手把手教你用Python脚本+FOFA，批量挖掘CNVD通用漏洞（附完整代码与代理池配置）

Python自动化挖掘CNVD通用漏洞的工程化实践

在网络安全领域，效率往往决定着研究的深度与广度。当传统的手工测试方式遇到海量互联网资产时，自动化工具链的构建就成为安全研究人员必须掌握的技能。本文将分享一套基于Python的自动化漏洞挖掘框架，通过整合企业数据查询、资产搜索引擎和智能筛选机制，帮助安全从业者系统性地发现潜在漏洞目标。

1. 企业资产数据的高效获取与处理

企业注册信息是寻找高价值目标的起点。通过企业查询平台获取注册资本超过5000万且拥有软件著作权的公司名单，可以大幅缩小搜索范围。这里推荐使用Python的requests和pandas库来自动化这一过程：

import pandas as pd def filter_companies(input_file): df = pd.read_excel(input_file) # 筛选注册资本≥5000万且有软著的企业 filtered = df[(df['注册资金'] >= 50000000) & (df['软件著作权'] == '是')] return filtered[['公司名称', '官网']].to_dict('records')

处理公司名称时需要特别注意数据清洗：

• 移除"有限公司"、"有限责任公司"等后缀
• 去除括号内的备注信息
• 统一简繁体字符
• 处理特殊符号和空格

常见数据问题及解决方案：

提示：企业名称清洗质量直接影响后续FOFA搜索的准确率，建议保存原始和清洗后名称的映射关系以备核查。

2. FOFA资产搜索的自动化实现

FOFA作为顶尖的资产搜索引擎，其API为自动化查询提供了可能。以下是一个封装了基础查询功能的Python类：

import requests import base64 from urllib.parse import quote class FofaClient: def __init__(self, email, key): self.auth = (email, key) self.base_url = "https://fofa.info/api/v1" def search(self, query, fields="host,title,ip,domain", page=1): qbase64 = base64.b64encode(query.encode()).decode() params = { 'qbase64': qbase64, 'fields': fields, 'page': page } resp = requests.get(f"{self.base_url}/search/all", params=params, auth=self.auth) return resp.json()

实际应用中需要考虑的几个关键点：

1. 查询策略优化：

   • 优先使用title和body特征搜索
   • 结合header和cert等辅助特征
   • 分页获取完整结果集

2. 结果去重逻辑：

   • 基于IP和端口的资产唯一性判断
   • 相同标题但不同URL的合并处理
   • 排除测试环境和开发环境

3. 智能筛选机制：

def is_target_system(title, body): keywords = ['管理', '系统', '平台', '控制台'] return any(kw in title for kw in keywords) and len(body) > 2000

3. 代理池与反限制机制实战

大规模资产搜索必然面临频率限制问题。一个稳定的代理池系统需要包含以下组件：

1. 代理采集模块：

   • 免费代理源抓取
   • 付费API接口集成
   • 本地代理服务器支持

2. 质量验证体系：

def validate_proxy(proxy): try: resp = requests.get('http://httpbin.org/ip', proxies={'http': proxy, 'https': proxy}, timeout=5) return resp.status_code == 200 except: return False

3. 调度算法设计：
   • 基于响应时间的优先级队列
   • 失败自动降权机制
   • 地域分布均衡策略

代理类型性能对比：

注意：实际部署时建议混合使用不同类型的代理，并根据任务需求动态调整策略。

4. 目标资产的分析与漏洞验证

获得初步资产列表后，需要建立系统的分析流程：

1. 资产特征提取：

   • HTTP头信息分析
   • 页面关键词指纹识别
   • 框架和组件版本检测

2. 自动化扫描集成：

# 结合常见扫描工具的命令示例 nuclei -t cves/ -list targets.txt -o results.json xray webscan --url-file targets.txt --json-output vulns.json

3. 结果聚合与分析：
   • 漏洞类型统计
   • 风险等级分类
   • 厂商分布分析

漏洞验证流程关键点：

• 确保每个漏洞有清晰的复现步骤
• 收集完整的请求/响应数据
• 记录环境配置信息
• 准备多个互联网实例证明

5. 工程化实践中的经验分享

在实际部署这套系统时，有几个容易忽视但至关重要的细节：

1. 日志系统的完备性：

   • 记录每个环节的输入输出
   • 保存中间状态以便断点续跑
   • 错误分类和自动恢复机制

2. 性能优化技巧：

   • 使用异步IO处理网络请求
   • 实现结果缓存避免重复查询
   • 分布式任务队列提升吞吐量

3. 合规性注意事项：

   • 严格遵守 robots.txt 规则
   • 控制请求频率避免造成影响
   • 敏感数据加密存储

这套系统在三个月的实际运行中，平均每周能发现2-3个符合要求的通用型漏洞。最有效的策略是保持资产搜索的广度和漏洞验证的深度之间的平衡，既不过于分散也不过度集中。