一、前言
相信大家对暗网这个概念并不陌生，众所周知，暗网藏着一个暗黑版的交易市场，违法工具、色情交易、毒品交易、枪械信息比比皆是，俨然一个网络犯罪分子聚集的“虎狼之穴”。我们使用Tor浏览器等可以轻松访问暗网中的浅层网，主要是黄赌毒和数据情报信息，如丝绸之路等。
对于企业而言，往往不免被黑客攻击而被获取大量的数据，而这些数据一般会优先在暗网售卖，如近年来的12306、各大互联网公司等的数据泄露事件。为了及时响应突发的数据泄露事件，企业需要一款实时监控暗网数据泄露的威胁情报平台，用来监控敏感数据泄露、薅羊毛、业务安全风险等事件。
二、代理服务器搭建
由于国内网络环境的原因，为了顺利访问暗网，我们需要一台海外服务器，系统版本是ubuntu 18.04(当然其他系统也可以，只是本文会把这个版本的系统作为例子)，同时需要在这台服务器上安装Tor与Privoxy用作访问代理服务器。
本文的系统版本：
root@536ef99cab94:/# cat /etc/issue.net
Ubuntu 18.04.2 LTS
2.1 整体架构
从图上可以看到，Privoxy作为一个中转代理，主要是把http协议转socks5协议，而Tor则负责把socks5转Tor协议。所以整个代理访问过程为：
1.用户输入后缀为onion的地址，由Privoxy暴露的8118端口访问http协议；
2.Privoxy把http协议转发给Tor，Tor获取该网站公钥进行加密，通过Tor通信链路发送信息给Tor节点，由该节点转发请求到.onion网站。
2.2 安装Tor
可能很多人一开始会直接执行这条命令：sudo apt-get install tor，从这个命令安装的Tor是v2版本的，不支持较新的加密算法，所以导致访问不到某些使用最新加密算法的暗网网址。
Tor v2到Tor v3的转变主要表现为如下几点：
1.签名算法从SHA1/DH/RSA1024升级到SHA3/ed25519/curve25519；
2.改进的Tor directory protocol，安全性更高；
3.更好的洋葱地址，换成sha3，可以提高枚举生成一样地址的难度；
4.可拓展的交换协议。
参考官网的安装方法，安装最新版（v3版本）的Tor步骤如下：
1.在/etc/apt/sources.list添加如下源：
deb https://deb.torproject.org/torproject.org bionic main
deb-src https://deb.torproject.org/torproject.org bionic main
2.添加gpg密钥，执行如下命令：
curl https://deb.torproject.org/torproject.org/A3C4F0F979CAA22CDBA8F512EE8CBC9E886DDD89.asc | gpg --import
gpg --export A3C4F0F979CAA22CDBA8F512EE8CBC9E886DDD89 | apt-key add -
3.安装Tor：
apt update
apt install tor deb.torproject.org-keyring
4.查看安装好Tor的版本，可知本文安装的Tor版本为0.3.5.8：
root@536ef99cab94:/# tor -v
Jun 18 14:30:43.530 [notice] Tor 0.3.5.8 running on Linux with Libevent 2.1.8-stable, OpenSSL 1.1.1, Zlib 1.2.11, Liblzma 5.2.2, and Libzstd 1.3.3.
Jun 18 14:30:43.531 [notice] Tor can't help you if you use it wrong! Learn how to be safe at https://www.torproject.org/download/download#warning
Jun 18 14:30:43.531 [warn] Command-line option '-v' with no value. Failing.
Jun 18 14:30:43.531 [err] Reading config failed--see warnings above.
2.3 配置Tor
Tor配置文件位于/etc/tor/torrc与/etc/tor/torsocks.conf：
/etc/tor/torsocks.conf定义了让socks协议转Tor协议的端口与地址；
/etc/tor/torrc是Tor的用户配置，在这个文件里我们修改http代理（polipo、privoxy）、即时通信（pidgin、lrssi）、TorDNS等。
为了支持Torv3版本，需要在/etc/tor/torrc文件中加上：
HiddenServiceDir /var/lib/tor/other_hidden_service/
HiddenServicePort 80 127.0.0.1:80
HiddenServiceVersion 3
修改完成后，在命令行输入service tor start或tor即可启动Tor。
2.4 安装与配置Privoxy
这里暂时没有什么版本要求，所以可以直接执行apt-get install privoxy。
安装好后，为了让Privoxy把http协议转发到Tor，需要编辑/etc/privoxy/config加上：
forward-socks5 / 127.0.0.1:9050 .
