|
|
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。$ y: z" B& I8 h I0 a
1 JS 基础语法学习9 ?& P3 B/ z) r% j" n i
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。
8 }+ v* R9 u% `$ Z" @0 S" P这里给大家推荐一个 JS 编程基础学习网站：) `) X: t6 a+ p i/ q. I; m& L
https://www.runoob.com/js/js-tutorial.html$ a+ E. a0 f# A- n3 K+ S( u
) B. ~7 p3 a1 x9 @! h7 s
" T. Q: b0 f( X2 G( H( K6 f
3 h. x- m" \; Q, g) W% A2 前端 JS 破解原理
7 X% b* o$ I' m# d% O. N5 H 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：5 X. s: w1 B$ R0 Q* l
$ f, l: K+ P: c
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。. I( Y# P& _+ m9 a8 G
! J! L, ]. P) k
3 工具的使用
$ A! F" j3 B" } F# R 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
2 }: }8 q5 s" w' `+ p' ? 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 l3 `& P$ F; Y* ~ ]4 F" h
& l- C4 r6 r+ u/ S 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 F* m. s* z M! A
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn9 q# _& \; B: `4 F% @
3 D/ b( S: M) _& H
3.2 Nodejs 安装
' E( x4 d3 y* H7 ?) E 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）。' k$ a' f6 W. \
! u2 G% P0 U- p$ d5 U! w' R$ H, W
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。
! J/ g7 V: U- X) ]2 U m5 u' H* [' X/ P8 ^# j3 A5 Q: b
4 实战练习
0 b& L, X) J; i& 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：& _! m" K* M' C3 Z
https://www.qimingpian.com/finosda/project/pinvestment/ ?6 i4 c# n$ T* ]8 |6 d
" G, a. V) ~" S. i6 v4.1 网站分析
1 S$ \' h# L+ Q, j* G# d 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。
" r0 E% M n, J! m' }' m! P
" c" g4 b0 R3 {! g: L4 j: M# Z 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。
* O: Q s" Y' z# U
$ |1 C& a5 \ h0 Z# S2 p# _
接下来我们就要破解 encrypt_data。- \; `% E4 C3 V+ a) T. M6 G/ c0 [
4.2 断点调试 JS 源码7 f& k" y+ J1 p
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。
^* v7 ?9 s* F3 \0 p6 B
O. I5 Z( V$ W
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。3 m3 o% p/ G3 ~- {$ D J6 s1 S
5 ^$ D Z; c$ |. z B
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。3 n1 l! f/ i! [
小技巧：
: L* Z! k2 E2 G" i1 m1 花括号进行美化. c# V) u s; O. s8 U
7 t1 I: B$ R t6 y6 M" n) E2 n
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。
: R/ C- |' w% h) [3 Z
8 A& L0 D" k L1 R8 ~
) o, Q4 E% K; |8 H1 E2 控制台输出执行结果
; s6 Q1 Q* G, | x+ B! J 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。
. c9 b* O; {& M3 M
% a7 X& [% f3 b2 K1 s
& Y8 O$ f( v4 _2 A$ e1 S. M
4 r% E( s2 D; B5 m' T k0 l 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：
4 R( J5 J6 {( K) F% D" _! p1 M1 h
8 t# e+ F: D% l/ G 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。/ T4 U3 j( ?- Y# A \8 n( z k: s
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。8 w* e/ r$ g4 n+ e- _0 r- C
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 ]1 l9 o2 {% Q( v6 t( r; L$ G
& |: g3 R( L; n( A2 f
& R9 F. Q8 c# ^9 m
成功输出正确的数据，最后用 Python 去调用解密函数就行了。. M" L* l, G% A! E4 \
% b* G% m2 ]$ e" s+ A {5 }. |
|
|
|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
