编写爬虫获取Bugcrowd的测试目标

python

编写爬虫获取Bugcrowd的测试目标

前言

在最近遇到一个需求，就是需要把Bugcrowd上全部测试目标需要全部获取。于是便想到了使用自己老久以前学过的简单爬虫来实现。主要就是把全部能够获取赏金的项目的测试URL全部爬取后存储到本地，然后直接丢进扫描工具进行扫描，使得实现自动化挖洞。

分析

首先查看有赏金的项目页面是这样的

访问的URL：

1
https://bugcrowd.com/programs?vdp[]=false&hidden[]=false&sort[]=promoted-desc

image

使用burp抓包发现，我们只需访问接口：

1
https://bugcrowd.com/programs.json?vdp[]=false&sort[]=promoted-desc&page[]=1

然后通过更换page[]的参数即可实现换页。而响应包里面的program_url正是打开每一个项目的所对应的URI地址，只需要拼接一下即可访问到项目。

image

继续抓包分析发现，我们访问这类的地址：

1
https://bugcrowd.com/program_url/target_groups

URL格式：https://bugcrowd.com/项目名称/target\_groups；于是就会得到targets\_url接口

image

当我把这个接口拼接上域名访问，即可获得所被测试的目标。响应包中所有的URI即 我们需要的测试目标

image

大概三个步骤：

1.获取每一页的项目，得到项目的program_url

2.根据每个项目的program_url去请求target_groups，得到接口，接口可能是一个或者两个或者更多

3.请求上述得到的接口，在响应包里面的uri有我们想要的内容

编写

实现请求多个页面获取项目的program_url的代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
def getTarget():
    #获取范围从1到9的整数，这里就是1-9页的数据
    for i in range(1,10):
        url = f'https://bugcrowd.com/programs.json?vdp[]=false&sort[]=promoted-desc&hidden[]=false&page[]={i}'
        print("第"+ str(i) +"页："+url)
        # 请求发送
        response = httpx.get(url=url, headers=headers,timeout=None,verify=False)
        # 获取响应数据
        json_data = json.loads(response.text)
        #因为返回的是json，所以比较好处理直接通过for输出我们想要的目标
        for program in json_data["programs"]:
            #获取了资产（公司）的名称
            program_url = program.get("program_url")
            if program_url:
                #根据资产构建获取URL的api
                programUrlEnd = "https://bugcrowd.com" + program_url+"/target_groups"
                # 获取每个目标的Api，如特斯拉的资产Api
                getTargetApi(program_url,programUrlEnd)
        #随机延迟一下，时间是4-15s这个区间
        time = random.randint(4,16)
        print("延迟"+str(time)+"s")
        sleep(time)
        print("\n")

实现请求target_groups，得到接口的代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
def getTargetApi(program_url,url):
    #根据资产名称的接口获取能够获取资产的API
    print("资产名："+program_url.replace("/", ""))
    print("探测获取API："+url)
    response = httpx.get(url=url, headers=headers, timeout=None,verify=False)
    print("状态："+str(response.status_code))
    #如果不能资产名称的接口，就忽略掉，这里只要成功200的
    if response.status_code == 200:
        targetApiArry = []
        #这里是存储了能获取到资产的公司的名称（或项目名称）
        programNameArry.append(program_url.replace("/", ""))
        #拿到了获取资产的结果
        json_data = json.loads(response.text)
        for targets in json_data["groups"]:
            #也是json格式的数据，我们把想要的拿出来
            targets_url = targets.get("targets_url")
            if targets_url:
                targets_url = "https://bugcrowd.com" + targets_url
                print("Api："+ targets_url)
                targetApiArry .append(targets_url)
        #封装为一个字典，每一个资产对应属于自己的接口
        targetApiDit[program_url.replace("/", "")] = targetApiArry
    print("\n")

实现根据资产获取uri的代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
def getTargetUrl():
    #遍历我们上面拿到的一个字典，里面存储着项目名称以及能够获取到测试URL的接口
    for key, values in targetApiDit.items():
        print("当前资产："+key)
        #定义一个空数组，循环一次就清空一次，同时下面也会同步写入到一个新的字典里面，实现了每个项目名称所对应的测试URL
        TargetUrl = []
        for value in values:
            #进行请求获取测试URL的API
            response = httpx.get(url=value, headers=headers, timeout=None,verify=False)
            #获取响应数据
            json_data = json.loads(response.text)
            #遍历一下，拿到uri
            for uri in json_data["targets"]:
                uri_url = uri.get("uri")
                if uri_url:
                    #把同一个项目的URI存到这个数组里面
                    TargetUrl.append(uri_url)
                    #把所有的URI都存到这个数组里面，下面直接调用就输出了一个全部URI的txt文件
                    MergeTxt.append(uri_url)
        #根据测试项目做为key，所属项目的测试URI做为value 构造成一个新的字典，下面写到Excel的时候用到
        resultXlsxDit[key] = TargetUrl

实现把所有测试URL写入到txt的代码

1
2
3
4
5
6
def outPutMergeTxt():
    # 打开文本文件进行写入
    with open('output.txt', 'w') as file:
        # 将数组中的每个元素写入文本文件的新行中
        for item in MergeTxt:
            file.write(str(item) + '\n')

实现使用panda模块把对应测试项目的URL写入到Excel表格的代码

1
2
3
4
5
6
def outPutXlsx():
    # 将字典转换为DataFrame
    df = pd.DataFrame(pd.DataFrame.from_dict(resultXlsxDit, orient='index').values.T,
                      columns=list(resultXlsxDit.keys()))  # 防止输入的数值长度不一样的时候会崩掉
    # 将DataFrame保存为XLSX文件
    df.to_excel('output.xlsx', engine='xlsxwriter',index=False)

在主函数中进行一次调用即可。

最终效果：

所生成的txt

image

所生成的Excel

image

总结

1.目前的不足：所获取到的URL里面有些是下载移动端的链接，如跳转到谷歌或苹果商城的URL，这个后续可以写一段代码进行匹配过滤。

2.踩坑，一开始打算使用xpath来实现。当我已经实现了获取测试的URL之后，发现这个是异步请求的，如果需要使用xpath的话，就要先把加载好的页面下载到本地之后，才能有完整的数据，最后抓包发现，直接使用接口请求，处理一下json格式的响应包即可。