|
|
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。7 j+ c$ @7 i+ V E
1 JS 基础语法学习
" u+ M3 h5 [7 F 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。
5 z" k" k7 L$ M/ q这里给大家推荐一个 JS 编程基础学习网站：
8 `/ o2 ?) J2 Mhttps://www.runoob.com/js/js-tutorial.html
' e% D* t& R$ ^( P- e, n% S2 }, i' ~+ W& m8 O
2 T1 C% B, k4 e* P; b
6 r% P8 b, x1 r- x+ Q( y, ]2 前端 JS 破解原理7 g# B! ^8 \1 b+ L6 ?# W
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：
6 W& Y; j; }* N$ P ]4 P
) h8 |: `1 r5 X( ^/ T% I8 a
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。
7 E3 q& m! ~ o9 f. d, L
1 u9 T- n3 o6 N L3 工具的使用4 O+ Q. G/ e' Y8 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9 K: E7 i/ g( }7 _, F8 |
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。
/ m; l X7 u Q1 O9 A% k% W
3 G4 \ ^" y: @! C- d6 D @
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：
6 C0 F' N) _; B* r8 N# ?' Z8 f7 vhttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
# Y/ p, O$ s: G1 G% |$ N$ ~/ _5 C. s4 X4 I: B* j( A" S* o) h
3.2 Nodejs 安装5 z6 S$ k. I" A4 d$ 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）。+ c9 ~ G, `8 ?
* _7 a9 Z' V$ @* p4 I
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。1 a) D( [6 b* I1 g
( @" C/ u3 r c u2 I5 Y
4 实战练习5 N1 d& D+ t0 f$ c: G% a
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：5 N' I4 A! U9 y3 [+ k" ^
https://www.qimingpian.com/finosda/project/pinvestment
- }2 q& {4 j2 r! Y: [9 }( e+ q* I* ~, H2 i
4.1 网站分析
' Z/ u% F. B& ?# ?8 q. V0 H# 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。2 U5 r, W( [* m U5 P8 E
0 @* {+ w' _+ 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。
$ K0 h. A* m* C& q, r
) i, T' L( O7 X* U; U8 a
接下来我们就要破解 encrypt_data。) l. \( F4 m- m+ E5 }* |
4.2 断点调试 JS 源码
# \9 p0 F6 j; I0 i4 u 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。
2 A% T. N2 W, o$ K; W* {) d
p0 s0 o( H, D) W" T" [9 s! | 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。
D5 _! u0 S1 K* t8 A7 b
2 p; M' B" {) k2 M5 \+ V8 e8 { 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。
7 \' z* }9 G4 X- W8 n小技巧：
1 S1 B8 V. C. u6 T- Q1 花括号进行美化) x8 i$ [+ Z4 M& a s
" [' u" z+ T. I& P* E8 e" Z: K* T 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。
; N: Q, j$ r/ Y5 z: U; S7 ?
+ s0 [7 H0 X0 h0 g
, R, Q* ^, j w) b- a2 控制台输出执行结果; Y. B0 Z [: c f9 a8 q/ p; {4 Z
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。
; F; V4 n: {- N8 D+ t* K$ ?- H' V% ^: f: E: w
! D" S2 x/ ~0 z, m t A" E
# ~9 N* d) J7 q/ H7 h4 v6 E
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：
' u1 s2 J5 K N# v/ y
' Y1 N9 X7 D$ Y# j6 W9 n" e 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。' R; Q( Z8 X# h5 L
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。( I9 ^$ t! C& H. D5 ?% e, m
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： a1 k- ?* o! r& `" j
( b' _& w5 ?+ u. D- N) n* [
% y, m. W' q; v7 F
成功输出正确的数据，最后用 Python 去调用解密函数就行了。6 E$ Z* c7 W* N3 D$ o" A7 H5 l
) C0 s( s! q0 m+ O |
|
|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
