GitHack 源码分析

Posted 2021-11-29 bxscope

PS：因为刚接触Python所以就有很多没接触到的库和函数，所以打算通过这种方式来学习这些库和函数

过程概述：

sys.argv[-1]获取控制台输入的url赋值给base_url

通过urlparse.urlparse(sys.argv[-1]).netloc.replace(‘:‘, ‘_‘)获取给定url中的服务器地址赋值给domain

创建名为domain的文件夹

输出：[+] Download and parse index file ...

通过_request_data()函数获取目标路径下的index文件赋值给data

创建index文件，在其中写入上一步获取到的data

定义一个FIFO队列

未完......

 

---

 

sys.argv

一个列表，其中包含了被传递给 Python 脚本的命令行参数。 argv[0] 为脚本的名称（是否是完整的路径名取决于操作系统）。如果是通过 Python 解释器的命令行参数 -c 来执行的， argv[0] 会被设置成字符串 ‘-c‘ 。如果没有脚本名被传递给 Python 解释器， argv[0] 为空字符串。

urlparse.urlparse(urlstring[, scheme[, allow_fragments]])

将URL解析为六个组件，返回一个6元组。 这对应于URL的一般结构：scheme://netloc/path;parameters?query＃fragment。 每个元组项都是一个字符串，可能是空的。 组件不会以较小的部分分解（例如，网络位置是单个字符串），并且不会展开％escapes。 如上所示的分隔符不是结果的一部分，除了路径组件中的前导斜杠，如果存在则保留。

>>> from urlparse import urlparse
>>> o = urlparse(‘http://www.cwi.nl:80/%7Eguido/Python.html‘)
>>> o   # doctest: +NORMALIZE_WHITESPACE
ParseResult(scheme=‘http‘, netloc=‘www.cwi.nl:80‘, path=‘/%7Eguido/Python.html‘,
            params=‘‘, query=‘‘, fragment=‘‘)
>>> o.scheme
‘http‘
>>> o.port
80
>>> o.geturl()
‘http://www.cwi.nl:80/%7Eguido/Python.html‘

 官方文档：https://docs.python.org/zh-cn/2.7/library/urlparse.html#module-urlparse

class Queue.queue(maxsize=0)

FIFO队列的构造函数。 maxsize是一个整数，用于设置可以放入队列的项目数的上限。 达到此大小后，插入将阻塞，直到消耗队列项。 如果maxsize小于或等于零，则队列大小为无限大。

官方文档：https://docs.python.org/zh-cn/2.7/library/queue.html#module-Queue

urllib2.Request(url[, data][, headers][, origin_req_host][, unverifiable])

该类是URL请求的抽象。

url应该是包含有效URL的字符串。

data可以是指定要发送到服务器的其他数据的字符串，如果不需要这样的数据，则为None。 目前，HTTP请求是唯一使用数据的请求; 提供数据参数时，HTTP请求将是POST而不是GET。 数据应该是标准application / x-www-form-urlencoded格式的缓冲区。 urllib.urlencode（）函数采用2元组的映射或序列，并以此格式返回一个字符串。

headers应该是一个字典，并且将被视为调用add_header（）时每个键和值作为参数。 这通常用于“欺骗”User-Agent标头值，浏览器使用该标头值来识别自身 - 某些HTTP服务器仅允许来自常见浏览器而非脚本的请求。 例如，Mozilla Firefox可能将自己标识为“Mozilla / 5.0（X11; U; Linux i686）Gecko / 20071127 Firefox / 2.0.0.11”，而urllib2的默认用户代理字符串为“Python-urllib / 2.6”（在Python 2.6上） 。

最后两个参数仅对正确处理第三方HTTP cookie感兴趣：

origin_req_host应该是RFC 2965定义的origin事务的请求主机。它默认为cookielib.request_host（self）。 这是用户启动的原始请求的主机名或IP地址。 例如，如果请求是针对HTML文档中的图像，则该请求应该是包含图像的页面请求的请求主机。

unverifiable应该表明请求是否无法验证，如RFC 2965所定义。它默认为False。 无法验证的请求是用户无法选择批准的URL。 例如，如果请求是针对HTML文档中的图像，并且用户没有选择批准自动获取图像，则应该这样。

import urllib2
url = ‘http://www.baidu.com‘
request = urllib2.Request(url)
print request

 运行结果：

C:\Python27\python.exe E:/python/GitHack-master/lib/test.py
<urllib2.Request instance at 0x00000000034F0088>

 返回一个Request实例

官方文档：https://docs.python.org/zh-cn/2.7/library/urllib2.html#module-urllib2

urllib2.urlOpen(url[, data[, timeout[, cafile[, capath[, cadefault[, context]]]]]

