|
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" @- D- C' B( Q! \0 O9 P5 L& E
1 JS 基础语法学习; k6 O8 S8 a3 a
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。6 [% S' _. g: ^6 P
这里给大家推荐一个 JS 编程基础学习网站:6 R/ i' x( M C4 O; ?
https://www.runoob.com/js/js-tutorial.html- [* l' @9 j. D' x7 B
6 E" `2 K/ K1 C, h1 e W& A8 H
* \, u* D3 y, ^( S$ R
2 x) X4 U; d/ l) F
2 前端 JS 破解原理7 e! ]3 ?3 I% o2 u* ^. X- o9 R' u6 j* F
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:' s! Y: D K$ m% G3 f; m2 t8 N4 A! k
c/ @" F. u |" ^( R 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。
9 O+ s- K* c: Q2 ?" A% }2 y4 }5 Z2 U% r$ S
3 工具的使用, _4 a g) a9 O3 _2 Z4 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
5 L5 d; ~$ q/ [; O' y 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。, F) w! [ z0 l; e
0 s/ y7 V8 f4 w( \2 z
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:
7 w0 W* ~" s( Y& whttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
& Q- D( H+ K* |' | X
4 A/ Z# U t ^! p$ ?0 b) a9 G+ H3.2 Nodejs 安装. I d# ]9 B7 \
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)。9 A1 S7 Q) ]) m6 s5 B$ ]
( m; J1 g4 ?4 L2 o
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。* t1 x8 Y! ~* n1 M: u
0 i% W' z/ g$ h$ o) C
4 实战练习
( @$ h/ ~$ Z2 J# ]) i. z. Z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% X$ a1 d+ ~% chttps://www.qimingpian.com/finosda/project/pinvestment
$ U. A+ F+ W8 K( A5 z; \% v3 Q6 g$ G/ i4 c* v, V$ X$ K* b
4.1 网站分析% e) y- L4 y/ J
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。
% H6 U& h! A9 z
; N! D E5 Z( |: u- 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。
' ]$ |) i/ d' G7 K3 \
* P7 F9 e' ?5 \( ]5 |/ ^
接下来我们就要破解 encrypt_data。
5 d! R9 S2 j# c- u) n4.2 断点调试 JS 源码
2 X9 m' L/ a& C5 D 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。
7 X7 a0 c0 \' W2 m! X
, N5 i/ M$ |5 @# ~6 E 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。
/ X+ M* a- q2 F* K# {
6 |0 z8 Q, s6 ^% ^. r8 T* {( U0 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。1 I/ V$ v+ [: ~# D7 U
小技巧:5 @& N7 p; Z- p# L) F
1 花括号进行美化
8 j4 C9 m' F0 G! R6 p, f7 H" I( ^# x
+ c% U5 |; K0 l% |) |- M( U 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。
1 R: k* K' G/ d" _
5 M% x" ]! Z. {* ]7 I; P+ d- B! i
# X+ D; D( \( Z; i' Y4 ?2 控制台输出执行结果
* O' [+ }6 D8 L' x 如果你找到比较可疑的点,你可以选中可疑的代码段,点击右键有个 Evaluate selected 选项,它就会在控制台输出执行的结果。+ J( u+ h1 u& F8 {1 c1 ]
! H2 T9 h+ s9 {
5 i6 g; `0 m' K8 o) d
S* B/ Y# @, \) W, I% 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:/ f4 }7 J z0 b$ w* F$ V, ~
5 n8 G( U. V% Z+ T6 T9 _" 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。
/ E, L7 t& a0 o& Z9 X5 |. D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。# ` L1 u* V* @6 B
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:
0 [/ e( u4 t8 \: D9 g( z0 n6 }" K+ r/ r0 J+ ~+ [
- t# B- c( G5 \6 J 成功输出正确的数据,最后用 Python 去调用解密函数就行了。: L" g! [# N( k% S" p
, u" k$ B2 U* V2 N! T
|
|