|
|
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。: ^4 ^. s" E0 x5 w
1 JS 基础语法学习
" O: \8 ~8 F. q# ?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。- n$ w1 J( S$ J. n _$ e
这里给大家推荐一个 JS 编程基础学习网站：0 y# r4 p" g* a- W, |4 y
https://www.runoob.com/js/js-tutorial.html1 }% b/ L4 S$ ~ V1 z
; B. n/ T* N+ ?
~* z0 f# [6 Z+ D G
$ n" V& J/ N ~6 J; M2 前端 JS 破解原理! M& N' `- {0 o1 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：3 ~/ s( ?* N+ p b; B$ G; N
0 C+ Y# j2 {6 o4 R; T7 p 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 T$ O+ C& {& Z% c) E8 F
1 m9 f- T# y. H3 工具的使用3 B" }$ x2 g9 y: D# }
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
- G# D9 Z" C9 y5 E3 t! S 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。
( n9 |# F) h) h% k3 Q" |
4 A$ b; R2 m- o L+ W7 y: I5 U0 u- s: c
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：- r2 t. K! x, F
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
s# C# L6 }3 d' Q, F/ S1 v
- L3 _8 o# w6 S: O+ m0 f1 [3.2 Nodejs 安装
: ?, m& X) d! V) H/ X* F 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）。
) s; h3 J' {7 t
2 ^& o% d9 v# W, ^8 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。
' ?1 _2 h9 k$ X1 |3 C# b' d5 J% B# R- Y9 P# b
4 实战练习$ x5 i3 B7 ?# t2 O) O7 a/ Q8 s
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：7 ^$ N8 L3 ], r" e: L! J
https://www.qimingpian.com/finosda/project/pinvestment
; ~3 q6 {# u8 a% K5 R: @0 M/ b
3 k/ p1 s; O& q& J4 U9 ^' o4.1 网站分析
- ^1 N. k$ b& m- R 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。
" s3 _) o; d. G1 r4 N
7 j1 r/ M) e% b: H2 \ O8 M }
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。
7 u4 V: r: _. R5 F6 V
# I+ Q8 T# P# p2 N
接下来我们就要破解 encrypt_data。
( D5 V2 O3 U9 G: S6 `* r1 e9 C9 J4.2 断点调试 JS 源码
' U; }4 I# D2 _/ X0 Q, i8 X 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。! n3 r0 y$ X8 h! v _0 R0 q
( M* J; K6 `, n p4 P
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。1 U1 i3 u( B H
* i2 Y+ M' z% b 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。
& ~; u; {$ N; @/ B, ~4 r, J小技巧：9 K. E3 v3 X& y; o1 G
1 花括号进行美化' r6 W8 ~/ Y9 i4 T2 j
- h& J4 q4 M6 O, |- v, M0 S 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。9 h0 ]$ B# S, s. m* r
8 u, }2 m" u( G R3 |8 N# |
8 Z+ {9 ^5 H4 ^- O: T
2 控制台输出执行结果, W8 d7 B/ ~: i
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。
& \, B+ t4 ?+ a3 n4 ^, _) L* S6 {" g( ~" f5 `( [
( E1 Y k9 F O2 f X
6 R! |6 w7 z' J. q4 T6 A/ d& w& V2 ?5 h
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：$ g- C- O0 r# D, J
" S) W! X' o# R) }: Z; G 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。
|& m3 l X9 x Q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。
; u- {- e- c8 E1 n9 L% M1 @$ c/ p 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：
/ e2 T* t' z0 g8 N/ O
& x5 K* n5 {$ ~8 V
( d+ J4 P+ Z) o6 m' G8 b 成功输出正确的数据，最后用 Python 去调用解密函数就行了。
, t! B! E/ P! ]/ e" x( u
# U$ x6 A1 Y' m) j4 ^* w |
|
|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
