QQ登录

只需要一步,快速开始

APP扫码登录

只需要一步,快速开始

手机号码,快捷登录

查看: 433|回复: 0

爬虫进阶之 JS 破解

[复制链接]

等级头衔

积分成就    金币 : 810
   泡泡 : 1488
   精华 : 6
   在线时间 : 795 小时
   最后登录 : 2020-7-8

丰功伟绩

优秀达人突出贡献荣誉管理论坛元老

联系方式
发表于 2020-3-19 10:28:04 | 显示全部楼层 |阅读模式
       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。
1 JS 基础语法学习
       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。
这里给大家推荐一个 JS 编程基础学习网站:
https://www.runoob.com/js/js-tutorial.html

1.jpg

2 前端 JS 破解原理
       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:
2.jpg
       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 工具的使用
       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
       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。
3.jpg
       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:
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn

3.2 Nodejs 安装
       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)。
4.jpg
       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。

4 实战练习
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:
https://www.qimingpian.com/finosda/project/pinvestment

4.1 网站分析
       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。
6.jpg
       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。
7.jpg
       接下来我们就要破解 encrypt_data。
4.2 断点调试 JS 源码
       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。
8.jpg
       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.jpg
       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。
小技巧:
1 花括号进行美化

      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。
10.jpg
11.jpg
2 控制台输出执行结果
       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。

12.jpg
13.jpg
       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:
14.jpg
       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。
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。
       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:

15.jpg
       成功输出正确的数据,最后用 Python 去调用解密函数就行了。
16.jpg
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|小黑屋|paopaomj.COM ( 渝ICP备18007172号 )

GMT+8, 2020-7-8 18:20

Powered by paopaomj X3.4 © 2016-2021 sitemap

快速回复 返回顶部 返回列表