|
|
现在越来越多的网站把数据的交互过程写在 JS 代码里,也就是说如果你只单单看前端网页的源码,你是无法得到具体的数据,你只能看到一大堆调用 JS 的前端代码。所以对于这类的网站,我们需要进入到具体的 JS 源码,理清关键代码,从而进行破解获取到我们想要的数据。/ p' a2 k, O( S+ }$ t! h
1 JS 基础语法学习8 B/ L. d4 X: X/ S, h* F. D
你只要有点编程基础,学习过一门编程语言,JS 的学习还是相对轻松,一个星期左右的时间就可以把 JS 所有的基础内容,全部学习一遍。如果你没有编程基础的话,JS 基础的内容学习起来也不是非常难,最多一个月的时间也能全部学完。
6 p7 Q% e8 ~& o; n& N# I这里给大家推荐一个 JS 编程基础学习网站:
+ E5 q" E k1 `+ |https://www.runoob.com/js/js-tutorial.html
- W7 v9 ~# J! `3 Q6 s L) T0 ? D
9 Q5 ?) s2 K( {$ u% }: Q0 _
j7 b: [& h, \+ {- G4 ?( F3 W8 ~* f5 M% t
2 前端 JS 破解原理
' F7 C1 K, L$ r9 x8 _5 P 普通的网站数据的显示都是在网站的源码中就可看到,这类的网站你只要发个 requests 的请求,服务器就会把带有数据的源码返回给你,你就可以通过一些解析库进行解析了。但对于 JS 进行数据加密传输的网站,它就不同,比如下面这个网站:
$ h: z, w) N& A& j
# j, u: @) J: K# S! ` 在控制面板可以看到获取到的数据是字母串,跟前端显示的数据完全不同,这就说明网站的数据是被加密了。新手在爬这类网站的时候,看到这里可能就会感到无奈。但大家不妨这样想,前端显示的数据是正常,所以后台一定会有某个地方对加密过的数据进行解密,而我们需要做的就是找到这个段解密的代码,按照它的逻辑进行传参就可以了。这也是我们破解 JS 代码的原理所在。
* R# O; f) ?; O2 }# D+ a! J9 G0 S; O) O0 B6 V
3 工具的使用7 ]3 r5 s- t. J4 C1 u, L( l3 }
讲完了原理之后,我先给大家介绍几个常用的工具。3.1 谷歌浏览器的开发者工具1 K% _& m. |6 _3 _+ \ a: B; {& J
学爬虫一定要会使用谷歌浏览器的开发者工具,按谷歌浏览器按 F12 就可以弹出具体的页面。
8 Q! @! n% B' L" g1 F3 B
/ a- `! `% t0 S" i7 B8 @ 在开发者页面中你可以看到网页的源码「Elementes」、控制台「Console」、网页源码「Sources」、网络请求面板「Network」等等。详细的教程可以去看下官方的文档:$ p2 y0 _, w7 L# j
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
# ^# D) q: z) J% b9 J: Q7 I4 K$ s% }) k
3.2 Nodejs 安装5 c4 K4 s7 T" @/ s/ B- q" h
因为涉及 JS 的调试验证,所以除了 Python 环境外,你还需要Nodejs( JS 的运行环境)和 WebStorm(IDE)。
: n! D+ b ]# G' x: {% H7 W
3 F$ g! }1 I5 |/ _7 e/ _! e F8 ~6 u Nodejs 去官网下载安装包后直接一键安装即可,安装完毕后去控制台运行 node -- version,如果出现版本号即代表安装成功。WebStorm 安装完后需要激活,激活教程网上很多,大家自行搜索。它是 Jet Brains 的产品(和 PyCharm 是同一家公司),所以使用方式与 PyCharm 很类似。
! s' g {* _# F# l# q- f" X* K1 W! y! ?7 ?0 r: k
4 实战练习* q; F+ ]0 U0 ]% Z2 G: ]6 l
接下来就带大家进行实战练习,这次我们爬取的对象是「企名片」网站:
( I) j* G% A5 |; [https://www.qimingpian.com/finosda/project/pinvestment) `0 K5 _% R$ _; u* f" M7 }0 e
