|
|
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。
! p5 c8 k8 h6 ~. ?+ m1 [4 A1 JS 基础语法学习
/ O5 w4 V& Y/ P) I0 T 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。
, h$ P+ ?2 l. y# x; F o这里给大家推荐一个 JS 编程基础学习网站：
( m9 J; d) X- s8 R2 D7 ehttps://www.runoob.com/js/js-tutorial.html
- k y- V! `. e% d; }; q1 r% x v1 Z
9 X+ `: h$ a" I2 v& s- `; B4 ^" S# t0 j7 B* \5 y' U) B* T7 O5 L- G$ ]
2 前端 JS 破解原理
- n& ~( {- x5 x0 x' u$ k0 ` 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：
# p% E: C( e& N% D9 ?% A# D
9 l2 b* `2 C6 k7 g: G% b/ w' Z 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。5 A: J1 ^8 T* ]; d5 V
) f; @; X0 n) n% i
3 工具的使用5 N* J4 t! f: n* X3 U2 F) B0 w
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/ t- f! N) g- b* S/ v- U+ c
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 A7 [9 p5 r6 c
2 R0 R5 P# r: y4 ]* p
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：$ E& ?/ p0 O! t' J+ X8 m
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn7 v) H5 `9 Y! z/ |8 j) f* d u7 J8 X8 ~
& ]% E$ _& Y$ ?- j) ]+ l$ o# j. r3.2 Nodejs 安装 q0 y8 g) T" m3 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）。
0 L: g8 A; `* Y f+ o( V7 j, }
, M- n- s) u: Q8 J& D2 ?$ o& R* u
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。: O6 `3 {, P0 m& q( m* q
, _+ G4 [0 \& ^& H) b- N4 Q1 m4 实战练习
* t G3 a, t4 x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：2 @+ r6 K0 {* I, T1 `. J4 C, T
https://www.qimingpian.com/finosda/project/pinvestment+ U n. M2 @, e& V4 ?
) E7 F- i8 N" G- k* @9 N4.1 网站分析/ X3 J# n. }6 j1 I+ o+ }+ ?: _
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。% J# Z8 y5 m: y
& p m" w2 v) v* P5 D+ S7 T# i 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。6 v* ?# L# i5 j( v9 h' \2 r
( L# z r6 _- P6 i
接下来我们就要破解 encrypt_data。) C# j; n( R2 T5 [# l
4.2 断点调试 JS 源码
. g5 P+ P7 D2 }' W 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。9 q4 x8 y/ P! {0 D" ^
K' B; W) ~" d( ^% l j3 ?
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。
0 O& g1 F* N2 Y p7 C
, |8 D% d0 G. G0 u 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。
6 Z. x6 g9 F* e: q( p) V) F) b4 s小技巧：
: e3 j& c3 q$ r& }7 t8 G1 花括号进行美化
0 w) j% f5 V( X2 l. G2 j! t+ J
( K8 g" i: g. D8 P7 h2 b( P 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; D" r( C" j0 ^9 |) q
# z# [/ S" V& E
" ]9 ~9 F3 v" c: _2 控制台输出执行结果
. @- |6 D: W: c& 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。& G4 r6 Q" u& E3 y2 `
. }0 N# Q" `* S( V0 w
# S) r6 Q5 ], n5 v$ r4 b7 a
# `9 i6 u) C% |0 k* y! W, k
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：3 H. Q7 k& s( m
# u" J4 ^& s' M; ^
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。2 Y( y& r0 O9 s# y5 \, M q
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。' K7 t g$ Z3 T0 {
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：% r; T# G) C: F: v( Q
# s m& {9 G0 m7 ]. T
: w' ?$ S- G0 k# a7 { K: i0 K 成功输出正确的数据，最后用 Python 去调用解密函数就行了。: n! `2 M0 B& e9 D
' p- Z4 O" m4 `! i" F; D |
|
|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
