|
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。
1 F6 }$ c$ a% ~. o& @8 |- L( q8 r1 JS 基础语法学习
2 L# X& m6 Y4 x! Z; 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。
$ _" x9 q J2 K, ]这里给大家推荐一个 JS 编程基础学习网站:8 n6 l ^8 i4 y3 t4 U
https://www.runoob.com/js/js-tutorial.html$ R* H; i& |9 x! G
% w# ?4 P/ P& S8 d! L/ b" y$ n
. y {% j3 H4 V" {$ m1 O9 F, g
" m# s0 @4 U, Y1 @* n' C
2 前端 JS 破解原理( N. u' e" y2 N5 q5 Q
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:( T0 V: }' e+ N( h2 ^& e0 e/ i' ]
o; I6 k2 r7 ~+ ^0 a+ D 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。8 [7 i/ y/ k* G; O- O. a
0 t" H* D$ [* c3 @2 r7 S
3 工具的使用
) S) {( }. _% d2 x! ^ 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
" K; N0 D1 `' q. [' g# e 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 y9 x( V% a2 E$ G6 ~* r
5 d6 a' _& \: Q, G4 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:
: u9 Y5 x6 u7 thttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn3 R5 r( S& Y& K G& j
8 X; L. U- i/ c6 B3.2 Nodejs 安装8 V2 ]$ t1 d# O
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)。
7 F9 r; \) k6 u
- G- B- p5 ^) V7 d0 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。& z7 F- [; l+ t" Q& {
6 J3 C2 g, y) j* {* a$ I! D- h M: q
4 实战练习$ [$ f" D7 V3 R) L8 Y
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 o0 _6 R2 V( Y4 i/ @! {- @
https://www.qimingpian.com/finosda/project/pinvestment
4 a( V1 B: b& i: L+ j' Y& c; s$ M: M0 j
4.1 网站分析
( H) ~$ ?3 ?4 ~) _: K 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。
- M/ f$ O: D; s) \
/ w3 D1 N/ G# K4 Z% ?. N8 n, o
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。3 L! g# y& [9 F3 A( w
9 o0 F3 F' k2 R, W
接下来我们就要破解 encrypt_data。5 b/ z+ j9 ?9 P2 k
4.2 断点调试 JS 源码
9 n# p# R0 P6 E' W% n: Y! j 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。
9 ?! u n4 A; C! ]
$ f" h$ k7 Q9 D; F% _ 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。
; z9 s- G0 D4 I4 l- g( I# W2 V& k
+ }& e# K/ C# k W& V, H
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。. @# j$ t! w) X b/ X& l
小技巧:
- \! ~$ S$ e! \: {6 F1 u1 x, |1 花括号进行美化) q2 S( M- L6 ?# P0 E
5 X3 W6 Y2 A- k4 U. g8 @& s
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。
7 N& d! Y, Q9 X4 f$ J( ?7 }
1 V1 Q% y: Y0 W: a* J
# M' I! a# D& g+ ~2 控制台输出执行结果* i* h5 c6 u. K5 k0 A0 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。& ?* e* ]9 e% z9 m$ v
\3 P7 Q& T4 m0 s/ ^' o, _
/ h6 h. P+ `9 W$ V( D$ ~
% j; e( [: b& ^5 O$ b8 s9 N: T
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 f! E) ^1 w( m' i7 W d5 ~
; G+ w% @$ X$ |& c% u
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; n6 R+ \8 r1 w3 p& p% h+ 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。1 s4 R7 b3 R: _ 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:
0 u+ V9 a1 E6 }, c: U
& a2 q2 S, ^) B
# Y& p8 n/ X0 h7 S9 B3 y' d6 u& Z
成功输出正确的数据,最后用 Python 去调用解密函数就行了。
: P$ M5 @* g2 J6 V# x7 T! [! k
) y1 Z4 Y8 N# g, N! O$ ?. _4 m! C |
|