|
|
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。
# y8 {% ~+ k/ P2 t1 JS 基础语法学习/ `0 H! I6 q6 \
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。
1 E' k5 N! E1 \% c1 N; B6 e这里给大家推荐一个 JS 编程基础学习网站：& @6 x. g) L) Q% ~4 H3 |0 ]' J! j
https://www.runoob.com/js/js-tutorial.html: X- A4 p& i& r4 I+ M" l
9 |6 e5 H. k7 ?- B" J( x9 S
# D, D+ G4 k7 [& A$ i$ G) Z
" m2 E/ M- {7 u t! _
2 前端 JS 破解原理
5 J( H |- @6 t1 b' I; t 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：& B. d- n# `% L3 d/ R3 X8 }$ |
8 _5 _( O8 r; c5 ~9 ?. O$ ^) \& E 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。# W, \6 ^" x4 w: Q( v& h0 b! _3 e
. W K' `% X* t5 ^ r
3 工具的使用
4 W% R5 x' \) F, t& h9 I0 C 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
, O K; s0 ?8 n" E 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。5 U" ^8 \7 ~$ d" @* e, t
9 H" n. U( z+ I 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：: {% z, e" p/ p m: v
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
; N5 h/ u7 l$ `5 X9 f" b Q
4 @& k* n& H7 @* [' w, f/ p% H# {; W3.2 Nodejs 安装
% d" a' \, J% I" E1 P u+ }1 g 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）。3 w$ C0 U- b. Z6 c' c6 i
* A4 W3 I4 Z( H# r% A5 @; @0 ?: }0 Q 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。
; ?+ t- @# Z/ N% x3 n
3 a: g4 }% L( k h0 J$ y5 Z0 h4 实战练习. x" K! Z: p, |1 a2 Q: j
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. Q* }; @3 c9 ^& @
https://www.qimingpian.com/finosda/project/pinvestment
! t2 }4 H3 G* i$ l2 |; j
' O! N/ N, I1 b1 C) }* O% d) U4.1 网站分析4 b+ g0 c6 v9 W: E# K; t' l: r
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。
g- U8 ^& N2 u/ a& c
5 ] J$ _2 p3 J9 s8 o* y+ Y 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 V V% ~) |- U; e9 Y
" x. w/ d. j8 w% O: U( v 接下来我们就要破解 encrypt_data。0 S8 I* `0 A2 _ i9 s
4.2 断点调试 JS 源码8 {2 S9 }7 b" B; i0 P& ?7 |! F
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。! i% D$ s( ] C8 h3 W+ O
+ U a) j' ]: q( M# N' z
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。! F$ K- Z( [/ L
7 L8 ]6 N+ @ Y6 p" l7 H( d+ s: T1 c 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。# B* x% v. l! e* ]$ Y- O
小技巧：
( `- R+ s/ y7 w; Z1 花括号进行美化' e: N9 i9 p9 B# F* `
/ s6 a# u, b2 E$ t. O, l1 W
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。9 [6 b6 x, g. c$ L- b
+ M" y9 \" F( m/ M
3 d* Y4 @( _; L a% f2 控制台输出执行结果% ^: U l5 r7 p, p( E
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。
& L- \3 x: u+ M, c
7 l$ J& D( P0 U9 A3 G5 U: Y
" x4 N( V4 a: Z+ p% Y. b
1 c' i5 x: C" P# E- j 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：
, c, f4 k+ u" Z) p. O0 d
, T+ m/ J& k$ C
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。
, r- _& I# i& w/ {) D4 U; e( @$ A; U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。
z8 P. X) f8 T9 j# I) B0 [1 X& M 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：4 ^: n1 g+ M- t3 ]
: ?6 J8 Z, v- p4 D
4 L, S# q8 ^7 x+ c4 o' x
成功输出正确的数据，最后用 Python 去调用解密函数就行了。2 W v1 f& F! |! k1 x
& C; K5 s; D* d! G
|
|
|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
