|
|
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。0 m" D( i" Y. R0 ?+ c9 X
1 JS 基础语法学习
' [ g- }6 S6 c& q, J6 J3 W ] 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。& y% K% m; u# U3 r6 h/ l( p" a
这里给大家推荐一个 JS 编程基础学习网站：0 y7 c E, }+ P8 t* ^+ U
https://www.runoob.com/js/js-tutorial.html* U7 L' x {8 y7 t9 X T* e! J' y
9 C/ v9 k1 k! X7 V
2 e( c- _: ?' L5 j& L
5 p$ F9 Y' M5 _: h2 前端 JS 破解原理0 |0 i, G9 @. a+ q, W: {) }& I: P
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：# \# e# c$ M6 M$ s$ S/ p0 s+ c
+ W. y2 k2 `& ^0 s% o, w 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。
% @ L6 @: z2 r/ U0 H6 T% z4 Q; @3 Q! Z4 N& b" w6 R) G) |$ n
3 工具的使用/ }& Y9 }7 j; Q5 E7 e0 O1 I
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 Z! `$ c( a0 C: 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。% H2 `" Q7 |$ \% V+ S; g
! u. K/ ^0 X3 |" |. J 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：# [4 L% s9 j$ X; m$ y3 r
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
0 ]8 C: I$ c7 O( H
4 k: i4 m+ J( Q: @% W: \3.2 Nodejs 安装% T) q0 Z' K% E9 u5 @
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）。
; d; |/ h+ L3 t3 t
: Q8 o4 c5 Z/ _# T; R* ~. ] 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。) _; {% A2 u3 |' c5 m
- p& J j" H! x9 U3 S8 r
4 实战练习
9 _" o9 F3 M. S8 s+ w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：
0 J6 g: a7 b4 ~! Q7 C, X% }https://www.qimingpian.com/finosda/project/pinvestment
' M' K4 j7 v% C x0 X
7 @! U: Z! }/ x7 m( L' M4.1 网站分析/ |* {* u i$ O" w
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。 L' j$ d5 L& m; `( e) c8 `
% b7 m4 i: L+ D, J9 _, P% Q
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。
* q4 A+ {& r* |7 Q, o% L* k- ^
' v$ ]3 i; Y( | 接下来我们就要破解 encrypt_data。, Z8 e+ y0 E; o$ i
4.2 断点调试 JS 源码2 e8 ~# ~) B0 }* w0 Z/ {+ 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。
" t3 |8 p& Z' P2 ?3 n; \
7 L7 L( b9 T! q& |1 P" `5 I( G 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。
8 I# Z7 O& t# W$ Z! N! M
4 F: [* d, J2 p! D& 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。
9 n4 L0 K. m3 T9 A' ^小技巧：
: m2 S& V6 S& w$ Z- M1 花括号进行美化" I* I0 J: ^. S
7 Y" `) _5 F/ u; ~8 Q y
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。
4 j1 V1 E# E9 u5 \4 q4 i( {% }
1 v! ^7 L+ g4 f5 Y. z
" ^' L" G# X6 T$ M! i* t2 控制台输出执行结果! q* h% {: ]4 B5 A3 n
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。4 j. ^' l8 R# n0 t- i! I
) E* |/ d. d7 z, [6 Z6 ]4 d* \
* K3 g4 j2 e* d( u6 ?; f8 m2 s6 B
- c* b- w% d. B1 Z. O; d8 E+ L# J0 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：" o4 t0 @6 B) I6 y& V
- _% N" J4 z% Z, a
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。
# B+ z6 J, x' \( {: [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。
! D& L- S4 @0 Y. Q$ d7 O+ s$ B8 g5 ] ? 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：9 `! R$ L* h* D M* @9 E! y
& E* T( |. J7 ? V% M
' v/ p* U0 z' u
成功输出正确的数据，最后用 Python 去调用解密函数就行了。
$ i2 |+ _" C. l. p
. @' X' f ?+ |( J |
|
|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
