|
|
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。
7 m. s" J: ]$ g: r1 JS 基础语法学习
/ t2 t$ N* P% e, g% H7 U; V 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 W2 f: @" V, M+ {& ~这里给大家推荐一个 JS 编程基础学习网站：$ t" q3 u! ?2 t1 y( z0 a N" I# l. V! C
https://www.runoob.com/js/js-tutorial.html/ A# `$ _7 h5 \% z4 O
y1 m& W$ J3 H/ J, t
% s& {% F0 O; {) _0 s7 Z3 [0 B
. g' B1 X* K( N9 s ?( [2 前端 JS 破解原理
; g, _/ e0 f. y0 x2 T5 T, j; w 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：
% f$ E3 m5 J5 o: M: X1 A+ X* u+ X
) W0 J; l* K7 a8 k6 ^3 |" Z- H 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。
4 u( `2 b/ h( F; ~9 D. d. }/ m( _, o& n7 W
3 工具的使用
$ h- u! J" @. n 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+ R9 c& a. H! `; _! F2 |0 s
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。
7 l& g8 z: }" K5 i- E) U7 G
6 ^' `2 \5 Y( l* H. ?: K 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：
9 w: M6 ~1 ^3 y' L0 W5 K& ohttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
" S3 ?: _! P" ^ L
1 G) l1 x; t" v* a! _# R0 I1 i3.2 Nodejs 安装 U: F. ]" S, W1 F
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）。: P, O& [( L! z8 g; o
! m: Z9 s) V! z% K0 C
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。0 R/ C/ r. M& ^
; v3 f r+ l0 n+ f& ?
4 实战练习
5 e f7 _2 n9 {2 J& K1 t$ ?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：# O' G% q6 b N
https://www.qimingpian.com/finosda/project/pinvestment: s2 C& s" z/ w4 U5 q5 z
/ q; `- ?6 L2 s- Q9 M* |9 q7 G4.1 网站分析
% K3 T0 _0 H: m8 ~3 L8 g$ U K 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。9 d, a# Y% R8 u3 {4 t
, w6 ~9 [3 E: y1 Q- o6 x9 a9 q* k 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。3 O1 g1 S0 a9 Q: R( f
% F' n; M* r0 m( v 接下来我们就要破解 encrypt_data。
- T* L# n4 C9 |6 u. Q4.2 断点调试 JS 源码: `9 _- L4 H5 g
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 F/ I5 |: i9 e: q9 q8 r# W
0 G, H% }6 F5 k( L7 X3 R
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。
5 l7 S5 ^5 B9 t6 t/ e$ [
$ [- k4 d5 e( ], h( b% 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。
, A3 g9 H, j8 H/ @" A/ N小技巧：. X/ I r4 t1 T% }. B
1 花括号进行美化
8 o) {% Q; T0 L3 J- x2 W& {
' a! r. ?, X6 B' s 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。
: t) D9 _; Z v5 f( }
2 u5 A1 H& z0 z4 K% @$ ^
& e8 N$ Z& I6 X9 O2 控制台输出执行结果
/ `$ t" _, p8 W6 V 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。1 [, i( E; v: O, h/ _
9 \5 K% X# x) f
( V7 v6 o. e1 n1 i; a0 p F
( K+ R# v2 R" [% \. ] 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：. z' `% @# }9 x: L8 l
' z1 C" H4 O- }" Y) F
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。
) l. S: l, O4 _# p8 `" r. f( 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。 w' k! P$ V, ]3 ?
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：+ U; ]1 M$ O7 G' _( z
! p9 d8 x7 ^( _ Y
6 U: u) H$ D y- J8 N 成功输出正确的数据，最后用 Python 去调用解密函数就行了。
( q# K! Y% p( x$ T7 f
+ X1 w! b& h- ]- A/ h |
|
|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
