cc.py

Extrae URLs de un objetivo específico basándose en los resultados de "commoncrawl.org".
Actualizado a v.0.3 | Novedades:

• Procesamiento un 65% más rápido
• Especifica un año mediante -y/--year, p. ej.: -y 2018
• Especifica un archivo de salida mediante -o/--out, p. ej.: -o whatever.txt
• Rastrea todas las páginas de un índice específico con -i/--index, p. ej.: cc.py army.mil -i CC-MAIN-2018-05
• Lista todos los índices disponibles con -l/--list, p. ej.: cc.py army.mil -l

Pendiente

• Rastrear un índice específico
• Implementación de multihilo
• Permitir un rango de años como entrada
• Implementar direct-grep
• Escritura temporal de archivos

Uso

cc.py [-h] [-y YEAR] [-o OUT] [-l] [-i INDEX] [-u] domain

positional arguments:
  domain                domain which will be crawled for

optional arguments:
  -h, --help            show this help message and exit
  -y YEAR, --year YEAR  limit the result to a specific year (default: all)
  -o OUT, --out OUT     specify an output file (default: domain.txt)
  -l, --list            Lists all available indexes
  -i INDEX, --index INDEX
                        Crawl for a specific index (this will crawl all
                        pages!)
  -u, --update          Update index file

Ejemplo

python3 cc.py github.com -y 2018 -o github_18.txt
cat github_18.txt | grep user

Dependencias

• Python3

Esto es un fork del repositorio principal; solo añadí algunas funciones que faltaban.