|
|
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。 Q/ W7 K1 `; n+ e$ D$ c
1 JS 基础语法学习0 e4 j+ \5 E+ \& B& i' k9 V
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。
! F6 K$ q* [# ~# y% l6 ?9 C$ I这里给大家推荐一个 JS 编程基础学习网站：
' [2 J5 D9 V6 V, w% C! K. @https://www.runoob.com/js/js-tutorial.html. b n, P1 a5 f% L6 J @1 D
' E' C1 v, p$ W& `
; H( t& J1 t% S
' g; n2 p! r6 r% D# x* |
2 前端 JS 破解原理
$ M( A3 K' f8 @& ]$ @; \' B 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：
}; n* T8 I+ K7 h8 H& f% E
: R* g/ V5 g _, l 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。
1 o' ?( c* X ^4 l* S; u# S3 i# ^/ C; |
3 工具的使用- Z6 |8 b7 _# K6 `* I2 W7 F4 `
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
, t* I+ q9 i; C0 j6 o 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。
, K; e+ e7 o8 G7 \
4 D8 s \3 Y8 o7 ^8 E! h 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：! `4 G d0 K# H
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
' R; p3 K' j( | d( p% r9 `7 ]) u; ^# S; B
3.2 Nodejs 安装2 y0 F, s( y7 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）。
' x: i; Y! G H5 S1 Q# Z6 L
- i8 @. d+ t" O 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。% U0 N$ v% W D4 T a
; y3 e3 _: N$ w0 M: }6 H1 s
4 实战练习
1 h5 g3 V- u& \" q$ J7 c+ P" @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：8 c5 F0 N. o1 J6 T* P9 @4 _* H' k
https://www.qimingpian.com/finosda/project/pinvestment
( J% F0 k8 _% ]% d# f
8 E' m. C+ |3 z6 e. u) k* q8 w* E* g4.1 网站分析* l. X- N' d# `, y
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。" c( R/ t/ v% T8 R
8 e; ^' S7 o- b1 g
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。
. @: X: D. i& M& j
9 o3 {! K5 a2 s; X
接下来我们就要破解 encrypt_data。
+ t1 u; O& Q1 ?* N- y7 w8 P7 D4.2 断点调试 JS 源码9 P2 _4 J- b, Q$ W) d
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。
: X4 S! A% M0 I4 {3 b. ^/ s* o
# [! C9 G/ {: w( M5 A2 s 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 _" O+ s) s2 Y
. Z/ {! H9 B' `" g N4 x( f( l- 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。) d1 I) g, y' _* t" Q! Q! g
小技巧：
2 I" H. V/ Y A1 W' Z, u1 花括号进行美化8 j9 ?/ z# I. ]9 Q9 e
/ j G' E3 J. {4 m' a b. y 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。 h; j6 X0 v3 R$ u6 K
# Y$ q+ N7 l) m L+ l
% h1 [: {/ {! e N0 I2 控制台输出执行结果$ P- L2 r3 r: U" W+ @
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 P2 h' j9 z
7 U2 m3 X, U k' @9 Z- y3 K
! |- k6 {$ _/ ] X% X6 Q( }
, ~$ h( |6 g2 A4 F$ ^
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：
@2 }$ H. F7 c1 [8 c
- U4 u; q/ C) _$ Z 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' `. l- d# F$ C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。; g6 m* N/ A. C
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：1 U x& w- r8 _* k+ N8 X% A
& @1 h: f9 K$ A* ?
, j0 ~9 A v2 B7 |6 G1 A7 ^' { 成功输出正确的数据，最后用 Python 去调用解密函数就行了。' G- `2 f, C7 P
$ b3 l- a! X6 p: u
|
|
|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