打开URL ，url可以是字符串或Request对象。

data可以是指定要发送到服务器的其他数据的字符串，如果不需要这样的数据，则为None。 目前，HTTP请求是唯一使用数据的请求; 提供数据参数时，HTTP请求将是POST而不是GET。 数据应该是标准application / x-www-form-urlencoded格式的缓冲区。 urllib.urlencode（）函数采用2元组的映射或序列，并以此格式返回一个字符串。 urllib2模块使用Connection发送HTTP / 1.1请求：包括close头。

可选的timeout参数指定阻塞操作（如连接尝试）的超时（以秒为单位）（如果未指定，将使用全局默认超时设置）。 这实际上仅适用于HTTP，HTTPS和FTP连接。

如果指定了context，则它必须是描述各种SSL选项的ssl.SSLContext实例。 有关更多详细信息，请参阅HTTPSConnection。

可选的cafile和capath参数为HTTPS请求指定一组可信CA证书。 cafile应指向包含一组CA证书的单个文件，而capath应指向散列证书文件的目录。 可以在ssl.SSLContext.load_verify_locations（）中找到更多信息。

cadefault参数被忽略。

此函数返回一个类似文件的对象，其中包含三个附加方法：

geturl（） - 返回检索到的资源的URL，通常用于确定是否遵循重定向
    
info（） - 以mimetools.Message实例的形式返回页面的元信息，例如headers（请参阅HTTP标题的快速参考）
    
getcode（） - 返回响应的HTTP状态代码。

import urllib2
url = ‘http://www.baidu.com‘
request = urllib2.Request(url)
print urllib2.urlopen(request)

 运行结果：

C:\Python27\python.exe E:/python/GitHack-master/lib/test.py
<addinfourl at 58013064L whose fp = <socket._fileobject object at 0x00000000034F67C8>>

 返回一个socket._fileobject 对象，也就是个文件对象

官方文档：https://docs.python.org/zh-cn/2.7/library/urllib2.html#module-urllib2

class mmap.mmap(*fileno*, *length*[, *tagname*[, *access*[, *offset*]]])

（Windows版）映射文件句柄fileno指定的文件的length字节，并创建mmap对象。 如果length大于文件的当前大小，则文件将扩展为包含length字节。 如果length为0，则映射的最大长度是文件的当前大小，但如果文件为空，则Windows引发异常（您无法在Windows上创建空映射）。

tagname，如果指定而不是None，是一个字符串，给出映射的标记名称。 Windows允许您针对同一文件具有许多不同的映射。 如果指定现有标记的名称，则会打开该标记，否则将创建此名称的新标记。 如果省略此参数或None，则创建没有名称的映射。 避免使用tag参数将有助于保持代码在Unix和Windows之间可移植。

offset可以指定为非负整数偏移量。 mmap引用将相对于文件开头的偏移量。 offset默认为0. offset必须是ALLOCATIONGRANULARITY的倍数。

关于mmap对象

Memory-mapped file objects的行为类似于字符串和文件对象。 然而，与普通的字符串对象不同，这些是可变的。 您可以在大多数需要字符串的地方使用mmap对象; 例如，您可以使用re模块搜索内存映射文件。 由于它们是可变的，您可以通过执行obj [index] =‘a‘来更改单个字符，或者通过分配给切片来更改子字符串：obj [i1：i2] =‘...‘。 您还可以从当前文件位置开始读取和写入数据，并通过seek()搜索文件到不同的位置。

官方文档：https://docs.python.org/zh-cn/2.7/library/mmap.html#module-mmap

class collections.OrderedDict([items])

返回dict子类的实例，支持常用的dict方法。OrderedDict是一个dict，它记住键第一次插入的顺序。如果一个新条目覆盖了一个现有条目，原始插入位置将保持不变。删除条目并重新插入将把它移动到末尾。

关于OrderedDict对象

有序字典就像普通字典一样，但是它们记住条目插入的顺序。当遍历一个有序的字典时，条目将按照它们的键首先被添加的顺序返回。

官方文档：https://docs.python.org/zh-cn/2.7/library/collections.html#collections.OrderedDict

sorted(iterable[, cmp[, key[, reverse]]])

cmp指定一个由两个参数(迭代元素)组成的自定义比较函数，根据第一个参数是小于、等于还是大于第二个参数，该函数应该返回一个负数、零还是正数:cmp=lambda x,y: cmp(x.lower()， y.lower())。默认值是None

key指定一个参数的函数，该函数用于从每个列表元素中提取比较键：key = str.lower。 默认值为None（直接比较元素）。

reverse 为一个布尔值。 如果设为 True，则每个列表元素将按反向顺序比较进行排序。

通常，键和反向转换过程比指定等效的cmp函数要快得多。这是因为cmp对每个列表元素调用多次，而键和反向触摸每个元素仅一次。使用functools。cmp to key()将旧式cmp函数转换为键函数。

官方文档：https://docs.python.org/zh-cn/2.7/library/functions.html#sorted