Web指纹识别目的Discuz识别+粗糙的版本演绎

大家好，又见面了，我是全栈君，今天给大家准备了Idea注册码。

这个识别程序是本学期在我的职业培训项目。它是做一类似至Zoomeye怪东西，然后使用ES集成，为了让搜索引擎寻找。因此，我们必须首先去网上识别相应的能力Web包裹，如果用户输入的关键词：Discuz X3.0。我就要显示出对应版本号的内容才OK。

作为识别子程序，我这里暂且分享一下识别Web组件的思路。

我是从浅谈web指纹识别技术一文中找到的思路。

对于Discuz的站点。第一时间想的就是识别footer了。可是问题在于。做的好的一些站点往往会将“Powered By”字样改动，所以为了配合footer字样进行识别，我使用了robots.txt和比較隐蔽的meta标签来进行共同识别。

而粗略的版本号信息，则是从robots.txt中获取的。

指纹所有放在一起进行管理，方便日后进行指纹的加入：

discuz_feature.py:

Web指纹识别目的Discuz识别+粗糙的版本演绎

这个文件里仅仅有一个字典用来存放对应的指纹信息，我不可能做得非常细（时间不同意啊），所以仅仅有footer信息、robots信息、meta信息三个类型的指纹。

在主程序中直接load这个指纹库就可以，以下就是识别主程序的代码，程序输入为以回车换行切割的域名列表。输出为结果文件，代码例如以下：

#coding=utf-8
import requests
from bs4 import BeautifulSoup
import re
from discuz_feature import matches
'''
Discuz 指纹识别
1.meta数据元识别
2.intext识别
3.robots.txt识别
'''
class DiscuzDetector():
	'''构造方法'''
	def __init__(self,url):
		if url.startswith("http://"):
			self.url = url
		else:
			self.url = "http://%s" % url
		try:
			self.r = requests.get(self.url,timeout=8)
			self.page_content = self.r.content
		except Exception, e:
			print e
			self.r = None
			self.page_content = None
		
	'''识别meta标签'''
	def meta_detect(self):
		if not self.r:
			return False
		pattern = re.compile(r'<meta name=".*?
" content="(.+)" />')		infos = pattern.findall(self.page_content)		conditions = matches['meta'][0] or matches['meta'][1]		if infos:			for x in infos:				if x.count(conditions) != 0:					return True					break		else:			return False	'''discuz 版本号识别'''	def robots_dz_xx_detect(self):		if not self.r:			return (False,None)		robots_url = "%s%s" % (self.url,"/robots.txt")		robots_content = requests.get(robots_url).content		if not robots_content:			return (False,None)		robots_feature_xx = matches['robots_for_xx']		robots_feature_Xx = matches['robots_for_Xx']		robots_list = robots_content.split("\r\n")		pattern = re.compile(r'# robots\.txt for (.+)')		version_info = []		for x in robots_list:			#假设robots.txt中含有# robots.txt for Discuz! X3 行  则直接推断版本号			version_info = pattern.findall(x)			if version_info != [] and robots_content.count("Version" and "Discuz!"):				if robots_content.count("Version" and "Discuz!"):					pattern = re.compile(r'# Version (.+)')					version_number = pattern.findall(str(robots_content))					if version_number:						version_info.append(version_number)				return (True,version_info)			else:				#若版本号信息被删除则识别出版本号				is_xx = (x in robots_feature_xx)				is_Xx = (x in robots_feature_Xx)				if is_Xx or is_xx:					#推断为discuz					#推断版本号					if is_Xx == True:						version_info = 'Discuz Xx'						return (True,version_info)					else:						version_info = 'Discuz xx'						return (True,version_info)		#不是discuz		return (False,None)	'''检測网页中的discuz字样'''	def detect_intext(self):		if not self.r:			return False		text_feature = matches['intext'][0] or matches['intext'][1]		if self.page_content.count(text_feature) != 0:			return True		else:			return False	'''判别方法'''	def get_result(self):		if not self.r:			return (False,'Not Discuz!')		is_meta = self.meta_detect()		res = self.robots_dz_xx_detect()		is_dz_robots = res[0]		version_info = res[1]		print version_info		is_intext = self.detect_intext()		if is_meta or is_dz_robots or is_intext:			#print 'Find Discuz!'			if version_info:				# return (True,'Find! Version:%s' % (version_info[0]))				return (True,'%s' % (version_info[0]))			else:				return (True,'Version:Unknown') 		else:			return (False,'Not Discuz!')    	if __name__ == '__main__':		'''读文件识别'''	f = open('discuz.txt','r')	wf = open('results.txt','a')	file_content = f.read()	dz_url_list = file_content.split('\n')	for url in dz_url_list:		print url		detector = DiscuzDetector(url)		ret = detector.get_result()		print ret		if ret[0]:			wf.write("%s\t%s\n" % (url,ret[1]))		else:			continue	wf.close()	f.close()

里面的discuz.txt就是须要识别的域名列表文件，输出为results.txt。程序运行例如以下：