获取全网可访问的网址

[1903372529]

我想获取我可以访问的所有网址信息，原因：我所知道的网址都是通过各大网站推荐、搜索引擎找到、朋友推荐，这种形式获取的，但总有我未曾发现的非常好的网站，我想通过这种方式获取一些我感兴趣的新网站。（非黄）

我想尝试获取所有的可以正常访问的网址，并输出网址+标题。 通过搜索发现一篇文章《域名遍历搜索 python 实现》： https://blog.csdn.net/qq_33848737/article/details/77879841

但博主已经没有更新了，我尝试将他的程序跑起来，发现 domainqueue 在进程池中的协程中调用时为空，而主进程初始化时不为空。由于对 python、对多进程、多线程不够了解，尝试了两天，有些束手无策，但始终难以消除心中的这个想法。希望有大佬可以帮帮我。

看了大家的回复：
1、网站基数高达 17 亿。
2、假设遍历得到所有可访问的网站，结果集也是相当大。
3、同一个 IP 可能绑定有多个域名。

难以遍历，遍历后结果集过大，不能达到寻找感兴趣网站的目的，所以遍历所有网站的想法是行不通的。

那么回到问题的核心：我希望能获取到自己目前不知道的，却是我感兴趣的，有价值的网站。
该通过怎样的方法去实现呢？

[Sylv]

你这想法是大海捞针。

[randyo]

不如找找看哪里能查询到所有备案域名

[1903372529]

@Sylv 确实是大海捞针，但也许我捞的不是一根针呢？能捞多少捞多少呗。我的想法确实有些奇怪，我通过各种搜索引擎都没有搜到相关的资料，唯一找到一篇就是我在文中提到的哪章。

[foskazs]

太難實現了

[1903372529]

@randyo 我在想是不是可以通过遍历 IP 地址来实现？也许有些网站并没有域名？

[1903372529]

@foskazs 确实难以实现，不过我还是很渴望能做到这件事。

[annoy1309]

我觉得你需要科普一下具体定义

[envylee]

这不就是搜索引擎吗，不断抓取...

[1903372529]

@annoy1309 比如 www.baidu.com 和 www.v2ex.com ，在我不知道域名的情况下，我希望通过一个程序可以知道这些网址是可以访问的，并获取网站的标题。通过这种方式来发现一些新的网站，也许是我不知道的网站，也许是不出名的网站，也许是刚被搭建且没有做任何宣传的网站。

[OscarUsingChen]

http://www.internetlivestats.com/total-number-of-websites/

祝你好运。有 16 亿个网站呢

[1903372529]

@envylee 大概是这个意思，想通过一个程序，列出一个列表，列表包含任何访问状态码为 200 的网站以及网站标题。

[naiba]

这个有的，有请楼下搞安全的大佬解答

[1903372529]

@OscarUsingChen 中国占有 7 亿，占有率很高呢。

[XuJianHua]

@naiba 这个 naiba 是非主流 naiba 吗

[javashell]

你这个想法和网络空间引擎相似，具体可以参考 fofa.so 撒旦 钟馗之眼等

[binux]

Google 只有不存在的网站搜索不到

[blodside]

比起去挨个爬不如直接解析 common crawl 的数据 dump

[GeekCourse]

谷歌都没有把全部网站给抓取下来。
如果按照域名遍历的话，你可以计算一下 5 位长度域名。
26 个字母+10 个数字+中横线=37
37 的 5 次方等于六千六百万
再乘以 200 个域名后缀，等于 138 亿

然后其他域名长度的要不要呢？
比如 6 位，7 位，8 位，9 位，10 位
你算算有多少个域名？

[inhzus]

那假如你获取到了所有的网站了，你想到怎么才能找到自己感兴趣的网站了吗？

[Hk4Fun]

可以试一下 zmap，据说能在一个小时内扫描整个公共互联网

[heyeshuang]

想起了一篇科幻小说：《诗云》。我用里面的一首诗来回答你吧：
啊啊啊啊啊啊啊
啊啊啊啊啊啊啊
啊啊啊啊啊啊啊
啊啊啊啊啊啊嗷

[nfroot]

