-
Notifications
You must be signed in to change notification settings - Fork 0
/
ZapretInfoXMLParser.py
271 lines (253 loc) · 14.8 KB
/
ZapretInfoXMLParser.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
# -*- coding: utf-8 -*-
#!/usr/bin/python
#DUMP_FILE_PATH = '/home/andrew/dump.xml'
import logging
import urllib
import re
import sys
import subprocess
import paramiko
import xml.etree.ElementTree as etree
from urlparse import urlparse, urlunparse
class ZapretInfoXMLParser(object):
def __init__(self, dump_file_or_path):
self.tree = etree.parse(dump_file_or_path)
self.root = self.tree.getroot()
self.domains = set()
self.domains_from_url = set()
# Зададим параметры логгирования
self.logger = logging.getLogger(__name__)
self.logger.setLevel(logging.DEBUG)
formatter = logging.Formatter(u'%(levelname)-8s [%(asctime)s] %(message)s')
console_handler = logging.StreamHandler(sys.stdout)
console_handler.setFormatter(formatter)
self.logger.addHandler(console_handler)
def get_unicode_text_from_xml_element(self, element):
# Модуль xml.etree.ElementTree парсит XML файл и сохраняет значения
# элементов в байтовой строке, но в случае с кириллицей,
# модуль хранит текст в юникоде. В нашей системе все строки
# мы храним в юникоде, поэтому все строки приводим к юникоду
#
if isinstance(element.text, unicode):
return element.text
else:
return element.text.decode('cp1251')
def get_domains(self):
"""
Получаем список доменов из XML файла из элемента "domain".
"""
for elem in self.root:
sub_elem_domain = elem.iter('domain')
for domain in sub_elem_domain:
# Получаем домен и декодируем его из str в юникод
try:
self.domains.add(domain.text.decode('cp1251'))
# Но некоторые записи парсер уже хранит в юникоде,
# чаще всего это кириллические домены.
# Поэтому преобразовываем их в формат idna
except:
self.domains.add(domain.text.encode('idna'))
return self.domains
def get_domains_from_url(self):
"""
Получаем список доменов из XML файла из элемента url.
Опытным путем проверено, что множество доменов полученных из "url" адресов
является подмножеством доменов, полученыых из элемента "domain".
:return: возвращает множество доменов
"""
for elem in self.root:
sub_elem_url = elem.iter('url')
for url_elem in sub_elem_url:
try:
url = url_elem.text.decode('cp1251')
except:
url = url_elem.text
# Выделяем имя домены из url адреса
url = urlparse(url).netloc
# Приводим к нижнему регистру
url = url.lower()
# убираем номер порта из текущей записи (domain.com:5050 => domain.com)
url = re.sub(r':[0-9]*$', '', url)
# Преобразовываем домен в формат idna
url = url.encode('idna')
# Добавляем к списку доменов
self.domains_from_url.add(url)
return self.domains_from_url
def get_data_for_checker(self):
"""
Функция возвращает URL адреса и адреса доменов для проверки их на доступность.
Данные из XML дамп файла выбираем по следующему алгоритму:
- Если в реестровой записи есть URL, выбираем его
- Если нет URL записи, но есть доменное имя, добавляем к общему списку домен
- IP адреса в текущей версии не проверяются
"""
data_for_check = set()
for elem_content in self.root:
# Вначале перебираем url записи
url_elems = elem_content.findall('url')
for url_elem in url_elems:
url = self.get_unicode_text_from_xml_element(url_elem)
data_for_check.add(url)
# Переходим к обработке доменов только
# в том случае, если отсутствует url запись
if url_elems:
continue
domain_elems = elem_content.findall('domain')
if domain_elems is not None:
for domain in domain_elems:
domain = self.get_unicode_text_from_xml_element(domain)
scheme = urlparse(domain).scheme
if not scheme:
domain = u'http://' + domain
data_for_check.add(domain)
return data_for_check
def load_data_to_squidguard(self):
# Множество url адресов
urls = set()
# Множество url адресов, содержащих кириллицу и прочие не ISCII символы
urls_non_ascii = set()
# Множество доменов для блокировки
domains = set()
# Множество доменов для блокировки, содержащих кириллицу и прочие не ISCII символы
domains_non_ascii = set()
# Множество доменов из https url адресов
domains_from_https = set()
for elem_content in self.root:
# Вначале перебираем url записи
url_elems = elem_content.findall('url')
for url_elem in url_elems:
# Получаем юникод строку
url = self.get_unicode_text_from_xml_element(url_elem)
# Транслируем кириллические домены в IDNA формат,
# важно выделять домен до обрезания фрагмента "http://",
# т.к. после вырезания, функция urlparse.netloc не работает
parsed_url = urlparse(url)
if re.search(ur'[А-яёЁ]+', parsed_url.netloc) is not None:
url3 = urlunparse((parsed_url.scheme, parsed_url.netloc.encode('idna'),
parsed_url.path, parsed_url.params,
parsed_url.query, parsed_url.fragment))
url3 = re.sub(ur'^https?://', '', url3)
print url3
urls.add(url3)
# Если это https сайт, то его домен необходимо занести
# в отдельное множество, т.к. этого требует логика SquidGuard
if re.search(ur'^https://', url) is not None:
# убираем поддомен "www" для улучшения качества фильтрации,
# т.к. если обратиться по адресу www1.domain.ru,
# то SquidGuard пропустит такой запрос
domain_from_https = re.sub(ur'^www\d*\.', '', urlparse(url).netloc)
# Конвертируем запись в формат idna
domain_from_https = domain_from_https.encode('idna')
domain_from_https = u'.' + domain_from_https
domains_from_https.add(domain_from_https)
url = re.sub(ur'^https?://', '', url)
# Убираем точку после домена в URL, например
# www.ispovednik.com./prilozhenie-no-1 => www.ispovednik.com/prilozhenie-no-1
url = re.sub(ur'^([^/]+)\.(/+.*)$', ur'\1\2', url)
# url = re.sub(ur'^([^/]+)\.$', ur'\1', url)
# urls.add(url)
url = re.sub(ur'^(.*/?)\.$', ur'\1', url)
