|
|
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 @7 D4 [" B$ Q+ s8 _5 o3 k4 c0 N9 C
1 JS 基础语法学习! n4 Y' v, y# b
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。7 V5 ]5 G) l( _, }+ N! E0 Y
这里给大家推荐一个 JS 编程基础学习网站：! \% H* ~8 L6 J$ z
https://www.runoob.com/js/js-tutorial.html
3 @4 A+ p7 G: f/ `0 C
- o9 G: Q1 _4 I1 h! F, W
: K: B) }- |/ _# C2 T
3 M9 Z1 l/ Y5 f
2 前端 JS 破解原理# \2 f1 u8 R- O# B& M1 z
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：) M+ ]) M. u2 r! t
/ Z9 k/ Z2 c+ Z+ g0 C- p8 ]! G 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 v5 W: x5 q$ D5 [' x
% ?0 d) [& J" f/ l( b3 工具的使用
" `3 f( o& x7 ~/ _( ?" t 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8 l& X, F( b7 C# t9 V
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。
. i3 W% I0 o+ l1 d$ o
4 q4 z& Y5 m4 u: l 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：
6 n% D f" f) Y& shttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
# N: C. F8 [* C/ f! t$ I4 @! _% b; l
3.2 Nodejs 安装, J2 ?3 T0 r! M8 Y
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）。
2 A$ i- h0 w, P. z
% K# t7 J' z: A
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 k3 D& T/ x; }, U* f3 [
8 L6 {& r) V3 Q5 U6 T8 b4 实战练习
C2 f% J2 ^! g+ ]# 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：5 L& c: a1 }+ ~0 v0 R+ f
https://www.qimingpian.com/finosda/project/pinvestment& f. W+ Z( N0 U+ b3 y
" r( X$ B B4 N; u3 c6 X: e$ _$ `3 x4.1 网站分析
* L; d: l1 {6 Q s8 E& Y% H 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。; F4 {1 A1 t4 F) H! n5 d& s
9 t1 u7 y: B- p7 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。
/ t5 u) A) g2 d" g# R; h. c
: `0 m1 T o7 |8 K$ h9 y
接下来我们就要破解 encrypt_data。
+ a g4 v- X" \! `- ]5 p4.2 断点调试 JS 源码
0 T( W( W8 j$ p2 G) T: Z 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。
4 |. `! h8 u- e3 S
# E( Q8 T0 l/ }1 ^ 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。( |/ D* x$ [' x* p' ^" f( ^& i
" g' f( V+ w; ]3 b* O/ o+ \# m 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。5 h; U( o r( t' O
小技巧：8 j' U. k# b9 @; |5 X. P. u. `
1 花括号进行美化
' M9 b; m" {. C+ f- d* i$ R( N2 h1 U
) _+ g6 h }- L1 Z( T# | 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。
3 x( {& ^) S6 Z
& c% [* ^+ P+ E% x) P9 x$ Z7 D
% l: b, ~9 s3 I E( `0 m. N
2 控制台输出执行结果: f. n+ S: ~# P G2 W4 F- p: l
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。& x4 W* b* Y" D& D
- n9 E7 W4 V6 U6 i
% r+ |$ x1 J U7 G: J
0 ]; h# B# }! Z8 r' l- Z. U
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：
* {7 J+ |4 D6 e
! f+ C% D& z, |, a- d; ~
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。& z n% G4 y+ t
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。: a9 x! u+ t1 Y% n5 r) ]" p
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：, M5 U$ P/ T1 b2 o$ C3 h' B1 Y, L
+ z4 G6 f. T. I
7 ]1 V% q; X! R3 F 成功输出正确的数据，最后用 Python 去调用解密函数就行了。; ~: m/ u# P1 r
) c. w- ` K& H( L7 }: k
|
|
|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