: E8 B+ C# [- G( B3 J
4.1 网站分析4 O9 l6 z$ [! V+ Y, ]% o4 U4 P' I
首先打开链接,点击 F12 查看网络请求面板。在 pinvestment 响应里可以看到是一个 JS 调用的代码,并没有我们想要的 HTML 代码,显示网页是由 JS 动态生成。+ A) P* @# ^. j3 t
0 e' p9 _- u( J" P+ J$ O9 T 在点击 XHR,我们就可以看到一个 productListVip,这里面有个 encrypt_data 数据。参数内容像是一串 Base64 字符。既然网站对这个参数做了加密,说明它不想被爬取,所以可以做个假设:我们的目标数据就是 encrypt_data 参数里的内容。
, s$ @" p" H) Q* L' \
. X0 B0 s+ V1 p; u, I6 s 接下来我们就要破解 encrypt_data。
b0 s3 K' z0 d9 x4.2 断点调试 JS 源码. {1 J6 N- `2 h: B
打开开发者工具,点击 Sources 我们在 js 文件夹中就可以找到网页的 JS 代码,在右侧我们就可以进行断点调试。* Z& [; _( G) @" v3 G1 ^3 }
9 O. e E: n% e- `, \: A 在断点调试拦里有个 XHR/fetch Breakpoints 选择,而我们含有 encrypt_data 加密的参数正是一个 XHR 请求,所以我们点击+号,把 productlistVip 请求 url 添加进去。
' ?9 r* x% p/ W
6 v9 A# U( J& c* v 随后我们重新刷新网页,就可以一步步的调试找到可疑的地方。. s, p3 [6 U6 Z0 o* T& M
小技巧:
" j% P% Q. t& C/ r4 N( o8 l1 花括号进行美化
% \5 V$ t. O: V/ Y9 W* v9 L% @; K2 O- ^# R! w& r" {
点击左下角的花括号,可以把乱序的 JS 代码,变成有序的代码,看起来就非常的方便。: A& v$ F' v; e/ w4 x
# ^" v# r5 B9 D6 P `$ c6 V& K
) U) R. C2 X% X$ Y$ L8 \2 控制台输出执行结果
* g9 x+ q; \. f7 {/ ?7 v$ J 如果你找到比较可疑的点,你可以选中可疑的代码段,点击右键有个 Evaluate selected 选项,它就会在控制台输出执行的结果。
" R4 M$ i' O2 v$ l8 A8 w+ x0 ]( H( Z" D( }, x3 Z
- g; J1 Q) P' `0 c6 g$ v# t/ ?
. h- G$ Y$ e/ V9 ]/ |( E5 C/ _ 其实上图中执行 Object(d.a)(e.encrypt_data) 返回的内容就是我们需要的数据了。进到这个函数体里边,就能找到解密函数:其实上图中执行 Object(d.a)(e.encrypt_data) 返回的内容就是我们需要的数据了。进到这个函数体里边,就能找到解密函数: Z1 L+ @4 l5 Y( m5 ]: ^
' ]. o6 A! f9 ~9 | n4 J$ x( b function o(t) 就是我们需要的解密函数,可以看到它先调用 s 函数,传入了四个参数,除了a.a.decode(t) 外其他三个都是写死的,最后用 JSON.parse 转为 json 对象。1 m! ^3 C% \' ~
然而,找到解密函数后,我们要做的不是去分析它函数内部做了什么,虽然可以研究它的解密算法然后用 Python 重写,但这样太复杂且没必要。因为我们可以用 PyExecJS 这个库,直接用 Python 调用并执行 js 代码。
' J' q& ?- u5 Y" ] 这时候,WebStorm 就派上用场了。新建一个 js 文件,把 function o里涉及的代码全部抠下来。然后执行 console.log 把执行结果打印出来。篇幅问题就只贴部分代码:! D3 ~" E& T& a# a7 w {: l
- I$ i9 G" Z+ Q' U( A, M( S
# `7 d/ Z6 A! d1 ` 成功输出正确的数据,最后用 Python 去调用解密函数就行了。5 C( `5 h {/ I5 P$ F
. d& }* S9 a8 ?8 e" o+ n |
|