|
|
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。% s$ Q# s0 s2 T, U/ ]! N, f) S
1 JS 基础语法学习
0 t! C, P8 g7 z; d2 y$ A0 z% K 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。/ Z- W; z) ~( v' S
这里给大家推荐一个 JS 编程基础学习网站：. b5 Z+ @1 G+ p, e# o9 r- n4 `* h
https://www.runoob.com/js/js-tutorial.html
4 s5 a- a; e, B* m2 s" @1 `* ^# [1 T' I e! w, j
9 T3 e9 G8 A: |% N- i" j) _+ w- K! @" ^) |, `; }4 \- u
2 前端 JS 破解原理
+ h+ J2 m- z! q) e 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：. I$ c# k9 j/ H- `0 I
. z2 B+ j$ c' V) ]% s* F/ [# w
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。/ x$ I5 |& Z4 I# ]# [" L5 U6 Z
X( N" K A2 u7 P
3 工具的使用
. u* G. G3 M% m# P# E' l/ F 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: [1 {( ?. z2 e: O
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。
2 h: n9 x9 O' K+ u1 k: F
0 v% P: Z9 R6 r! W& P 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：
0 Y* j3 N7 Z, @- G) W9 r2 Phttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
' s2 T$ m l9 C) s
) b& Z8 F% |0 [5 ~7 X/ S* i9 Z3.2 Nodejs 安装
! p) l/ @/ ?! k0 D4 l5 h" R 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）。 m: L4 B' x1 ]# A# ?1 y
z3 j) D q, q2 Z8 s 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。
0 p1 t% o/ m# ]8 v- Z3 k' d) B. y1 d- [- ~& p; j- C- V( o' P
4 实战练习
8 M' S8 y* D) I# O5 p n- K& V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：. c+ T0 d% E2 {/ y0 H* z. J
https://www.qimingpian.com/finosda/project/pinvestment
' q1 o+ y# w3 D! `' f
# S \. p' Z( U* w& j4.1 网站分析+ n. c5 M: U- n5 b: X
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。5 L. p5 [: u. m4 V7 D2 q
' A5 ~) B2 \" z& T' a4 W* l" K 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, ?5 Y3 s j9 k
- |; q2 @. X# @5 ]/ p0 C7 S; y 接下来我们就要破解 encrypt_data。
8 I" j9 x, i+ T# Q( ?8 ~4.2 断点调试 JS 源码
" N% a7 j+ u& f& S" R! 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。
3 J3 T9 n, S! X8 Z
' M) g. U# z2 {% c2 w# S: G 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 c5 u$ T# L- p9 U) }5 J! b
# ` f/ ~6 p0 X* [& p8 m0 C1 u! u% m
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 X4 G9 q3 S1 W* e8 P$ R小技巧：
; d2 N& O: y' h( S/ o1 花括号进行美化
. d" j. l) H. M: L l' B1 W
6 o* R, e9 R: C! ?) e 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。
: v0 S6 r/ T3 F5 |
$ l1 p4 t8 Y' J; R: T
; n7 W; E5 k" `, V2 控制台输出执行结果
( b! y* M' M A 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。 u9 K2 f: [4 |2 v. f) |
1 c! b* C( n( I8 C! @
5 [2 V1 F0 i% Y- T+ X* Q0 p0 j
1 ?# ?' N, X V/ a/ V$ c
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：
$ ]7 P8 D5 H/ I& M1 Y
9 G) j2 c* ]/ v7 t 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。9 j- w5 a( ~ e" }
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。
9 Z7 a' O/ C0 [( a* } 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：+ q, O! V6 `# I* h
! K) T! K& S Z; w+ K
: \$ E) ^' o _2 u
成功输出正确的数据，最后用 Python 去调用解密函数就行了。
9 c7 `2 F( P8 w1 e9 ?: f
) k. Q4 o/ C* a k9 \
|
|
|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
