Python: 『Python』爬行搜索引擎结果获得指定主机所有二级域名

0x 00 前言

前天自己在玩的时候，自己通过百度搜索主机的二级域名感觉好麻烦，自已要一页页的去翻

而且人工识别是否是重复的二级域名也够蛋疼的，正好最近在学正则表达式，权当练手了

0x 00 代码

# coding=utf-8
# author:Anka9080
import urllib
import urllib2
import cookielib
import re
url = 'http://www.haosou.com/s?src=360sou_newhome&q=site:tjut.edu.cn&pn=1'
req = urllib2.Request(url)
res = urllib2.urlopen(req)
html = res.read().decode('utf-8')
pageStr = re.search(ur'找到相关结果约(.*?)个',html)
page = pageStr.group(1)
formatNum = '0123456789'
for c in page:
	if not c in formatNum:
	   page = page.replace(c,'')
page = int(page) / 10
print page
# 获得搜索结果的页面数
if page > 5:
	page = 5
newItems = []
for p in range(0, page):
	url = 'http://www.haosou.com/s?src=360sou_newhome&q=site:tjut.edu.cn&pn='+'p'
	req = urllib2.Request(url)
	res = urllib2.urlopen(req)
	html = res.read().decode('utf-8')
	pattern = re.compile(r'linkinfo&quot;><cite>(.+?.tjut.edu.cn)')
	items = re.findall(pattern, html)
	# 去重操作
	for item in items:
		if item not in newItems:
			newItems.append(item)
	# 打印去重后的子域名列表
	for item in newItems:
		print item
#print html
 

测试结果如下：

1330
www.tjut.edu.cn
my.tjut.edu.cn
jw.tjut.edu.cn
jyzx.tjut.edu.cn
lib.tjut.edu.cn
cs.tjut.edu.cn
yjs.tjut.edu.cn
mail.tjut.edu.cn
acm.tjut.edu.cn
www.tjut.edu.cn
my.tjut.edu.cn
jw.tjut.edu.cn
jyzx.tjut.edu.cn
lib.tjut.edu.cn
cs.tjut.edu.cn
yjs.tjut.edu.cn
mail.tjut.edu.cn
acm.tjut.edu.cn
www.tjut.edu.cn
my.tjut.edu.cn
jw.tjut.edu.cn
jyzx.tjut.edu.cn
lib.tjut.edu.cn
cs.tjut.edu.cn
yjs.tjut.edu.cn
mail.tjut.edu.cn
acm.tjut.edu.cn
www.tjut.edu.cn
my.tjut.edu.cn
jw.tjut.edu.cn
jyzx.tjut.edu.cn
lib.tjut.edu.cn
cs.tjut.edu.cn
yjs.tjut.edu.cn
mail.tjut.edu.cn
acm.tjut.edu.cn
www.tjut.edu.cn
my.tjut.edu.cn
jw.tjut.edu.cn
jyzx.tjut.edu.cn
lib.tjut.edu.cn
cs.tjut.edu.cn
yjs.tjut.edu.cn
mail.tjut.edu.cn
acm.tjut.edu.cn 

0x 02 总结

思路大概是这个样子：

先通过 urllib2.Request() 和 urllib2.urlopen() 访问url

再从返回结果中得到搜索结果页面数 

为了提高效率 页面数 大于 5 会只爬行搜索结果的前5个页面

后面 又做了去重操作 然后就得到二级域名列表咯 : )

中间蛋疼的 地方倒是 Py 的 转义符号问题  身边能有个可以问问的大牛多好~

后期 准备使用  http://dns.aizhan.com/ 的查询结果 直接获得 IP以及旁站信息

文中图片引自：http://developer.51cto.com/art/201403/431104.htm（原博客链接失效）

原文:http://www.cnblogs.com/anka9080/p/getsubdomain.html