|
|
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。/ _+ i4 V! I1 k2 S+ D7 \: N1 _2 r
1 JS 基础语法学习
% W# S$ t3 A8 O2 i1 h( o! ~; 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。" g5 S) P& o4 L- |. W6 J8 ~
这里给大家推荐一个 JS 编程基础学习网站：
1 I! R+ i( E8 y: C5 P" M, \; ahttps://www.runoob.com/js/js-tutorial.html
) n& Q1 C, f4 s& o# Z1 W: I! k4 Y5 C! ?2 |* s, c+ k0 ^
^" R/ c/ S4 p! g' E6 n
0 j" l) C6 K+ i, H" I4 x! n2 前端 JS 破解原理* m' U' P) C4 T) ~) ?$ Y9 B9 S
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：
8 R: q7 V* l* c. z5 k" o
: f" s5 A1 p: t! \1 R+ 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。
1 E) s* s0 U/ a) `3 p
9 A1 [; @9 ~: u& m. F3 工具的使用) u5 O) Z& o9 M' e( m4 V/ ^
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
$ K8 w6 \, q# k 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。
* ?( ?$ E6 i" n9 q9 T8 J$ J. h$ t
% f/ i o, L* l8 i ~
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：
5 J) L+ t) ]6 a6 ohttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
; y( W) J/ O @' f1 H( J6 U
5 u1 P/ ^: H2 v1 X4 W3.2 Nodejs 安装: f- w* p# [0 D" N' I: o
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）。5 t5 N& w9 E1 h. `; J
" r. [6 V# j3 g( g3 E; } 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。
; B, U; t/ a0 i! u8 s- f; w& O7 V( O; o$ }) }
4 实战练习" ]& i# B) |: g. Q
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 I% ?" ]9 {1 E2 T8 z1 b
https://www.qimingpian.com/finosda/project/pinvestment
. N3 a$ S E3 @" {* G6 z, s/ B; \2 \! P' ]
4.1 网站分析# w0 |7 s7 I! p& `0 m; c
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" P# g- g5 A V8 W7 K
! h2 T3 q5 j7 t7 x3 p) _ 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。
/ f4 C9 Z8 d' @
' Z! e9 W. E6 y/ A& n- e
接下来我们就要破解 encrypt_data。$ r: k2 @# E" d9 i
4.2 断点调试 JS 源码
\5 ?' h/ l- b W' z4 }/ K% S 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。
6 [/ M" G7 z- _: v
" E0 ^4 z1 z( ^ Z 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。- n" F7 G2 t) h! c
6 V' ~4 F" P6 U M, U" 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。& W4 S/ R! A& [
小技巧：" _4 Y: F9 b5 ^# Y7 A
1 花括号进行美化% _4 B! n: D6 E; T" k
. J U% _$ Y# t+ O& B; l" s8 r 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。
! P- t4 u; [! N6 c# r4 i, V( Q
`$ X4 N; Z; r5 A4 X
0 B# ]/ n) k8 U9 R# \7 p3 K2 控制台输出执行结果2 y% d' h) ^. e
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。
/ P# n: J& Y9 o7 F9 j$ Z' _* {: c4 O- N6 W; a" O5 T" G9 k" c
' S y% M. v! n" I
& w0 M& }5 u) Q3 Z- P* [ 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：$ v0 r6 j9 D( H4 l0 a$ m
5 @8 d3 B9 Q0 N+ ? 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。
: {0 j9 B4 j. 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。
6 Y$ c0 n! O6 d2 L" \ 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：% v2 Y. y; W q
5 b- J$ _/ P" ~: y
9 ]# s: s& D: Y! v 成功输出正确的数据，最后用 Python 去调用解密函数就行了。
9 K; d( h# P$ h1 q, a
0 |( L* O$ A5 h- r
|
|
|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