@Hk4Fun 又不是每个网站都可以直接通过 IP 访问，遍历 IP 没有用的

[tony601818]

听说你想复制谷歌？

[lzxgh621]

域名最长 63 位 总共 63 个字符排列组合 遍历一遍

[Ultraman]

真找出来了你能一个一个看过去吗…？

[nfroot]

你要是觉得遍历 IP 肯定是行不通的，一个 IP 上面可能有一千个域名绑定了。
遍历域名更行不通，短域名有可能，稍微长一点的不现实。

不过并不是没有办法，每个域名后缀都有一个组织维护，你只需要找一批雇佣兵，一个个地点摸过去，让他们交出该后缀下所有域名。

也可以去找那些非权威 dns 服务器(就是类似 114.114.114.114 这种公共 dns，或者运营商 dns 服务器)，他们也有列表，不过不是那么完整，不过一个个摸过去绝对可以得到大部分。

[lzxgh621]

@lzxgh621 #24 是 37

[kerr92]

咨询域名注册商？

[nfroot]

现在知道为什么谷歌要建立自己的公共 dns 服务器了吧?不管你是什么域名，都需要解析，只要经过了他家的 dns 服务器，就会留下记录，然后关门上爬虫。。。

[nfroot]

完成了第一步，接下来你就会遇到第二个问题。

选择困难症

这个也是谷歌的专业。。。


所以更简单的办法是，把谷歌收购了，你的问题全都解决了，这也是可行性最高的方式。

[1903372529]

@nfroot 你说的很有意思。

[1903372529]

@inhzus 确实是一个问题。

[1903372529]

@binux 你确定谷歌能搜索到所有的网站吗？

[naiba]

@XuJianHua 这个是非主流奶爸😉

[jadec0der]

无力吐槽，真是缘木求鱼…为什么不相信推荐，要自己去发现？你买书会不相信媒体的书店的推荐，拿出版总署的书号目录一本一本看吗

[annoy1309]

@Hk4Fun 印象中 zmap 那次一小时，用的可是对等的 10G 带宽。。。

[foskazs]

你是不是想开发个暗网……

[qilishasha]

可以通过 ip 为遍历基础，然后对每一个 ip 进行域名绑定反查，就可以有效的获得在用域名了。然后对每个域名的快照内容进行你感兴趣的筛选就可以了。

[yingfengi]

关键词：钟馗之眼

但是你也得有关键词啊。。。不然难道你遍历所有域名？那还有二级域名呢，你怎么办。

[yingfengi]

@lzxgh621 二级域名，三级域名，四五六七八九十级域名怎么办。

[mayx]

censys 可以扫描所有没设白名单的网站

[jeffjade]

如果你的初衷是：“希望能获取到自己目前不知道的，却是我感兴趣的，有价值的网站”
那么推荐关注下 https://nicelinks.site/ 这个网站，兴许对你有所帮助（尤其是在未来）。

[io123]

之前写过这种广度爬虫，每分钟抓取 1 万+网址(不重复)

[lhx2008]

楼主的意思就是建立一个分布式的网站推荐系统，这个确实没人做，不过难度也非常高

[waacoo]

Internet Archive is a non-profit digital library offering free universal access to books, movies & music, as well as 351 billion archived web pages.
你想的别人都缓存了，你唯一要做的就是爬它，然后列表出来。
archive.org

[1903372529]

@jeffjade 感谢

[1903372529]

@io123 可以参考一下吗？

[1903372529]

@lhx2008 放大了讲确实是这个意思，不过目前只是想自己做个功能型工具玩儿。

[Mutoo]

互联网上 96% 的内容是在深网和暗网的，你爬也爬不到。

[1903372529]

@Mutoo 对这些网站也比较有好奇心，想知道如何能够爬取到

[1903372529]

@Mutoo 如果爬不到，那他们是怎么访问的呢？

[Mutoo]

