|
|
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。
1 ^5 b, V, ?2 @+ A9 p1 JS 基础语法学习, S1 s) K. m- m1 H. f, l
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。
" e0 L/ }; b Z这里给大家推荐一个 JS 编程基础学习网站：4 P% X7 Z6 l9 c$ s" V* p0 e
https://www.runoob.com/js/js-tutorial.html* {% d( }( ?( M( {7 A5 ^; m
* R) [3 v2 t# {
, t* y* z+ w' o* x- e- a2 k3 _. y; k9 J$ I! J
2 前端 JS 破解原理
: T0 _- Y5 X) Y 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：
4 I. p$ \& D" a0 v
, Q2 s3 b4 S& L% F& \ 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。
3 z7 L6 C) {2 x$ f7 F( m+ B/ k# K& J2 u8 K
3 工具的使用
. k4 I% `6 W4 f+ ]4 h6 f, S 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
: k: }; f& N# {3 F 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。
* s. p5 ^- C: x
: H$ U6 B+ T1 `" Y: y3 h
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 g4 ^/ \6 F Mhttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
+ i C' `8 }) h( Z5 G6 R
. A4 h2 r2 H' ~1 W/ v) ~) l3.2 Nodejs 安装; [; ~' M4 O3 y3 y
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）。2 C# r6 w, \" ^
1 P( E7 u- O$ w
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。
! s' u1 X: n. F) @, b5 O1 A3 [/ n
) E. [1 Y2 O5 J9 C; H! s. w) n; \( K% f4 实战练习! J) Z) S& }- @ n2 O
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：
& t w# X: B8 i" ? ]- ]' {9 j2 R Jhttps://www.qimingpian.com/finosda/project/pinvestment9 o( v5 U: b3 J5 J# A! S/ ^
* N3 V4 A; B* G# d' l) ^7 z
4.1 网站分析
' t/ i4 n* b! g! N0 m A4 \- ?" V 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。
4 z/ G! ]0 c: }9 j6 Q0 ~' }
" K% u/ i X2 w9 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。
; V6 M! i- L& ]4 }2 D
2 Y# m- w$ o& C" ?2 j5 R+ n; w# d8 L
接下来我们就要破解 encrypt_data。
% y- Q7 O+ B' T( h4.2 断点调试 JS 源码
7 X \! R+ r8 e9 e' c* 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。
4 u) n4 f j) E9 S1 C
( l6 s( L" `! L& n" q& k! r6 Y* F 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。& [" Q, j# _- |+ d- B) z+ t; q
: `6 U( _2 [# ^4 Y/ e& `- I3 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。
7 M. _" {; O8 ~/ a2 H B R$ c$ N# B小技巧：
( F/ K2 C/ a! Z/ P! _/ s8 y: N* L1 花括号进行美化
0 P, [$ p; _ n: ?. c8 |
6 j5 ]4 y" c" B/ ~# A 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。- p6 B; Y; ]1 d3 _6 B
9 d9 R! f9 [' i* ^! j p% ~
+ h$ q* X! V$ g: q4 C) e9 j
2 控制台输出执行结果
% U& Q0 s" w& s( ? 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。) m3 F; s$ K' t
* z; J1 x$ e7 ^; H$ R+ O" K
0 x I( F, `- P8 |, D9 K- M! ~! M2 w
+ O2 P" Y7 a( K1 |+ m 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：: T& ]( K+ W6 K1 J7 w8 [
: a3 e/ B X8 e5 ]. L- Y6 C2 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。5 v: X9 l- B9 a% [% K5 h
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。+ q2 j0 n4 M- a3 i0 k
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：8 t6 u9 G* _, X' N% O- C
# |/ \ _+ D# ~ x/ S- e
" [$ t; w2 g/ C0 j4 {, K4 \- m
成功输出正确的数据，最后用 Python 去调用解密函数就行了。
4 a( D2 w7 y, e5 B6 @
- r" I. b6 h( ~4 C, `" `
|
|
|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
