工具| 手把手教你制作信息收集器之网站备案号

本期任务：

1.掌握备案号的收集 。 2.练习从http返回包中获取信息的能力。 

所需工具：

1. pip，http请求库：requests库，

2.匹配库：re库、Beautiful Soup，json

问题引入：

1. 何为网站备案号以及为什么收集它？

答：备案号是网站是否合法注册经营的标志，一个网站的域名是需要去备案的。上一期我们教大家如何用搜索引擎收集网站的子域名，思路是从主域名下手，延伸下去获取尽可能多的子域名。而一家企业的网站资产中，远远不止有一个主域名，有很多隐藏的主域名我们未能发现，通过查询备案号能够得到更多的信息。

2. 去哪里收集备案号？

查备案号的地址有很多，比如收集百度备案号的地址：

http://www.beianbeian.com/search/baidu.com

http://www.sojson.com/api/beian/baidu.com

http://icp.chinaz.com/info?q=baidu.com......

查到了备案号，比如是：京ICP证030173号，然后进行反查：

http://www.beianbeian.com/search-1/京ICP证030173号

http://icp.chinaz.com/京ICP证030173号

3.代码编写难点在哪？ 

其实收集信息并不难，本次重在于练习获取信息的能力。

收集器制作开始：

简单的从返回包中获取备案号信息：

http://www.beianbeian.com/search/+domain 

在返回包中我们发现了我们想要的备案号，而且在反查链接里面~

根据上一篇的姿势，此处用上我们最最简单的 非贪婪匹配(.*?)就可以获取到备案号。 

下一步，我们可以进行备案号反查http://www.beianbeian.com/search-1/京ICP证030173号。

从图片中得到的信息我们发现，我们想要的信息是网站名称和网站首页网址。

通过查看源代码，可以发现每一行的网站名称和网址都存在于一个比较大的标签里面，这个时候，如果我们想用正则匹配这两个字段，规则比较难写，怎么处理呢？

奉上一碗美味的汤 

美味的汤，Beautiful Soup，是python的一个库，用它我们可以很方便的从html或者是xml标签中提取我们想要的内容。举个例子,假设我们获取的返回包的html内容：

我们可以先获取返回包的内容，然后创建一个BeautifulSoup对象：

建立了BeautifulSoup对象，我们可以用find_all函数获取比如说只包含在标签里的文字：

回到上面我们获取到的返回包中，我们要的信息：在标签中，并且标签属性是有规律的。  

此时，我们得到是两个列表，如何同时遍历两个列表呢？

 可以使用zip把两个列表打包，举个小例子：

给出一个小小的demo来：

运行效果：

JSON大法 ：

如果你有各种网站API，例如 http://www.sojson.com/api/beian/baidu.com这种查询就是直接使用API的接口，那么返回来的数据一般是JSON的格式。我们可以把获得的json当成python的dict来读取。

小结：

还有一些查询地址未演示，不同的返回页面匹配规则的不同，大家可以回去练习。本次手把手教你制作信息收集器之收集备案号就到这里，我们下期见~