|
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。: {8 B% Q, |; w4 W
1 JS 基础语法学习
9 h8 D& o/ N5 ~, J" A 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。* t6 o6 Z5 F! M1 U6 l
这里给大家推荐一个 JS 编程基础学习网站:
5 h1 j3 B. ?' S0 V" D1 khttps://www.runoob.com/js/js-tutorial.html
' m7 l# X2 x; f: H# M$ O! d, m! M3 I! G8 p
4 T8 q3 j- |) W- @: a+ B+ G
- G: p* R" ^: A( \
2 前端 JS 破解原理7 N ?8 v; _# c+ I: v3 j" v
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:
0 ^7 @, k: G9 y- k: d
+ T/ S0 C+ m+ M3 j
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。: P" } }: \ v
5 }* c+ I( W# o' S# Y- W
3 工具的使用
/ v+ ~: r1 m+ E' w8 A2 e1 ]% G. L 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# M" e0 D4 |, G! y: n! s8 x0 D
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。3 y3 G$ Q7 ~' ?/ y3 ]5 W4 ~
" ]4 f6 N! S, Q' t5 k' y! @ q
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:* G% g6 q7 K% k+ T Z; h
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
6 v& z+ a# R; n, Q; ]+ \8 F* y% N" f* c) [3 M+ b
3.2 Nodejs 安装' g6 m ^, u7 ~; {( S
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)。
9 \5 O* \- l) [0 e. R
' ?5 h( K X4 L 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。% b6 P1 a P. Q2 a1 Q
/ t# \3 F* m$ v( f4 实战练习
9 ]7 ?: s2 j9 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:
; @+ @9 X! W' h8 q) Y3 Jhttps://www.qimingpian.com/finosda/project/pinvestment) F8 S+ u* J8 f% d
( t5 i. g. G6 u8 }1 j, [
4.1 网站分析
, \5 k+ K( a% C1 r9 o$ ?3 ]: Q 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) z: P" j0 }) ~# p# D1 q' I: ?5 R
* a, I1 _1 \6 @3 C 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。
) p0 a. ]& e( M. r* m& s& r0 G
% W* ^$ H& y% J
接下来我们就要破解 encrypt_data。% }% D7 `. r J& }& t: t4 B
4.2 断点调试 JS 源码" `3 c- C9 m/ \
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。 F* ]4 W' h; u+ t
2 w0 d: u6 R c# y; n6 \ 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。
2 m. [+ C+ L# c% {- N
/ y7 x/ O! o7 y% X
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。. g7 T: C2 U% s
小技巧:2 t! M% v* j4 ?$ D1 t/ C: Q! b
1 花括号进行美化- w- \8 d; }8 w
" z) s5 l* F5 M9 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。
7 y1 z6 x3 h0 I. x8 N7 V
) z" z4 o1 j% I! C* @
K! j' p! ~: F3 u% {( k8 m
2 控制台输出执行结果5 Y7 f/ I9 T8 E9 k+ p! 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。# p; q$ n$ L6 F. \
0 n" R# ?0 |% l
) R3 i" g: c4 z. q# B
0 e3 A$ v/ _; j 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:" P5 |6 I4 [1 f
" R# w* v' b8 ^' A( X% P6 r 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。
/ t( R. i2 Q9 u" J* ^. L+ 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。
; `( u) Q' s3 B. o1 W! e- \" y( f9 F 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:
8 z: _- O- S4 }$ {& L9 h" P$ Q e+ f6 G# C4 k+ x/ w q
5 C* ~$ Z5 ]# C) {/ D7 t" U 成功输出正确的数据,最后用 Python 去调用解密函数就行了。3 b# G* r! v3 |( J4 w
& x1 S/ U4 {! r5 T0 x2 q |
|