|
|
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。# G# p" s6 K$ E6 W. M, K4 }
1 JS 基础语法学习
c. ^. M( m; ?& { 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。0 a9 x! H0 v9 t# u9 N' K
这里给大家推荐一个 JS 编程基础学习网站：( v4 k# i" Y$ P% `* g9 k
https://www.runoob.com/js/js-tutorial.html+ ? p0 {3 w& J' p# O Q
( \ A7 X) m) x! n2 l% H
% h' T3 f" |# I7 A
3 c/ |! J/ F; ~2 I, R2 前端 JS 破解原理
: i) [0 F) n: J0 B+ h+ F 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 I& w9 n5 e! u( n# p; e! r3 }
0 @6 {$ r$ x1 i1 m- V: f; r 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。' F, g- ?+ w) Y$ @3 w) J. E
7 |. @! o& r% d2 a! x
3 工具的使用
; N7 |+ h+ l1 s" j+ E 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- {* o/ Q, N% B+ l0 ~
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。
" d d1 w- l5 ^6 c' o" e2 r
( k( X) L7 W7 H& v$ `" K- }% C2 f 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：
2 t1 I( H! M' T) {8 j# Phttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
" a! b) X, r0 K& |9 U. y/ h* u0 K, m, Q7 ?8 a. n# ~
3.2 Nodejs 安装
; {) _" z c8 t7 x 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）。( _- L; \3 ]# v4 a0 S: Y
; k) L$ A4 F, p$ T
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。# U/ U' w$ c, t" G$ W/ O8 z5 M- x( \
0 W# v, }' v7 {- }
4 实战练习7 G$ C: v/ T0 z$ S$ u9 Z% 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：4 h3 P0 m$ n$ l1 D8 M- F+ A/ h6 d
https://www.qimingpian.com/finosda/project/pinvestment f" d" ~/ @2 [! V
& e ]1 `8 _# U. x i- U
4.1 网站分析1 h/ M0 C `8 f6 `; {
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 L; x$ b- s2 z/ F+ \5 a
0 m- ?+ n6 @' f' V
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。
6 h P! ~7 d# z$ C6 \
6 w4 z: p- J- B8 k9 s. k$ H 接下来我们就要破解 encrypt_data。( [1 s8 n. X$ V
4.2 断点调试 JS 源码
$ l; [. r( \ y$ B 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。1 N1 n3 y" [$ O( l" m! e7 m
) P2 h2 A/ ~* |/ d8 z2 V2 O( U
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。. c; p# Y+ X% U* K, P# n
' F: D7 K3 s+ f: t
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。4 d9 P0 |$ R2 _1 ?: D. u
小技巧：' N( v1 J! _+ W* t. H- _
1 花括号进行美化5 W1 t: ?2 }$ F: i: W9 n f- t6 z
/ Y \: W V4 [6 ~ 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。
, O. p2 ?! m# @ w& o# \/ P
1 [6 ?; K4 q! A. |1 I; R
( d0 L( {$ @0 M
2 控制台输出执行结果5 F h- B1 j# {& i' o
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。
& A: P2 D% N7 i& g
`- O# h2 o& H! K+ N7 W4 _
. W+ w' I( e" V
# G5 _; [+ c" q
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：+ l7 a/ l3 v6 [, W/ ?, ]6 a5 N
, L3 t- R# x; G3 j! k# x7 |3 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。
7 n# D- E. u+ R) f$ D( ]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。4 B& y! C G2 N! l, `, m$ g
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：/ A% A8 y$ R$ {* A4 s
6 j- M* v; z. K" h$ T4 |
& }' o* J- E' p2 a" ]- J1 Z% M 成功输出正确的数据，最后用 Python 去调用解密函数就行了。
) q b" H, V* C* V
7 a- X L# K8 N% ]3 v |
|
|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
