|
|
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。
7 q/ L2 X; e/ |/ _0 r1 JS 基础语法学习% Z" H, ]; L t, U2 t
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。9 G. s) ]+ L( q& ]/ ?! J
这里给大家推荐一个 JS 编程基础学习网站：7 m0 l, X8 F Z3 }9 C
https://www.runoob.com/js/js-tutorial.html
- c h8 u# ?9 R8 {# A; R3 \7 h# Q8 U$ j, q
! V# D5 T( [7 \0 G: b! M. n2 M& }6 t- @7 i1 s) }3 W
2 前端 JS 破解原理8 {/ {) D+ o1 w3 R8 f' 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：
; t9 u4 _6 N( z' R% e( @/ ?
7 b; U1 W4 W& S: L+ M$ y 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 t' Y# q/ |* p
9 {8 e' M9 ]. a( M7 e3 工具的使用; h* K4 I9 I0 i z! v' K# a+ I
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( n/ b( A. }: p S' m/ ^
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。* P( [9 B2 ~, }
1 d5 H+ a- Z* Y2 X- y 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：3 A) i7 q+ F4 s
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn0 H2 P1 |2 g0 P8 Y2 `( T6 f: P. Y
& G) Y; q' p( m, n% h
3.2 Nodejs 安装' G' S0 u6 T2 [
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）。4 H0 U2 A5 b- V( Q3 q9 l
0 _& F4 ~1 @, ^/ c' ?0 j6 f
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。
/ y& ~- u: J" j% N% f
: A- G7 l+ s N" s& [4 实战练习
: b- Y( C9 j' }( S; u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：1 G: ~ Z. B! _4 U1 f m
https://www.qimingpian.com/finosda/project/pinvestment
& g. [, }$ v) {7 k" G6 I, }5 f l9 X
- }4 k9 Q6 v9 J8 E7 |4.1 网站分析
% k* G( B, {: w7 P' N 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。
; N9 b' n( u; _) ^: u
/ i2 ^9 s& X6 e" u/ }: p4 D 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。; j! a- i7 W$ Y! Y% W l ?
$ w1 E7 X* x) [+ _* n n. X* p 接下来我们就要破解 encrypt_data。" e1 {1 u' @6 l3 @0 M8 b- s" R
4.2 断点调试 JS 源码
; P4 h: E* I/ T 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。6 ~; Z5 A! b9 K
! c$ \& T" ~. F! n. z7 W 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。
% I B* e1 W0 Q+ M7 ^3 N# F
8 o2 M; G4 A/ m5 y- Y
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。
! ], k' X9 Y( t小技巧：
3 f+ O# P5 D1 H5 _1 花括号进行美化: s+ p! q; K/ a
2 m/ z& a% z) d8 E) c$ t
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。' P5 Z# z" a0 a& a
& H' r2 O W' h
& n) [: _" R- s* l: s) ]7 g% Y2 控制台输出执行结果3 Y9 |8 E7 w' y0 d" F# N
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。
' t C4 Q( G9 C/ o$ i. O( d4 g0 o% y L
5 Z6 {1 s" v3 U5 z9 H; p j6 n9 D
, Q- c" @, E9 u2 O/ q6 E2 f4 n 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：
6 q! J5 J5 U- h$ p7 `
, V3 j- h d; d3 y3 Y2 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。
& V- D/ c, @# }4 S; \3 a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。) K6 ]; Z8 `/ v+ `+ L! y5 Z
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：. y4 e9 H+ J2 L3 \& I- Z3 G0 j9 L
+ `5 m* g) A( @+ X$ ~$ l" z1 ^
5 ^- i+ ]( l# E8 P' F$ z: D7 J1 `( s 成功输出正确的数据，最后用 Python 去调用解密函数就行了。& w6 w/ u; {& W1 f. o
6 h+ [3 ~' b: v" Y! 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
