|
|
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。
" A0 K+ s+ Q! K1 JS 基础语法学习
' G) V$ u: a& r0 E$ R8 w* D 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。
|" U/ a H; ]- X这里给大家推荐一个 JS 编程基础学习网站：9 i+ P0 a3 {2 e6 E* H
https://www.runoob.com/js/js-tutorial.html; E2 w- {* Q" i" Z' m6 N7 w
& N0 D4 `* N, T; D: [" p
- ~/ B" g2 B/ |6 D* t5 y$ I/ n) e) x R* Z) D
2 前端 JS 破解原理2 R5 n# M8 T& t% R# 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 p4 r5 D6 j% g) i$ K
5 s# P" K6 @) f w U& j* M
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。
$ W4 s( s4 r3 O- ^7 o% Y1 r/ k
3 工具的使用
5 j: I$ F9 H, h2 @0 H y/ z 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* j0 s, f' p9 m+ L
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。
5 E+ ~3 p5 p+ f( a4 G: p& N
5 {( K$ {/ B% r4 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：$ n9 R6 g: x8 L5 q3 z& E
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn+ M, ]1 M% M' }5 W' G9 |
! ^7 H9 {/ P) \( o
3.2 Nodejs 安装
( Y1 T4 J2 {5 p/ g 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）。
+ j1 w S- @) ?- A# s# Z$ f% [
# @0 O$ i0 m( k; D 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。8 a, l5 o# k6 `7 W
" b8 U% W% `7 o% \! ~- w4 实战练习( @! M- b' d) h, Z1 I
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：
3 ?1 q/ ]/ b0 n3 _) ]( Ehttps://www.qimingpian.com/finosda/project/pinvestment$ n& \+ S9 t: |- w' [ n( A9 @9 A
: O! I! h7 F |# }) ~8 K% D" {4.1 网站分析, C% j! k: ^2 \" L4 R% {% I
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。
^9 Z# C/ _ a& t+ h! g
9 p/ `0 B9 p* g 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。& I8 ~2 X; V5 S; |' c
( u4 g+ F$ s! I3 ^ 接下来我们就要破解 encrypt_data。' N8 }# A6 @4 e: u9 j4 ?# Z$ n5 z
4.2 断点调试 JS 源码
! u' T/ y8 \ H2 W% [/ [; q 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。
7 P) y) n8 e$ o
! n" S' p! P$ M, c. Q# i2 ~ 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。
- V6 s5 t0 D0 L. f! X+ _) r" h7 c
4 `$ Y- N3 v9 _7 c' e$ D9 ~ 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。
& p- e6 V* F% J5 ~4 p+ }1 d' t! _( U小技巧：1 _9 [5 |: }0 }9 a7 O# N4 E0 V
1 花括号进行美化
* `# ]& X) t4 L' _# y% `2 C5 \, K; j& K$ U
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。0 \' ?$ M' t! u3 E" x1 f& d
% d7 p9 X' _. a& P6 m; \9 t
* C4 N( M4 V z9 r
2 控制台输出执行结果7 m- U. h% F) m' T1 x1 S5 g
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。
8 W6 P1 r4 i D4 X- K, R9 {
) d' o+ \7 h- p3 S" F4 f" r
; I6 B& @) I+ t1 Q) D) O
u3 M% t6 [% B6 ]7 J 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： Z( g- T6 r8 d# \
+ D; W# @, J0 G3 }. _; w
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。
: L1 | g* {' X r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。) x3 V- \" d4 H5 q% `' U/ Z; p' 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：& C o. X, h. N
, X( M6 f" B- u, ~3 ^* w6 S4 D+ ]: g
: C: n1 d ?% G# z
成功输出正确的数据，最后用 Python 去调用解密函数就行了。! a2 w/ y# D- q; X1 X. b
- p' R2 V! }( t3 }. 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
