# crawlergo **Repository Path**: csharphpython/crawlergo ## Basic Information - **Project Name**: crawlergo - **Description**: A powerful dynamic crawler for web vulnerability scanners - **Primary Language**: Unknown - **License**: GPL-3.0 - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2021-10-16 - **Last Updated**: 2021-10-16 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # crawlergo ![chromedp](https://img.shields.io/badge/chromedp-v0.5.2-brightgreen.svg) ![Chromium version](https://img.shields.io/badge/chromium-79.0.3945.0-important.svg) ![SKP](https://img.shields.io/badge/Project-360天相-blue.svg) > A powerful dynamic crawler for web vulnerability scanners crawlergo是一个使用`chrome headless`模式进行URL入口收集的**动态爬虫**。 使用Golang语言开发，基于[chromedp](https://github.com/chromedp/chromedp) 进行一些定制化开发后操纵CDP协议，对整个页面关键点进行HOOK，灵活表单填充提交，完整的事件触发，尽可能的收集网站暴露出的入口。同时，依靠智能URL去重模块，在过滤掉了大多数伪静态URL之后，仍然确保不遗漏关键入口链接，大幅减少重复任务。 crawlergo 目前支持以下特性： * 原生浏览器环境，协程池调度任务 * 表单智能填充、自动化提交 * 完整DOM事件收集，自动化触发 * 智能URL去重，去掉大部分的重复请求 * 全面分析收集，包括javascript文件内容、页面注释、robots.txt文件和常见路径Fuzz * 支持Host绑定，自动添加Referer * 支持请求代理，支持爬虫结果主动推送 目前开放编译好的程序给大家使用，该项目属于商业化产品的一部分，代码暂无法开源。 ## 运行截图 ![](./imgs/demo.gif) ## 安装 **安装使用之前，请仔细阅读并确认[免责声明](./Disclaimer.md)。** 1. crawlergo 只依赖chrome运行即可，前往[下载](https://www.chromium.org/getting-involved/download-chromium)新版本的chromium，或者直接[点击下载Linux79版本](https://storage.googleapis.com/chromium-browser-snapshots/Linux_x64/706915/chrome-linux.zip)。 2. 前往[页面下载](https://github.com/0Kee-Team/crawlergo/releases)最新版本的crawlergo解压到任意目录，如果是linux或者macOS系统，请赋予crawlergo**可执行权限(+x)**。 > 如果你使用linux系统，运行时chrome提示缺少一些依赖组件，请看下方 Trouble Shooting ## Quick Start ### Go！ 假设你的chromium安装在 `/tmp/chromium/` ，开启最大10标签页，爬取AWVS靶场： ```shell ./crawlergo -c /tmp/chromium/chrome -t 10 http://testphp.vulnweb.com/ ``` ### 使用代理 ```shell ./crawlergo -c /tmp/chromium/chrome -t 10 --request-proxy socks5://127.0.0.1:7891 http://testphp.vulnweb.com/ ``` ### 系统调用 默认打印当前域名请求，但多数情况我们希望调用crawlergo返回的结果，所以设置输出模式为 `json`，使用python调用并收集结果的示例如下： ```python #!/usr/bin/python3 # coding: utf-8 import simplejson import subprocess def main(): target = "http://testphp.vulnweb.com/" cmd = ["./crawlergo", "-c", "/tmp/chromium/chrome", "-o", "json", target] rsp = subprocess.Popen(cmd, stdout=subprocess.PIPE, stderr=subprocess.PIPE) output, error = rsp.communicate() # "--[Mission Complete]--" 是任务结束的分隔字符串 result = simplejson.loads(output.decode().split("--[Mission Complete]--")[1]) req_list = result["req_list"] print(req_list[0]) if __name__ == '__main__': main() ``` ### 返回结果 当设置输出模式为 `json`时，返回的结果反序列化之后包含四个部分： * `all_req_list`： 本次爬取任务过程中发现的所有请求，包含其他域名的任何资源类型。 * `req_list`：本次爬取任务的**同域名结果**，经过伪静态去重，不包含静态资源链接。理论上是 `all_req_list `的子集 * `all_domain_list`：发现的所有域名列表。 * `sub_domain_list`：发现的任务目标的子域名列表。 ## 完整参数说明 crawlergo 拥有灵活的参数配置，以下是详细的选项说明： * `--chromium-path Path, -c Path` chrome的可执行程序路径 * `--custom-headers Headers` 自定义HTTP头，使用传入json序列化之后的数据，这个是全局定义，将被用于所有请求 * `--post-data PostData, -d PostData` 提供POST数据，目标使用POST请求方法 * `--max-crawled-count Number, -m Number` 爬虫最大任务数量，避免因伪静态造成长时间无意义抓取。 * `--filter-mode Mode, -f Mode` 过滤模式，简单：只过滤静态资源和完全重复的请求。智能：拥有过滤伪静态的能力。严格：更加严格的伪静态过滤规则。 * `--output-mode value, -o value` 结果输出模式，`console`：打印当前域名结果。`json`：打印所有结果的json序列化字符串，可直接被反序列化解析。`none`：不打印输出。 * `--output-json filepath` 将爬虫结果JSON序列化之后写入到json文件。 * `--incognito-context, -i` 浏览器启动隐身模式 * `--max-tab-count Number, -t Number` 爬虫同时开启最大标签页，即同时爬取的页面数量。 * `--fuzz-path` 使用常见路径Fuzz目标，获取更多入口。 * `--robots-path` 从 /robots.txt 文件中解析路径，获取更多入口。 * `--request-proxy proxyAddress` 支持**socks5**代理，crawlergo和chrome浏览器的所有网络请求均经过代理发送。 * `--tab-run-timeout Timeout` 单个Tab标签页的最大运行超时。 * `--wait-dom-content-loaded-timeout Timeout` 爬虫等待页面加载完毕的最大超时。 * `--event-trigger-interval Interval` 事件自动触发时的间隔时间，一般用于目标网络缓慢，DOM更新冲突时导致的URL漏抓。 * `--event-trigger-mode Value` 事件自动触发的模式，分为异步和同步，用于DOM更新冲突时导致的URL漏抓。 * `--before-exit-delay` 单个tab标签页任务结束时，延迟退出关闭chrome的时间，用于等待部分DOM更新和XHR请求的发起捕获。 * `--ignore-url-keywords` 不想访问的URL关键字，一般用于在携带Cookie访问时排除注销链接。用法：`-iuk logout -iuk exit`。 * `--form-values` 自定义表单填充的值，按照文本类型设置。支持定义类型：default, mail, code, phone, username, password, qq, id_card, url, date, number，文本类型通过输入框标签的`id`、`name`、`class`、`type`四个属性值关键字进行识别。如，定义邮箱输入框自动填充A，密码输入框自动填充B，`-fv mail=A -fv password=B`。其中default代表无法识别文本类型时的默认填充值，目前为Cralwergo。 * `--form-keyword-values` 自定义表单填充的值，按照关键字模糊匹配设置。关键字匹配输入框标签的`id`、`name`、`class`、`type`四个属性值。如，模糊匹配pass关键词填充123456，user关键词填充admin，`-fkv user=admin -fkv pass=123456`。 * `--push-to-proxy` 拟接收爬虫结果的监听地址，一般为被动扫描器的监听地址。 * `--push-pool-max` 发送爬虫结果到监听地址时的最大并发数。 * `--log-level` 打印日志等级，可选 debug, info, warn, error 和 fatal。 ## 使用举例 crawlergo 返回了全量的请求和URL信息，可以有多种使用方法： * 联动其它的开源被动扫描器 首先，启动某被动扫描器，设置监听地址为：`http://127.0.0.1:1234/`。 接下来，假设crawlergo与扫描器在同一台机器，启动 crawlergo，设置参数： `--push-to-proxy http://127.0.0.1:1234/` * 子域名收集 example * 旁站入口收集 example * 结合celery实现分布式扫描 * Host绑定设置（高版本chrome无法使用） [(查看例子)](https://github.com/0Kee-Team/crawlergo/blob/master/examples/host_binding.py) * 带Cookie扫描 [(查看例子)](https://github.com/0Kee-Team/crawlergo/blob/master/examples/request_with_cookie.py) * 调用crawlergo调用产生僵尸进程，定时清理 [(查看例子)](https://github.com/0Kee-Team/crawlergo/blob/master/examples/zombie_clean.py) , contributed by @ring04h ## Trouble Shooting * 'Fetch.enable' wasn't found Fetch是新版chrome支持的功能，如果出现此错误，说明你的版本较低，请升级chrome到最新版即可。 * chrome运行提示缺少 xxx.so 等依赖 ```shell // Ubuntu apt-get install -yq --no-install-recommends \ libasound2 libatk1.0-0 libc6 libcairo2 libcups2 libdbus-1-3 \ libexpat1 libfontconfig1 libgcc1 libgconf-2-4 libgdk-pixbuf2.0-0 libglib2.0-0 libgtk-3-0 libnspr4 \ libpango-1.0-0 libpangocairo-1.0-0 libstdc++6 libx11-6 libx11-xcb1 libxcb1 \ libxcursor1 libxdamage1 libxext6 libxfixes3 libxi6 libxrandr2 libxrender1 libxss1 libxtst6 libnss3 // CentOS 7 sudo yum install pango.x86_64 libXcomposite.x86_64 libXcursor.x86_64 libXdamage.x86_64 libXext.x86_64 libXi.x86_64 \ libXtst.x86_64 cups-libs.x86_64 libXScrnSaver.x86_64 libXrandr.x86_64 GConf2.x86_64 alsa-lib.x86_64 atk.x86_64 gtk3.x86_64 \ ipa-gothic-fonts xorg-x11-fonts-100dpi xorg-x11-fonts-75dpi xorg-x11-utils xorg-x11-fonts-cyrillic xorg-x11-fonts-Type1 xorg-x11-fonts-misc -y sudo yum update nss -y ``` * 运行提示**导航超时** / 浏览器无法找到 / 不知道正确的**浏览器可执行文件路径** 确认配置的浏览器可执行路径正确，在地址栏中输入：`chrome://version`，找到可执行程序文件路径： ![](./imgs/chrome_path.png) ## Bypass headless detect https://intoli.com/blog/not-possible-to-block-chrome-headless/chrome-headless-test.html ![](./imgs/bypass.png) ## 关于360天相 crawlergo是[**360天相**](https://skp.360.cn/)的子模块，天相是360自研的**资产管理与威胁探测系统**，主打强大的资产识别能力和全方位分析体系，拥有高效率的扫描能力，核心技术由 [360 0KeeTeam](https://0kee.360.cn/) 和 [360 RedTeam](http://redteam.360.cn/) 提供支持。 ![](./imgs/skp.png) 详情请访问：[https://skp.360.cn/](https://skp.360.cn/) ## Follow me 如果你有关于动态爬虫的想法，欢迎和我交流。 微博：[@9ian1i](https://weibo.com/u/5242748339) Github: [@9ian1i](https://github.com/Qianlitp) 相关文章：[漏扫动态爬虫实践](https://www.anquanke.com/post/id/178339)