# gau: extrayendo URLs archivadas de datasets públicos

> Cómo instalar y ejecutar gau, para qué sirve su corpus de URLs, y cómo Tandera usa URLs archivadas para sacar a la luz endpoints que ya no aparecen en un crawl.

`gau` obtiene URLs conocidas de un dominio desde archivos públicos — Wayback Machine, Common Crawl, URLScan, Open Threat Exchange. No envía nada al objetivo. Lo que devuelve es un registro histórico de URLs que esos servicios observaron, que rutinariamente incluye endpoints que la aplicación actual ya no referencia.

## Instalación

```bash
go install -v github.com/lc/gau/v2/cmd/gau@latest
```

## Comandos principales

```bash
# todo lo que los archivos conocen
gau example.com

# incluye subdominios
gau --subs example.com

# filtra a extensiones interesantes
gau --subs example.com --blacklist png,jpg,gif,css,woff,svg,ico

# restringe por fecha y proveedor
gau --from 202401 --to 202608 --providers wayback,commoncrawl example.com

# JSON
gau --json --subs example.com > gau.jsonl
```

Sin una blacklist te ahogarás en assets estáticos. Filtra siempre.

## Salida

Una URL por línea por defecto:

```
https://example.com/api/v1/user?id=1
https://example.com/admin/backup.sql
https://example.com/old/login.php
```

## Dónde encaja en Tandera

gau se ejecuta en la fase de **enrich** de `recon_web_lite` y `recon_web_full`, junto a `waybackurls`. Ejecutar ambos es intencional — consultan proveedores que se solapan pero no son idénticos, y la unión es mayor que cualquiera de ellos.

Su salida se une al crawl en vivo de katana para formar el corpus de URLs que `unfurl`, `arjun` y las etapas de análisis de parámetros consumen.

## Uso en un pentest

**Las URLs históricas son el punto.** `/old/login.php` devolviendo 404 hoy es irrelevante. `/old/login.php` devolviendo 200 es un endpoint olvidado fuera del release actual, que es exactamente el tipo de cosa que no se ha parcheado. Re-sondea siempre el corpus:

```bash
gau --subs example.com --blacklist png,jpg,css,woff \
  | httpx -silent -status-code -title -mc 200,401,403,500
```

**Haz grep del corpus antes de sondearlo.** Las URLs archivadas a menudo contienen parámetros con valores reales — tokens, correos, IDs internos — capturados cuando se hizo crawl de la página. Busca `key=`, `token=`, `password=`, `api_key=` en la lista en bruto.

**Cuida el límite de alcance.** `--subs` extrae todo subdominio que los archivos conocen, incluidos los de fuera del engagement. Filtra contra tu lista de alcance antes de sondear nada.

---

Canonical: https://tandera.io/es/tools/gau
This page as markdown: https://tandera.io/es/tools/gau.md
Index for agents: https://tandera.io/llms.txt

Every page here is also available as markdown: append `.md` to the path (e.g. `/recon.md`, `/index.md` for this homepage, `/blog/<slug>.md`), or request the canonical path with `Accept: text/markdown`.