探索未知领域的利器:LinkFinder - 深度挖掘JavaScript中的隐藏链接
在网络安全领域,渗透测试和系统检查是一项挑战性的工作。今天,我们向你推介一款强大的工具——LinkFinder,它是一款Python脚本,专为发现JavaScript文件中的端点及其参数而设计。通过LinkFinder,你可以发掘网站上未公开的隐藏链接,从而开拓新的测试范围,识别潜在的系统问题。
项目简介
LinkFinder利用Jsbeautifier库将JS代码美化,然后结合一组精心构建的正则表达式进行匹配,找出四种类型的URL:
- 完整的URL(例如:
https://example.com/*) - 绝对路径或带点号的URL(例如:
/\*或../*) - 至少含一个斜线的相对路径(例如:
text/test.php) - 不含斜线的相对路径(例如:
test.php)
其结果可以以HTML或纯文本格式输出,并且@karel_origin还开发了一个Chrome扩展,使得LinkFinder的功能更加便捷。
屏幕快照
这是LinkFinder在实际操作中的截图,清晰地展示了找到的URL列表。
安装与依赖
LinkFinder支持Python 3。要安装,只需执行以下命令:
$ git clone https://github.com/GerbenJavado/LinkFinder.git
$ cd LinkFinder
$ python setup.py install
此外,你需要先安装argparse和jsbeautifier这两个Python模块,可以通过pip3来完成:
$ pip3 install -r requirements.txt
使用方法
LinkFinder提供了丰富的命令行选项供你选择。如需获取在线JS文件中找到的端点并将其结果保存到results.html:
python linkfinder.py -i https://example.com/1.js -o results.html
还可以分析整个域名下的所有JS文件:
python linkfinder.py -i https://example.com -d
或者从Burp抓包工具导出的文件中读取多个JS文件:
python linkfinder.py -i burpfile -b
具体更多用法,请参阅项目文档。
Docker 支持
为了便于跨平台使用,LinkFinder也提供Docker镜像支持。使用如下命令构建和运行:
docker build -t linkfinder
docker run --rm -v $(pwd):/linkfinder/output linkfinder -i http://example.com/1.js -o /linkfinder/output/output.html
确保指定/linkfinder/output作为输出路径,否则结果将在容器退出后丢失。
单元测试
如果你想要验证LinkFinder的功能,可使用pytest来进行单元测试:
pytest test_parser.py
结语
LinkFinder是作者首次公开发布的工具,欢迎任何形式的贡献。该项目遵循MIT许可协议,并得到了@jackhcable的反馈以及@edoverflow的帮助,使其变得更加优秀和易用。如果你在网络安全领域寻找新的突破,LinkFinder无疑是你不可或缺的武器。
现在就加入LinkFinder的世界,探索那些隐秘在JavaScript深处的秘密吧!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00