爬虫进阶之 JS 破解

admin

       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。
' O) K# u2 ?5 j7 K, ?  A1 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
) z) J2 K# @4 I8 S+ r3 [

2 E0 O/ `9 G6 z
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：

       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。

% w9 i  D+ A9 k0 P; A& w3 工具的使用
& o; F4 o# R" O) x       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。
1 y3 @! v9 w- @* w; n
       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
! @7 P0 f1 I. \; C. ~4 Z) b( o
  c0 S3 C& ^& Q1 t3.2 Nodejs 安装
  C$ R$ o  `) O2 ]1 |       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）。
, U# @- q/ e4 {' h4 |$ H
       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。

! _: C# c  N# F2 K4 实战练习
8 I" a. j' D9 N) y5 M3 g- j/ r' T# N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：
8 }, h, H" c, Thttps://www.qimingpian.com/finosda/project/pinvestment
% P3 Q' X4 \+ e3 S
4.1 网站分析
/ t6 [5 ?' {$ Q/ e) u       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。
$ T- x1 g3 F6 U$ {" B
; ~6 n9 @8 j& x8 N6 Z) w       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* N: \$ v2 ^" C1 M" w       接下来我们就要破解 encrypt_data。
4.2 断点调试 JS 源码
  h9 u# Q& Z: s% ?+ |0 n       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。
/ u  W* U$ r  H" a' L" _0 w% T  g
       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。
( q7 A1 \+ B/ T0 F
       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
  S4 B  b/ ?7 C& n5 {/ C& z
      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。
) t8 n. ~8 h9 N0 b& s
' X6 S- U3 ~" p0 e* ~
2 控制台输出执行结果
) a0 U! y4 _( d5 Q% m0 U0 `       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。
7 ^, D% t* z. O) \6 h
' I3 G1 f3 X  S% A" i3 A- y

1 p# s$ f0 ?; y+ W# }7 v7 e       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：

       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。
7 H6 [: v# t8 u0 g. H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：


3 ^6 [, P5 U3 w" {       成功输出正确的数据，最后用 Python 去调用解密函数就行了。

- E( ?4 _; k7 e- P

立即下载

• 

  爬虫进阶之JS破解源码

  大小：38.2K 下载次数：0 提取码：1200 下载权限：不限制 售价 ：12金币