|
|
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。" v+ C; p3 W( D# b2 s# s$ B
1 JS 基础语法学习
6 \8 `2 u+ n2 |) ?4 o9 f1 Y0 q3 o 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。6 @9 K& U& K1 N3 q! n' x
这里给大家推荐一个 JS 编程基础学习网站：! E+ L! D! u# }: ?* Y
https://www.runoob.com/js/js-tutorial.html- u) I# @; E5 N R0 L- i5 L( B
. O1 s# U8 C7 T1 o+ I
& W5 k/ ^# _2 b6 K. l& H9 v% \" K" j$ u1 j
2 前端 JS 破解原理
/ L! @1 y8 J+ a; j% L 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 C4 q2 u! ?8 x* n! {; `
3 A; i/ N; d. P8 b" c3 y% J& H0 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。2 S9 ~' y, h% k9 `! ^
+ f: e. x+ z0 x$ }6 ]* V3 工具的使用" m& i9 D1 C# o F+ ?- K+ 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4 l9 H5 E2 P+ P+ o- C
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。
" B! n' y0 P. N3 J3 a# S5 `
3 p; d) ^% _4 [- ]( Y0 H3 @7 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：: F: H" e. d, L( j" m+ `9 Y
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn B H9 y; u; _9 b4 K# R
, ^7 s1 y& z+ d ^9 h3 K
3.2 Nodejs 安装5 r+ ?1 M2 S; B6 H
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）。
& k5 ]9 Y4 o6 A* S1 r# A
5 _. t9 N" y1 ]: }0 Y: ? 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。
9 c. [5 t; i* M% A+ v: F
2 Q1 {8 m7 [& c4 实战练习. v3 Q0 E, ~ L
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 C1 U% R H' c$ E" u5 L% y& i
https://www.qimingpian.com/finosda/project/pinvestment7 ]) A6 k4 x9 \3 R2 O! k
+ L! k$ x; D4 X. |& w4.1 网站分析
6 ?. m1 h! g+ b4 _# a9 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。. L. t2 Q6 W' f: W1 K4 v: ]) _
1 f/ O3 W2 \; W4 } 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。8 p. V1 K l- n; P+ u
8 M& F$ {& R% ]. u4 @* w 接下来我们就要破解 encrypt_data。
0 t `0 m/ Y* x' K5 W" _' Z4.2 断点调试 JS 源码7 a% n8 M# \0 Y. t, [0 j; R
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。) N4 u! D' ]- z- H: O
% c' h# q7 E* c5 d( k* Q
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 {( `2 q. ~* c$ F
8 `: \3 e; J2 \2 {4 P2 u
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。; o! q; ^0 U* {$ }
小技巧：
$ w% [) J3 A5 h8 \1 花括号进行美化
% K: N4 @3 o$ @& O9 @, {* G k
i) t& x4 {% O) e, L 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。8 {7 S/ {, x* G. e& Q* c# O
+ s0 A. J4 O, k" a3 `4 U
) |7 I. J, D4 J: b2 n
2 控制台输出执行结果$ H% u& i- X$ R
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。: X$ |2 z% v% ?! s4 B, S
+ l2 D- @( V l% ]3 @* c
0 p& i1 B, t/ e- C/ F
" F; X, @2 o( ]- B0 @: P. O# {
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：
* n4 A& t$ {% D
% t# F3 n/ {( d% ]" o L6 y
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。+ i" M0 L, g+ B, N6 d. f
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。
Z8 S( g9 V" ]- 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：# L8 |+ Q% r8 n7 }8 `
6 h5 G" Z, o1 R* G
' I. V; {0 A) t2 d
成功输出正确的数据，最后用 Python 去调用解密函数就行了。: v! C, ~( j- Z5 E! R6 U2 V: \
5 H0 _2 H& o- @' O* ?3 a% p4 i |
|
|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
