在10月份的时候为了准备一个竞赛，需要收集公开漏洞和EXP，而且比赛过程中不能连接外网。便尝试用Node.js对sebug漏洞库进行了整站抓取，成功”快照“了两万多个漏洞和exp。写一下大概过程和代码，希望对有类似需求的同学有所帮助。

主要利用了jQuery来进行HTTP下载和关键信息提取（需要操作DOM，可能效率不是很高）的工作。

sebug有一个地址可以按顺序列出全部漏洞：http://sebug.net/vuldb/vulnerabilities?start=1

将start参数修改为具体的翻页即可遍历出所有的项目。之前还发现了一个小BUG，把start参数改成-1之类，会输出比较详细的错误信息，包括出错的源文件路径、具体的SQL查询语句，一下就暴露了表结构和后端的系统（web.py+MYSQL）。sebug似乎发现了这个问题，现在只是简单地输出一句HTTP 500。

接下来就是信息的提取了。跟浏览器前端完全一致的函数接口（querySelector等，甚至可以直接用jQuery）是我喜欢用Node.js抓取网页的原因，感觉就像是在自己的网页上写前端代码一样。比如我要提取出第1页中所有漏洞的链接，只需要使用CSS查询“.li_list > ul > li”即可。对网页正文的提取类似。

sebug在漏洞详情中夹带了广告，这是我不需要的。可以这样去掉：

dom.find("#isad").remove();

sebug上很多漏洞并没有直接给出细节，而是贴上一个外链了事。对于需要离线环境使用的我来说，一个链接怎么够？还好遇到了神器PhamtomJS。它的强大功能不多做废话，这里我只需要用到一个特性，将指定URL的网页几乎原汁原味地渲染成PDF格式。

剩下的就是耐心等待了。sebug对频繁的访问会返回HTTP 503，只好在脚本中使用队列和setTimeOut解决，这就完全把以“非阻塞”为卖点的Node彻底弄残了。如果能搞到几个不同的公网IP再做简单的分配，抓取速度将会大为提高。

最后抓取的结果光是数据库就有近100M，而PDF格式的网页快照有111M，就不传gitHub了。

展示界面用express随便写了一个站，只写了index和404的模版，其余的全靠AJAX和动态修改DOM，所以界面这块并没有写多少代码。感觉真是非常的爽啊。

代码地址：https://github.com/ChiChou/offlineSebug

赶工做出来的代码比较潦草，可能以后有精力再重构了，请轻微吐槽。