|
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。
: {/ w2 W5 O" o7 ~( Y3 d2 a0 f1 JS 基础语法学习6 G% e1 T( r' Q7 n. B {% 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。
/ e$ q3 b: w. B: o5 n4 J9 W O* Z& j这里给大家推荐一个 JS 编程基础学习网站:: T* S3 [0 E" o C* W$ m5 J& D8 K
https://www.runoob.com/js/js-tutorial.html' J, L' X6 r8 M& J2 G; k- E
5 D/ A4 q% {9 w) p7 [1 A! W, h
. F3 y/ j6 h0 f0 `! Z: \3 _$ R8 _# `& L
2 前端 JS 破解原理
+ t0 A0 m. ~. j2 U, h+ n 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:2 x' j- h/ r8 i! Y% _3 q
/ o D9 r0 L6 E# F 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。
0 f" Z: b p# A" w& ]5 `/ Z4 e% g
@$ p! j0 r5 |! U7 ?3 工具的使用
Z5 J8 _# ` U7 Q5 |& b/ c 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' h; z, q1 @6 }
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。
4 r, D+ t- X9 i* o6 [: n& w* T, ?% J
: v: M7 S, Y' S# I; C0 r
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:
5 V9 o! R0 B4 _5 phttps://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
2 |3 q. C1 u9 Q" T; E5 m( R7 g; @: S3 {' s# ]8 _. j
3.2 Nodejs 安装4 [9 \) y( H! q" T# g( |
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)。/ m6 V* O6 k& @; @, F
1 s! s: P; O! Z/ R. J, B 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。- H* y& }) `5 ^/ }- T
( g7 A. {9 Z1 x4 t4 b8 v5 j
4 实战练习; r% s# @. n% y4 e& X) v' K5 A
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:, c9 G o6 P) b$ z
https://www.qimingpian.com/finosda/project/pinvestment
4 G1 Y2 i7 i; s2 h# l( \% _+ O+ b* b" x$ y* h- c/ k! q' o
4.1 网站分析7 s4 x+ v: x- C' S- [
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。5 j7 F& K9 y9 m2 @; O) V% |: q' L
) l& c# _* s* v* _, J @2 T$ _
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 z9 v4 i$ t9 C8 z0 ?
! ~9 M2 j$ `0 O4 j0 h3 Q, t% ] 接下来我们就要破解 encrypt_data。
' H' C8 J7 r8 {6 {4.2 断点调试 JS 源码4 P2 ?" f, c1 Z
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。
: C( r" C9 E) I3 U% d; Q! U6 @" r
. a) @) [' E1 ?1 U" D4 C4 p 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。& }9 h! ~$ x# H/ O" p3 L
3 w9 p! B! K# F* V
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。# A7 G8 ~7 T' j" }5 P$ i/ e
小技巧:
' _* b g& d5 M A. g: ^9 g1 花括号进行美化/ ~; Y; M( H4 N/ j: O3 W9 A: q
- W6 W1 F9 M# J. ~# _$ D* b- z8 d7 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。
* B/ V& G0 o5 I# D9 |; C( |
" [% H# f/ G, V1 k* s- m* ]3 ^5 F
3 h9 h1 {( j6 w2 _. w K
2 控制台输出执行结果
8 X+ R# _( B) C' @9 x+ G" 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。, G% e" z0 V* _% j: ^& L7 l
, e9 ]: f ?6 I/ ~) V8 o0 P8 J4 S
2 S( q5 K4 d: @$ w
6 Z0 H/ Y- d- _* M% e* \$ h+ e
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:
?# E5 _1 E7 ?7 V4 o
4 l" y; \- Z' r: N; h 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。/ e, v z7 n# T" e2 w7 A8 A6 {
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。
, H. X* \+ w+ k' o! G7 `! i5 W& @3 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:
2 ~9 ]) k1 s6 U& \% x
- |. \. H: G" W
) R1 R9 f$ t- b5 Z ? 成功输出正确的数据,最后用 Python 去调用解密函数就行了。2 J; P* ^/ _, Z; ^0 _) f
+ w* i4 U; ?1 j" c) ~
|
|