-
Notifications
You must be signed in to change notification settings - Fork 1
/
research.py
executable file
·170 lines (157 loc) · 5.48 KB
/
research.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
#!/usr/bin/env python3
import time, re
from urllib import error as urllibError
#import local
import utils, identifier
#list URI feeds
uri_feed = [
#default
'/feed',
'/feed.xml',
'/feed.rss',
'/feed/rss.xml',
'/feed/atom.xml',
'/atom.xml',
'/atom.rss',
#wordpress
'/feed/',
'/feed/rss/',
'/feed/rss2/',
'/feed/rdf/',
'/feed/atom/'
#wordpress noncontinue
'/?feed=rss',
'/?feed=rss2',
'/?feed=rdf',
'/?feed=atom',
# drupal
'/rss.xml',
#joomla
'/index.php?format=feed&type=rss',
#django, due to doc :
'/latest/feed/',
'/sitenews',
#automn CMS :
'/rss.php',
'/rss/rss.php',
# forum BB
'/extern.php?action=feed&type=atom',
'/rss/news/rss.xml',
'/syndication.php',
'/posts.rss',
'/latest.rss',
'/index.php?action=.xml;type=rss',
'/external?type=rss2',
# ouest france blog
'/index.rss',
# WIX blog
'/blog-feed.xml'
]
# récupère les fluxs présents en link simple
def getFluxLink(browser, domain, limierLog):
limierLog("Tentative de récupération de flux type link.")
listret = []
fluxlist = browser.find_all('link', attrs={'type':"application/rss+xml"})
fluxlist += browser.find_all('link', attrs={'type':"application/atom+xml"})
fluxlist += browser.find_all('link', attrs={'type':"application/rdf+xml"})
for i in fluxlist:
if(i.has_attr('href')):
listret.append(i.attrs['href'])
return listret
def getPossibleFluxLink(browser, domain, limierLog, depth=0):
# on s'assure de ne pas faire de boucle infinie :
if(depth > 3):
return
limierLog("Tentative de récupération de flux type href.")
base_url = domain
listret = []
listlink = browser.find_all('a')
for i in listlink:
try:
if(("feed" in i.attrs['href']) or
("rss" in i.attrs['href']) or
("RSS" in i.attrs['href']) or
("atom" in i.attrs['href']) or
("syndication" in i.attrs['href'])):
# on passe les cas déjà traités
if(i.attrs['href'] in listret):
continue
browser.follow_link(i)
# on brise la boucle si le lien est identique :
if(browser.url == base_url):
browser.back()
continue
# on vérifie si c'est bien un flux rss
if(utils.rss_check(browser.response.content)):
listret.append(i.attrs['href'])
# on vérifie qu'il n'y a pas de liste de flux sinon
elif(base_url in domain and base_url != domain):
listret += getPossibleFluxLink(browser, domain, limierLog, depth=depth+1)
browser.back()
else:
# l'url n'est pas un flux rss ou ne mène pas vers un flux a priori
browser.back()
except KeyError as e:
pass
except Exception as e:
raise e
browser.open(base_url)
return listret
#bruteforce feed
def getFluxBruteForce(browser, domain, limierLog):
limierLog("Recherche de flux par bruteforce ಠ_ಠ")
listret = []
base_url = domain
for i in uri_feed:
limierLog("recherche : {}{}".format(base_url, i))
try:
browser.open(base_url + i, verify=False)
if(not browser.response.ok):
pass
else:
if((browser.find("feed") != None) or
(browser.find("rss") != None)):
listret.append(browser.url)
except Exception as e:
limierLog(e)
time.sleep(1.5)
return listret
#check le sitemap.xml s'il existe
# TODO, traiter tous les cas de redirection vers xsl...
def getSiteMapFlux(browser, domain, limierLog):
limierLog("Tentative de récupération de flux en sitemap")
base_url = domain
browser.open(base_url + "/sitemap.xml", verify=False)
#check si redirection
if(browser.response.is_redirect):
if(browser.response.url != browser.url):
browser.open(browser.response.url)
elif('Location' in browser.response.headers):
if(utils.url_check(browser.response.headers['Location'])):
browser.open(browser.response.headers['Location'], verify=False)
else:
return []
if(not browser.response.ok):
return []
if(utils.sitemap_check(str(browser.parsed))):
return [browser.url]
#pour quand on devra traiter le xsl
## browser.open(base_url + "/sitemap.xsl")
## if(utils.sitemap_check(str(browser.parsed))):
## return [browser.url]
# c'est pas juste, tout le monde est sensé avoir un sitemap ! >.<
return []
#identifier le CMS
def frameworkIdentifier(browser, limierLog):
limierLog("Identification framework")
socnet = identifier.SocialNetwork(limierLog)
snrss = socnet.getRSS(browser)
if(snrss != False):
return [snrss]
del socnet, snrss
spipnet = identifier.spip(limierLog)
spiprss = spipnet.getRSS(browser)
if(spiprss != []):
return spiprss
del spipnet, spiprss
return []