|
|
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。
% Z( F2 j, ~$ `1 ~1 JS 基础语法学习: j$ q5 j6 t; ^- b) f- _! z2 m9 H% T
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。
2 o1 f3 l6 D$ U% K# f# W这里给大家推荐一个 JS 编程基础学习网站：
; S1 P/ E, t' e8 o8 c( x- e4 ?: m% Ohttps://www.runoob.com/js/js-tutorial.html
( Z* k" b d* W& i: P( Q* Y8 O- p$ @" N( s
# l. i% O# Y! Y- Q6 E, K
$ T1 R- J% I7 ^) U2 前端 JS 破解原理
4 o6 v' C p' F5 ^, z/ R$ 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：
: P9 Y* L8 b. f
K! l9 c" ?3 v- i- e
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。
% b0 ~" N% \$ O- Y4 v2 ^5 c- S* }4 @5 ]6 e+ N ]
3 工具的使用
* k7 K6 e" _# V5 t7 n 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
) M4 o- |1 c4 U0 n 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。$ e3 l. x7 |- s
+ a3 _8 v. P2 E% p/ t 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：
' T" ?; K4 m8 B6 p2 p, _( e* _" y+ {https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
; H. o5 U2 B* e1 I; P$ r8 f! p) f0 v* }
3.2 Nodejs 安装
4 Q0 s0 m# O6 q p6 x7 _ 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）。
* x" j( r: D( Z' j
. X) z% m7 C/ N/ E$ F2 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。; t% _; ]2 h: i( u2 `% A
+ h# D& U9 K9 {. \3 S, T6 U4 实战练习+ I* O x* w1 u* X3 ?: x
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 y- T g- ^https://www.qimingpian.com/finosda/project/pinvestment
0 J' L2 o$ h+ f* u8 J O& f/ N+ Z \! |: Y2 w* `* b5 w! E1 y
4.1 网站分析
4 U, y- f. a1 d* z 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。) O+ c8 T/ F6 r# s4 y
. M- o, u* c* {, H" B- E& C 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。( g$ ?- l2 e. R, p# Q
1 q. w" v7 j1 p$ N) _$ i 接下来我们就要破解 encrypt_data。
+ g4 o4 q0 ~: _4.2 断点调试 JS 源码* y2 _: _9 w" J" y ]4 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。
' F! A# k1 ^; @6 x. I$ I5 y. X' i
: [3 m" ?* P* X2 ` 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。3 u6 F, F+ a# ~' h
5 m0 X- }6 \' R3 X" V( 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。
- b( i8 G! ^9 j8 w( o小技巧：7 B5 U7 G$ T; X. [
1 花括号进行美化$ j' { S. s3 c! t* M
/ n! r+ L8 R/ k7 J
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。' S) @8 x2 U% d1 {
7 h9 b5 W& {. I9 Y+ }6 K; Q* V/ G
3 x+ N$ t6 }3 r/ \0 g
2 控制台输出执行结果8 D1 {( u! J) d4 e
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。
$ W, s$ [ y0 }; A* S
. Y7 c2 f6 ~% ?; P. R: d
: n7 T5 C+ |7 B
9 `+ v* Z3 |- V! P8 z, Y; r& ~
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：
5 {; Z! \4 s+ }. {. [ i# |3 t( m7 v
) }" s/ ]% D7 T. I 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。
' W& L* p' k/ e$ o9 S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。
! s9 b! D* A; _7 _2 u. q% v 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：0 o0 I, q# i+ i5 C& q( h2 A
3 H7 n- r) X! x
% W+ Y& e0 @# j) g3 }
成功输出正确的数据，最后用 Python 去调用解密函数就行了。( v0 v1 O, k5 \7 W4 j( t9 ^; W
; d" F$ I5 \8 x; i5 A7 _$ Q) 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