listen-address 0.0.0.0:8118
修改后，重启服务service privoxy restart。
2.5 验证代理器是否可用
Tor浏览器虽然可以使用meek-azure来访问暗网网站，但是访问速度较慢。为了验证我们搭好的代理服务器是否可用，我们可以修改Tor浏览器的网络设置（假设我们的代理服务器ip为：11.11.11.11）：
设置完成后访问一个暗网网站，如果能访问成功的话即说明我们的代理服务器可用，同时访问速度也比meek-azure快得多。
当然，我们也可以更快捷地输入下面的命令进行测试：
➜ ~ curl -x 11.11.11.11:8118 https://httpbin.org/ip
{
"origin": "178.175.132.225, 178.175.132.225"
}
可以查询到178.175.132.225的所在地为国外的摩尔多瓦，为Tor节点的出口地址。
三、开发实时监控程序
在上一章节我们搭好了代理服务器，相当于拥有了访问暗网的钥匙，虽然可以用Tor浏览器+代理更快访问暗网网址，但是人工并不能做到24小时监控而及时发现数据泄露事件，因此我们需要开发一个爬虫程序实时监控暗网网站。
3.1 暗网网站的特点
暗网网站不同于表层网网站，没有太多花里胡哨的动态js与强大的反爬策略，因此对暗网网站爬虫也相对简单。在总结了几个常见的暗网网站后，发现暗网网站的反爬策略一般是如下几种情况：
1.Referer；
2.针对Cookie的请求频率限制；
3.User-Agent；
4.验证码；
5.对网站代码进行更新，修改html标签名字或位置。
3.2 暗网网站的反反爬虫
针对3.1的反爬虫策略我们可以设法绕过，由于本文的主旨并不在探究反爬虫策略，故简单地说下绕过方法：
1.指定请求头的referer为访问暗网网站的域名；
2.建立多账号Cookie池，同时使用Redis对url去重实现增量爬取减少请求量；
3.指定User-Agent为FireFox浏览器：{‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; rv:60.0) Gecko/20100101 Firefox/60.0’}；
4.暗网网站的验证码一般比较简单，可以简单使用ocr技术识别，如tesseract；
5.需要及时更新爬虫代码，有针对地修改反反爬虫代码。
3.3 暗网监控的爬虫架构
Scrapy是用Python实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。Scrapy常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。通常我们可以很简单的通过Scrapy框架实现一个爬虫，抓取指定网站的内容。
本文在Scrapy基础上结合3.2小节的反爬虫绕过方法实现了一个实时监控程序，其架构如下：
3.4 监控程序的具体实现
本文的监控程序是同时监控几个常见的暗网网站，由于篇幅有限，故只拿某暗网网站作为例子。
Scrapy代理设置：
class DarkwebSpiderDownloaderMiddleware(object):
def process_request(self, request, spider):
request.meta['proxy'] = 'http://11.11.11.11:8118'
多账号登录核心代码：
for accounts in Accounts:
count = 0
try:
logging.info('Account %s is logining ......' % accounts)
cookie, sid = get_CookieSid(accounts, 'Testtest')
__i__ = {'cookie': cookie, 'sid': sid}
# print(__i__)
logging.info('Account %s finish login !' % accounts)
__value__.append(__i__)
except Exception as e:
logging.error('[*] 超时，忽略一个账户!')
