elevenpaths/googleindexretrieverRecupera conteúdo web deletado do índice do Google ao forçar consultas de pesquisa para reconstruir texto, detectar injeções de spam ocultas e descobrir exposição de dados sensíveis em páginas em cache.
Você já encontrou uma página da web que parece falar exatamente sobre o que você precisa, mas foi removida? Sim, o cache do Google é a resposta, mas... e se o cache também foi removido? E se o site está apenas na página de índice do Google? Você não pode recuperar a página, mas sabe que ela estava lá.
Google Index Retriever tentará recuperar o índice no Google, para que você possa obter parte do texto de volta, e talvez aquele conteúdo removido que você precisa. O cache do Google não está lá para sempre. De vez em quando, eles são simplesmente removidos para sempre. O Archive.org e seu WayBackMachine não tiram tantos instantâneos das páginas menos populares... então, há algumas situações onde a única parte de uma web que resta está no Índice do Google.
O índice do Google é aquela pequena parte de texto na página de resultados que o mecanismo de busca do Google mostra quando o usuário pesquisa algo. No "índice", as palavras pesquisadas correspondentes aparecem em negrito. O Índice do Google é a última parte de uma web a desaparecer. Portanto, haverá situações em que essa é a única parte restante. O Google mantém diferentes "índices" da mesma página da web, então, se todos pudessem ser reunidos, o texto seria reconstruído e talvez aparecesse.
Mas essa não é a única situação em que a ferramenta pode ser útil. E se o índice contiver senhas, números de cartão de crédito ou qualquer outra informação sensível? Na verdade, essa foi uma das razões para criar a ferramenta: demonstrar que remover a página da web e o cache com conteúdo ofensivo ou sensível não é suficiente. O conteúdo ainda pode ser acessível. Tudo isso é explicado nesta .
É muito fácil. A ferramenta é alimentada com uma Pesquisa Google que produz um resultado de índice. Ela tentará, forçando a Pesquisa Google ("estimulando-a") para recuperar o máximo possível. Em seguida, possui algumas opções diferentes:
A lógica para tentar "estimular" o índice e recuperar a informação é:
O Google, é claro, lançará um CAPTCHA de tempos em tempos devido ao uso contínuo de seu serviço. Isso é perfeitamente normal. O Google Index Retriever capturará o CAPTCHA para que seja fácil resolver e continuar.
Esta ferramenta também pode ser usada para verificar se um site foi provavelmente comprometido e injetado com spam e SEO negro. É comum que atacantes comprometam páginas da web e injetem palavras de spam nelas para "roubar" seu PageRank.
Este conteúdo não é visível para os visitantes, mas apenas para o robô e spider do Google, por isso geralmente é visível neste índice. Esta aba funciona exatamente da mesma forma que a outra, mas com outra lógica:
Dessa forma, é mais fácil saber se uma página da web foi comprometida e injetada com spam de SEO.
O programa é escrito em Java, portanto deve funcionar em qualquer sistema e versão, embora tenha sido testado no Windows. Os resultados podem ser exportados para um documento html no computador local. As palavras-chave e spamKeywords são totalmente personalizáveis. Elas podem ser adicionadas individualmente ou editadas diretamente de um arquivo TXT.
