Gospider：一款基于Go语言的快速Web爬虫

Gospider是一款运行速度非常快的Web爬虫程序，Gospider采用Go语言开发。

功能介绍

1、快速Web资源爬取

2、爆破与解析sitemap.xml

3、解析robots.txt

4、生成和验证来自JavaScript文件的链接

5、链接搜索工具

6、根据响应源搜索AWS-S3

7、根据响应源搜索子域名

8、从Wayback Machine, Common Crawl, Virus Total, Alien Vault获取URL资源

9、格式化输出，可配合Grep使用

10、支持Burp输入

11、支持并行爬取多个站点

12、随机移动端/Web User-Agent

工具安装

go get -u github.com/jaeles-project/gospider

工具使用

Fast web spider written in Go – v1.1.0 by @theblackturtle

Usage:

  gospider [flags]

Flags:

  -s, --site string            待爬取的站点地址
  -S, --sites string           待爬取的站点列表
  -p, --proxy string          代理(例如: http://127.0.0.1:8080)
  -o, --output string         输出目录 
  -u, --user-agent string      需要使用的User-Agent
                                web: 随机Web User-Agent
                                mobi: 随机移动端User-Agent
      --cookie string         设置Cookie (testA=a; testB=b)
  -H, --header stringArray     设置Header
      --burp string          从Burp Http请求加载Header和Cookie
      --blacklist string       URL黑名单正则式
  -t, --threads int           并行线程数量 (默认为1)
  -c, --concurrent int         匹配域名允许的最大并发请求数（默认为5）
  -d, --depth int              限制爬取的最大深度(设置为0则表示无限递归，默认为1)
  -k, --delay int              Delay是在向匹配域名发送新请求之前需要等待的时间间隔 (秒)
  -K, --random-delay int       RandomDelay是在创建新请求之前需要等待的额外随机等待持续时间 (秒)
  -m, --timeout int            请求超时(秒) (默认为10)
      --sitemap               尝试爬取sitemap.xml
      --robots                尝试爬取robots.txt 
  -a, --other-source           从第三方查找URL (Archive.org, CommonCrawl.org, VirusTotal.com)
  -w, --include-subs           包含从第三方爬取的子域名，默认为主域名
  -r, --include-other-source   包含其他资源的URL
      --debug                启用调试模式
  -v, --verbose                启用verbose模式
      --no-redirect            禁用重定向
      --version                检查版本
  -h, --help                   显示帮助信息

样本命令

爬取单个网站：

gospider -s "https://google.com/" -o output -c 10 -d 1

爬取网站列表：

gospider -S sites.txt -o output -c 10 -d 1

同时爬取20个站点，每个站点分配10个bot：

gospider -S sites.txt -o output -c 10 -d 1 -t 20

从第三方(Archive.org, CommonCrawl.org, VirusTotal.com, AlienVault.com)获取URL：

gospider -s "https://google.com/" -o output -c 10 -d 1 --other-source

从第三方(Archive.org, CommonCrawl.org, VirusTotal.com, AlienVault.com)获取URL并包含子域名：

gospider -s "https://google.com/" -o output -c 10 -d 1 --other-source --include-subs

使用自定义Header/Cookie：

gospider -s “https://google.com/” -o output -c 10 -d 1 –other-source -H “Accept: */*” -H “Test: test” –cookie “testA=a; testB=b”

gospider -s “https://google.com/” -o output -c 10 -d 1 –other-source –burp burp_req.txt

URL/文件后缀黑名单

gospider -s "https://google.com/" -o output -c 10 -d 1 --blacklist ".(woff|pdf)"

注意：Gospider默认配置下的黑名单为：.(jpg|jpeg|gif|css|tif|tiff|png|ttf|woff|woff2|ico)。

工具使用样例

视频地址：【点我观看】

项目地址

Gospider：【GitHub传送门】