count += 1
if(count > 7):
logging.error('[*] 用户登录个数过少~')
return
continue
去重组件，主要用来减少请求量：
class DuplicateRequestMiddleware(object):
#初始化redis
def __init__(self):
self.RedisQuery = RedisOpera('query')
#根据redis去重url
def process_request(self, request, spider):
spider.logger.info('duplicating >>>>>> %s' % request.url)
u = request.url
import hashlib
if 'vpic' in request.url:
b = u.index('=') + 1
MD5 = hashlib.md5()
MD5.update(bytes(str(b), 'utf-8'))
if self.RedisQuery.query(MD5.hexdigest()):
spider.logger.info('duplicate >>>>>> %s' % request.url)
raise IgnoreRequest("IgnoreRequest : %s" % request.url)
else:
spider.logger.info('ignore duplicate >>>>>> %s' % request.url)
return None
指定请求头的referer及User-Agent：
LOGIN_HEADERS = {
'Host': '%s' %load()['domain'].split(',')[index],
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate',
'Referer': 'http://%s/index.php' %load()['domain'].split(',')[index],
'Content-Type': 'application/x-www-form-urlencoded',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; rv:60.0) Gecko/20100101 Firefox/60.0'
}
解析网页，主要是取出内容存入数据库：
def parse(self, response):
item = DarkwebSpiderItem()
soup = BeautifulSoup(response.text, 'lxml')
# 交易价格
table = soup.find_all(name = 'table', attrs = {'class':'v_table_1'})
tr_list = table[0].find_all('tr')
td_list_price = tr_list[4].find_all('td')
price_list = re.findall(r'\d+\.?\d*', td_list_price[3].get_text())
price = price_list[0]
# 成交数量
td_list_volume = tr_list[6].find_all('td')
volume_list = re.findall(r'\d+', td_list_volume[3].get_text())
volume = volume_list[0]
# 帖子内容
content_list = soup.find_all(name='div', attrs={'class': 'content'})
if len(content_list):
content = content_list[0].get_text()
else:
content = ''
# 图片url
img_list = soup.find_all(name = 'img', attrs = {'class':'postimage'})
item['image_urls'] = []
if len(img_list) > 0 :
url_list = []
for img_url in img_list:
if img_url['src'].find(self.image_domain) > 0:
download_url = img_url['src']
else:
download_url = self.target_url + img_url['src'].replace('./', '')
url_list.append(download_url)
item['image_urls'] = url_list
# 发布时间
p_author = soup.find_all('p', attrs={'class': 'author'})
origin_publish_time = p_author[0].contents[4].strip()
if len(origin_publish_time):
# origin_publish_time = pt_str
ptr_list = [x for x in filter(str.isdigit, str(origin_publish_time))]
pt_str = "".join(ptr_list)
y = pt_str[:4]
d = pt_str[-6:-4]
h = pt_str[-4:-2]
min = pt_str[-2:]
if len(pt_str) == 12:
m = pt_str[4:6]
else:
m = '0' + pt_str[4]
publish_time = y + '-' + m + '-' + d + " " + h + ":" + min + ":00"
else:
publish_time = ''
dt = datetime.datetime.strptime(publish_time, "%Y-%m-%d %H:%M:%S")
publish_time = dt.astimezone(pytz.timezone('UTC')).strftime('%Y-%m-%d %H:%M:%S')
b = response.meta['content_url'].index('=') + 1
item['title_id'] = (response.meta['content_url'])[b:]
item['title'] = response.meta['title']
item['url'] = response.meta['content_url']
item['content'] = content
item['price'] = price
item['volume'] = volume
item['visits'] = response.meta['visits']
item['publish_time'] = publish_time
yield item
当发现监控的关键字新增记录时，通过邮件通知：
def send_html_email(title, html, content, mailto, cc=None):
html_content = render_to_string(html, content)
send_mail = settings.EMAIL_TO.split(',') if mailto == '' else settings.EMAIL_TO
msg = EmailMultiAlternatives(title, html_content,
settings.EMAIL_LUCKY_NAME + '<' + settings.EMAIL_HOST_USER + '>', send_mail, cc=cc)
msg.attach_alternative(html_content, "text/html")
msg.send()
四、可视化爬虫数据
Grafana是一个跨平台的开源的度量分析和可视化监控工具，可以通过将采集的数据查询然后可视化的展示，并及时通知，4.3以后的版本已支持MySQL数据源，因此读者可以使用Grafana来可视化同时配置邮件告警，具体操作方法还请自行查阅。
但是本文的暗网实时监控程序接入了安全管理平台，故采用自研的管理页面，可以更方便地搜索与查看暗网爬虫数据，大致效果如下:
五、总结
暗网监控对于大多数人是一个神秘的存在，本文一步一步地带领读者揭开这层神秘的面纱，从搭建代理服务器开始，在解释常见的反爬策略后，讲解了如何从零开发一个暗网网站监控程序，最后介绍了Grafana可视化监控工具，可以结合监控程序使用。