cc.py

Extraindo URLs de um alvo específico com base nos resultados de "commoncrawl.org".
Atualizado para v.0.3 | Novidades:

• Processamento 65% mais rápido
• Especifique um ano via -y/--year, ex.: -y 2018
• Especifique um arquivo de saída via -o/--out, ex.: -o whatever.txt
• Rastreie todas as páginas de um índice específico -i/--index, ex.: cc.py army.mil -i CC-MAIN-2018-05
• Liste todos os índices disponíveis -l/--list, ex.: cc.py army.mil -l

A fazer

• Rastrear um índice específico
• Implementação de multithreading
• Permitir um intervalo de anos como entrada
• Implementar direct-grep
• Gravação temporária de arquivos

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

Exemplo

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

Dependências

• Python3

Este é um fork do repositório principal, apenas adicionei alguns recursos que faltavam.