile('%([\w|.|,]+')
for a in lines:
#a = a.replace(' ','')
strs = re.findall(pattern, str(a))
if len(strs) > 0:
results = strs[0].split('"' )[0]
results = results.split('&')[ 0]
results = results.split('\'')[ 0]
if results == '' :
continue
try:
data = re.findall(pattern1, results)[0]
except IndexError:
print(results)
continue
if data == 's' :
resulresults = re.findall(pattern2, a.replace(' ', ''))
lists = []
for i in results:
i = i.replace('%(', '' )
i = i.split(',')
lists.extend(i)
lists = set(lists)
for i in lists:
pattern0 = re.compile("%s=|:[\"|']" % i[:6])
results = re.findall(pattern0, a.replace(' ', ''))
if len(results) > 0:
results = results[0].split('\'' )[0]
print(results.split('"'))
#print(a)
elif len(data) < 32:
pattern0 = re.compile("%s=|:[\"|']" % data[:6])
results = re.findall(pattern0, a.replace(' ', ''))
if len(results) > 0:
results = results[0].split('\'' )[0]
print(results.split('"'))
#print(a)
else:
print(data)
words = "https://api.shodan.io/shodan/host/ key="
session = get_cookie(session)
threads = []
for i in range( 1, 21):
url = "https://github.com/search?p= %i&q=%s&type=Code" % (i, words)
t=threading.Thread(target = search, args = (url, session))
t.start()
threads.append(t)
for t in threads:
t.join()
threads = []
for i in range( 21, 41):
url = "https://github.com/search?p= %i&q=%s&type=Code" % (i, words)
t=threading.Thread(target = search, args = (url, session))
t.start()
threads.append(t)
for t in threads:
t.join()
with open('./cookies.txt' , 'wb') as f:
pickle.dump(requests.utils.dict_from_cookiejar(session.cookies), f)
End.
转载请注明来自36大数据（36dsj.com)：36大数据 » 深入分析一款简单的Github信息泄露爬虫