乌云公开漏洞、知识库爬虫和搜索

crawl and search for wooyun.org public bug(vulnerability) and drops

• python 2.7和pip
• mongodb
• scrapy (pip install scrapy)
• flask (pip install Flask)
• pymongo (pip install pymongo)

• 在爬取内容时，请先启动mongodb数据库：mongod &

• 乌云公开漏洞和知识库的爬虫分别位于目录scrapy/wooyun和scrapy/wooyun_drops

• 运行scrapy crawl wooyun -a page_max=1 -a local_store=false -a update=false，有三个参数用于控制爬取：

  -a page_max: 控制爬取的页数，默认为1，如果值为0，表示所有页面

  -a local_store: 控制是否将每个漏洞离线存放到本地，默认为false

  -a update：控制是否重复爬取，默认为false

• 第一次爬取全部内容时，用scrapy crawl wooyun -a page_max=0 -a update=true

• 平时只爬取最近的更新时，用scrapy crawl wooyun -a page_max=1，可以根据自己的爬取频率和网站更新情况调整page_max的值

• 全部公开漏洞的列表和每个漏洞的文本内容存在mongodb中，大概约2G内容；如果整站爬全部文本和图片作为离线查询，大概需要10G空间、2小时（10M电信带宽）；爬取全部知识库，总共约500M空间。（截止2015年10月）

• 漏洞搜索使用了Flask作为web server，bootstrap作为前端

• 在搜索时，请确定已启动了mongodb数据库：mongod &

• 启动web server ：在flask目录下运行python app.py，默认端口是5000

• 搜索：在浏览器通过http://localhost:5000进行搜索漏洞，多个关键字可以用空格分开。

mongo
use wooyun
db.wooyun_list.ensureIndex({"datetime":1})
db.wooyun_drops.ensureIndex({"datetime":1})

• 虚拟机1：在2016年6月底爬的wooyun全部漏洞库和知识库内容，总共30G。上传的文件有点问题，分卷有错误，我正在重新上传一次，7月29号应该能传完,请暂时不要下载这一个！请暂时不要下载这一个！请暂时不要下载这一个！（网盘地址为： http://pan.baidu.com/s/1o7IEaAQ 提取密码：d4cq）

• 虚拟机2：已打包了一个安装了所有组件和程序的虚拟机（不包含具体内容），网盘地址为：http://pan.baidu.com/s/1sj67KDZ 密码：bafi

• 使用方法：

    1、使用vmware或virtualbox导入虚拟机
    2、登录用户名hancool,密码qwe123
    3、进入wooyun_public目录，先用git更新一下到最新的代码git pull
    4、分别进入wooyun_public目录下的wooyun和wooyun_drops，运行爬虫爬取数据（爬取全部数据并且本地离线缓存）：scrapy crawl wooyun -a  page_max=0 -a local_store=true -a update=true
    5、进入wooyun_publich目录下的flask，运行./app.py，启动web服务
    6、打开浏览器，输入http://ip:5000，ip为虚拟机的网卡地址（如果是vmware，则使用ifconfig eth0查看，如果是virtualbox为192.168.56.130）
  

• 本程序只用于技术研究和个人使用，程序组件均为开源程序，漏洞和知识库来源于乌云公开漏洞，版权归wooyun.org

• [email protected] 2015.9