|
|
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。+ e F( U; D: N( G
1 JS 基础语法学习
- C/ S& d7 c8 T7 L. R! d" {8 W6 G 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。# ` P: S) R8 q! H: G
这里给大家推荐一个 JS 编程基础学习网站：; P S( Y$ W) a+ w
https://www.runoob.com/js/js-tutorial.html: z ~$ w& ^5 m( t! w% r6 l& p* h
$ M$ p( ]8 }1 g3 l V
( h4 \( b; F2 x: o9 ?8 u% p, r l
' x$ ^! b0 g4 }2 前端 JS 破解原理
+ {/ H7 ~. C2 b# X4 ?) P/ 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：, g7 \* P* l% U0 u( T
w I5 L+ v, a5 [
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。
% c% O9 H8 U6 o& D- P& A8 G( K& x# |% f. o0 N; u/ d7 d
3 工具的使用& k7 N/ G0 u) O) q) a6 W) p P
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( `( [" ~, a0 `% {' ~
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。1 Z P" Z! h$ t' M( j- a
& ]$ a' g" H. q5 g6 N; [8 v# B5 l2 K 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 h4 u& S+ }3 W; H3 c
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn) I0 V- G5 [- \+ d8 \
( |( l2 w5 a" S3 n
3.2 Nodejs 安装
8 m. ~" Q4 s( { 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）。' [7 j' \! r, M7 S+ c0 F; _
# W ?* P! {# K
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。# P. _- l8 R0 [! i( p
3 ^" B: E# N, j2 B# s) A4 实战练习
9 i' @1 \/ D* L0 b" R9 d/ |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：9 g6 z5 D8 z% Y6 k# H# d
https://www.qimingpian.com/finosda/project/pinvestment
/ \+ U F; e' a2 {& {5 [( j! \5 g. Y) [
4.1 网站分析/ }7 f" R) ^; g2 U0 z2 n8 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。
/ A+ E% k" l& J. S( Y! k P1 r
2 g0 \9 f) X+ _! S+ @ 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。
& c0 t' m3 p8 [+ w& u
/ l; L- O0 u9 l
接下来我们就要破解 encrypt_data。4 q6 `* J8 w* `( o. A( s1 M
4.2 断点调试 JS 源码* q" v$ y. |( 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。
: @, j. n% k6 }* Z7 A9 l3 y# F
a$ Y$ h" p6 v3 |! E: G h1 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。
K( D* p4 z7 I$ l
% {( q0 J: Q) x. }
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。
$ `; d. y f' s2 m; m4 a/ ]5 ?小技巧：
' f. P0 i: J: |3 C$ s: S* |1 花括号进行美化8 I( p* V# t$ V( F4 w+ F
) ]) M( ?# \! b2 k 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。3 i3 j& B3 A# E" I
+ d( E; S6 \$ U/ I# _ u: i
0 R0 e* k; O: w8 H, Y# a
2 控制台输出执行结果2 C2 ]: k# T# c- d( X% f
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。* \9 ]" c; h9 Y; N
! @3 X; B0 F3 H x- D8 `: d
6 N: i+ C$ E: F' f3 j7 P
( S- P: R3 ?2 s7 Z5 \2 _" l7 `
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：
. V( l6 T! ~+ A4 Z% o ]4 a2 R
0 ^: C/ \& j; e% I( ^! Q
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。/ _# H. }# K4 C3 G' G6 x& n
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。
9 j3 o, i! v9 A7 i* h1 ~ 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：2 w6 t- C, ^/ L- Q' H( Q
) s$ v, \/ }$ e
. {; q' n0 T9 G' _$ @' J! n 成功输出正确的数据，最后用 Python 去调用解密函数就行了。
8 R3 k$ B/ m7 I
, P% v4 N6 p' V- S9 f) n7 L- N |
|
|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