# Добавляем в базу Squidguard такой же URL, но без ссылки на якорь.
# Пример: otk.eu/predislovie1.html#top -> otk.eu/predislovie1.html
urls.add(url)
url = re.sub(r'#.*$', '', url)
urls.add(url)
# Убираем вопросительный знак с конца URL
url = re.sub(r'(.*)\?$', r'\1', url)
urls.add(url)
# В SquidGuard есть особненность, когда он самостоятельно
# убирает два слэша в url перед тем, как его отфильтровать.
# Поэтому мы заносим в базу такой же адрес, но с одинарным слэшом
#url3 = re.sub('//', '/', url)
#urls.add(url3)
# Кириллические записи мы храним в базе SquidGuard
# как в utf-8 формате, так и в cp1251.
# Т.к. SquidGuard чувствителен к кодировке
if re.search(ur'[А-яёЁ]+', url) is not None:
url = url.replace(ur' ', ur'%20')
urls_non_ascii.add(url)
# Переходим к обработке доменов только
# в том случае, если отсутствует url запись
if url_elems:
continue
domain_elems = elem_content.findall('domain')
if domain_elems is not None:
for domain in domain_elems:
domain = self.get_unicode_text_from_xml_element(domain)
# убираем поддомен "www" для улучшения качества фильтрации,
# т.к. если обратиться по адресу www1.domain.ru,
# то SquidGuard пропустит такой запрос
domain = re.sub(ur'^www\d*\.', '', domain)
# Кириллические записи мы храним в базе SquidGuard
# как в utf-8 формате, так и в cp1251.
# Т.к. SquidGuard чувствителен к кодировке
if re.search(ur'[А-яёЁ]+', domain) is not None:
domain = domain.replace(ur' ', ur'%20')
domains_non_ascii.add(domain)
# Сохраняем домен еще и в idna формате
domains.add(domain.encode('idna'))
domains.add(domain)
ip_elems = elem_content.findall('ip')
self.logger.debug(u'Указателей всего: %s' % len(urls))
self.logger.debug(u'Указателей содержащик кириллицу %s' % len(urls_non_ascii))
self.logger.debug(u'Доменов всего %s' % len(domains))
self.logger.debug(u'Доменов содержащих кириллицу %s' % len(domains_non_ascii))
self.logger.debug(u'Доменов из https ссылок %s' % len(domains_from_https))
# Сохраняем результаты в файл
with open('/home/andrew/utf-8_urls', 'wb') as f:
for url in urls:
url = urllib.unquote(url.encode('utf-8'))
url = url.replace(r' ', r'%20')
f.write("%s\n" % url)
with open('/home/andrew/cp1251_urls', 'wb') as f:
for url in urls_non_ascii:
f.write("%s\n" % url.encode('cp1251'))
with open('/home/andrew/utf-8_domains', 'wb') as f:
for domain in domains:
f.write("%s\n" % domain.encode('utf-8'))
with open('/home/andrew/cp1251_domains', 'wb') as f:
for domain in domains_non_ascii:
f.write("%s\n" % domain.encode('cp1251'))
def invert_str(s):
return s[::-1].lower()
with open('/home/andrew/blocked_https.txt', 'wb') as f:
domain_list = []
# Squid не допускает следущей ситуации:
# ERROR: '.sports.intertops.eu' is a subdomain of '.intertops.eu'
# т.е. необходимо избавиться от поддоменов для имеющихся доменов.
# Делается это путем проверки в цикле по сортированному списку доменов
# текущего домна с предыдущим (pred_domain)
for domain in domains_from_https:
domain_list.append(domain)
sort_list = sorted(domain_list, key=invert_str)
pred_domain = sort_list[0]
for domain in sort_list[1:]:
if domain.lower().endswith(pred_domain.lower()):
continue
else:
f.write("%s\n" % pred_domain.encode('utf-8'))
pred_domain = domain
try:
subprocess.call('/usr/local/bin/squidGuard -C all', shell=True)
subprocess.call('/usr/local/squid/sbin/squid -k reconfigure', shell=True)
except:
self.logger.warning('Can not execute command: /usr/local/bin/squidGuard -C all')
pass
if __name__ == "__main__":
DUMP_HOST = '194.54.64.53'
DUMP_HOST_SSH_LOGIN = 'icmrsu'
DUMP_HOST_SSH_SECRET = 'bl@ckbr@1n'
DUMP_HOST_SSH_PORT = 22
DUMP_FILE_PATH = '/gost-ssl/rzs/dump/dump.xml'
client = paramiko.SSHClient()
client.set_missing_host_key_policy(paramiko.AutoAddPolicy())
client.connect(hostname=DUMP_HOST, username=DUMP_HOST_SSH_LOGIN,
password=DUMP_HOST_SSH_SECRET, port=DUMP_HOST_SSH_PORT)
sftp = client.open_sftp()
print 'Load dump...'
with sftp.open(DUMP_FILE_PATH, 'r') as f:
zi = ZapretInfoXMLParser(f)
zi.load_data_to_squidguard()
print 'ok'
#print len(zi.domains)
#print len(zi.domains_from_url)