|
|
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。$ T! q1 h% [) i
1 JS 基础语法学习; q7 `( {4 ]& Z: M3 G( L: v& Y
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 w$ w0 z% }; K3 s7 W) ~$ G7 w
这里给大家推荐一个 JS 编程基础学习网站：! l/ ~: o; R, L, X$ M. E' N8 Q
https://www.runoob.com/js/js-tutorial.html
) a1 G, b. H5 f/ P r/ b
. H1 Z. T' X5 M, ^
0 f2 j( {% N+ s2 P
" N) ?$ R0 m5 m' y" r" F& Q
2 前端 JS 破解原理( g2 u1 V$ h) O6 ]# E
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：
6 G" e* X. K7 n) R( Y5 I
) }/ d/ V- W( l1 A5 O 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。. @3 Q" k! R+ J8 z. \/ z0 i
* r2 w/ r) u: H8 R2 D4 D3 工具的使用- y. a" J1 K: }9 Q$ B. S. W
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, a$ ^& |9 w- ]0 x; A; K3 A& M2 \+ ~
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。
" C) w$ ?; |! Q4 r5 {
6 v$ m7 g8 U" B' D 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：
4 b; L9 h; j% O8 ihttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
9 K$ c4 t9 z* c; j. N6 T& u- i* ?8 l: ~, p9 h$ F
3.2 Nodejs 安装
; m7 p( s& m4 E) K 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）。
& L- P) V# k5 v2 K# T6 {
" A7 n" u& R; t6 d) L y/ x K
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。
6 v. T; u7 @6 ?+ [8 S. }7 }3 L& g" R1 e. R9 ^
4 实战练习" r6 s. ]# E) x4 @# l7 H' o- b
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：- t0 w6 p0 e7 q) F( P: c' n0 T. n T
https://www.qimingpian.com/finosda/project/pinvestment
* V; a' o& Q3 P
# u# A" o1 e4 e5 @) c" L4.1 网站分析4 _6 K0 }8 ?9 x$ t
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。
5 Z/ `+ r$ `* n) B7 {9 q/ r+ B, S% C4 o
6 d$ x/ \, f! W' g
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。% ^4 a* X" P8 O( ^( F/ ~8 j* I
5 n+ R- j$ g2 @: z 接下来我们就要破解 encrypt_data。
0 @3 z$ B& F1 l6 E8 h. `7 U4.2 断点调试 JS 源码) ~1 d* o0 R& o
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。
. r5 b7 n6 j/ m* B& V
( }+ b. a" z9 w3 w. k6 P 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。
7 O6 G$ D1 u+ p# D
U n- q+ i: M* i6 q B- G 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。
) Q" C+ X" m2 W小技巧：
. E: g' f/ @4 m$ ?1 花括号进行美化; B, O3 @1 O# }% ?6 V
" C1 o# U2 i# z2 w! U2 F( J5 F
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。 I' e9 Q; x5 {: A
2 v) B3 Z+ q+ I7 ^) F" z4 O; b2 X
5 B9 y& c1 M4 r& }+ M, Z
2 控制台输出执行结果
* {# p% Z W% x# q: i. R; b; ` 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。" o0 O: T/ O( v( q5 L6 S. q
: u3 [5 h, x" g, b C. I
% z( @. k6 U& `+ j5 }
6 p0 K/ f2 C- h( s( {2 C: M8 t 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：0 o& K# G9 k8 ~+ ]" o1 B
6 m+ ^0 h: u y1 v9 b' h1 y
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。
+ I" e7 a3 {+ N% _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。
2 \7 [: \9 `1 H' G7 l+ Z9 i 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：6 Y/ |2 b' x! A7 F9 V4 ]
8 n# Z/ n2 b, V' d' M
: W; k. a4 O. L& E1 ~% V+ Z3 s
成功输出正确的数据，最后用 Python 去调用解密函数就行了。4 f# P$ v& V- I* G, C) c+ y
6 g2 D: p5 i g1 f |
|
|手机版|小黑屋|paopaomj.COM
( 
渝ICP备18007172号|
渝公网安备50010502503914号 )
发表于 2020-3-19 10:28:04