@1903372529 会员制网站，学术数据库，Tor 网络上的军火商。

[1903372529]

@Mutoo 感谢科普

[grimpil]

庄子：吾生也有涯，而知也无涯，以有涯随无涯，殆已。

不如你先说说你都对啥感兴趣，v 站这么多大佬，给你推荐一些不就行了

[1903372529]

@grimpil 感谢你的建议

[binux]

@Mutoo #51 但是这些不符合「全网可访问」和「我可以访问的」的要求

[Mutoo]

@binux 你理解的“全网可访问”是“所有人都能访问”，而我理解的是“在能访问公网的任意网络结点”都能访问，而前提是你要有登陆权限。

[janus77]

网址 url 的话，理论上应该是超级大的，因为可以有二级 三级 等域丨名的存在，而且其没有规律，基本上是想怎么起就怎么起。如果你是最简单粗暴的遍历，估计跑不完

[evegod]

说，你是想做什么？

[vzev]

肯定不是为了找感兴趣的网站，这个想法 5 年前就实现了，不过是用来做网赚的。
讲真，就算从一万个网站里面我估计你也挑不到几个感兴趣的网站。

[BFDZ]

首先明确你的兴趣方向，然后主要几个找圈内网站的方法：
1、搜索引擎：谷歌、百度等
2、找兴趣相关的论坛、贴吧，国外有 reddit
3、加 QQ 群、微信群、tg 群结识圈内人士

[nanaw]

@Mutoo 扯毛蛋啊，你当这里是微信公众号。就暗网那一点点路由咋能吹成这样呢？暗网站点能有表网的千分之一就不错了

[sigup]

https://censys.io/data
这里有全球 80，443 端口的 http get 结果

[sigup]

censys 好像收费了，下面这个还没收费，而且更全一些
https://opendata.rapid7.com/sonar.http/

[Moani]

@1903372529 emmmmm,根据你的要求，在对对象一无所知的情况下，判断该域名是否可以访问？那你直接访问该域名根据返回结果就可以判断。
一种情况，你想对沙漠中的每一粒沙子都了解？（新开网站，新注册域名）
或者，你想知道，沙漠里与你相关的沙子？或者可能相关的沙子？
那么，大数据与人工智能？根据你的行为判断，而推送你想要的。

[Mutoo]

@nanaw 数据引用自 The Dark Net isn't what you think. It's actually key to our privacy | Alex Winter | TEDxMidAtlantic

&ab_channel=TEDxTalks
2 分 57 秒

[iacyl]

大家不要被楼主骗了，楼主其实是抓取全网消息来训练的人工智能。

[qqor]

@1903372529 都是小偷或者僵尸战

[eluotao]

告诉你一个最简单的，便利所有中文博客，还有 csdn，博客园，等个人网站的社区，抓取这些网站的所有文章，还有评论，从这些数据里就能筛选出基本全网所有已知，公开，有影响力的网站信息了！

比你遍历域名靠谱多了

[eluotao]

他们都有分享域名和链接，统统取得域名和标题。保存起来，去除重复

[quake0day]

当然是通过和你兴趣类似的人收藏的书签了
推荐试下 https://pinboard.in/

[flynaj]

想找什么东西直接 Google 就行，如果你找到东西经常在那个网站上，那个网站就是你感兴趣的

[zhzbql]

楼主你是多有钱，这么大量的数据光是买硬盘的钱都得上千万

[Northxw]

如果你有上亿美元，先买等价的云服务器，然后编写足够强健的爬虫，爬虫没日没夜爬取不下线...... 就这样，估计也搞不完，就算你的预期目标是中国版图内的 URL，你也得先剔除掉这些网页中的外网站点。 总之，虽然在理论上可以实现，但是现实不允许你这样做。因为真的真的真的真的没有资本...................

[opengps]

有些时候不太好，会把暗网各种不适合宣传的内容暴露出来
也有暴露不出来的网站，比如我的某个业务网站，域名只靠 hosts 解析使用来避免被公网工具扫描到