|
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。
( Y( z d9 F, g, b2 a4 `/ k2 j* b4 d' O1 JS 基础语法学习. x& X* o! j& R' U2 l0 t/ W
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。
7 }5 u! v* E( M) C这里给大家推荐一个 JS 编程基础学习网站:2 p9 j2 @ w% c/ }1 A6 g3 o
https://www.runoob.com/js/js-tutorial.html3 ^& ?2 v* |2 D5 u5 V: i
0 m* E1 g! A& m! S B; D
, _5 c' v% _; @+ x! s5 {
) Y( \% ?1 X8 B' M' L$ K7 a5 X
2 前端 JS 破解原理; g8 a+ Y$ l5 k& T. 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:' ]+ }, I7 N) m7 K0 K
6 r$ s5 g# o0 m3 |5 v# S4 g- T 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。
. h4 \5 n) L7 R) m$ i# W5 L/ z% H" w! M
3 工具的使用
" S1 a. q, Q' ^# o1 }% K, @8 G9 `2 W 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' M6 s. U* M9 i: L
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。( T9 |8 q' g: d- R3 h
/ w" z& S+ \1 [* {
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 `2 U3 [- d% f- T$ \: Z
https://developers.google.com/web/tools/chrome-devtools/?hl=zh-cn
% @1 @$ F2 e3 P! f$ d1 ^7 x3 A
5 {4 e; D; [# X3.2 Nodejs 安装, D9 A* ~4 j4 X( W% U# }' a/ c
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)。8 f( p: B3 a* l7 a0 r: X* _9 o' N
6 ~6 z1 {9 r6 s# J7 D, Y6 m
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。4 j- R5 b6 u" y/ c, e$ ^
: b, U$ q' i [% U% Z) |4 实战练习: X8 M: |* k+ K" `
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:- Q- W+ h% R( E. H: ^0 b9 ]
https://www.qimingpian.com/finosda/project/pinvestment, H$ Q! d4 v; q% N
+ q+ c$ Z8 A8 u
4.1 网站分析
0 q! L/ y5 S1 A: A 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。( ^* B* O! n* P* C
4 E4 Q0 O+ l0 b( m2 Y% 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。
: J o4 {7 }3 F- z( s- s" Y2 f
g" p; g6 f7 v+ P# |
接下来我们就要破解 encrypt_data。
3 V: f9 g* q, e& K% R; {4.2 断点调试 JS 源码& y0 T `* F9 n5 e4 L4 ~
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。
, g+ h8 k+ ?8 R
) v) K' J/ N# b0 A4 U ^0 t 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。
* Q1 o3 h* n" I3 V
* j8 ~1 t, E, w. V! 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。: G; u' M% W& X) _
小技巧:) {. e0 @" C) q- e' C5 z1 g: i
1 花括号进行美化
$ [% Z; o; `% W0 Y
9 h# J4 ?) ?! x! l0 e' E9 R# N 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。
9 N& d9 f8 X) t0 @3 B4 u% u3 o; m: H
& L& [. S# R' X- d! _
- z/ H- j* n, j, l6 ~* M, K
2 控制台输出执行结果
3 D Z1 f R7 J, t! r7 T% o' E# Z 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 I5 ^; |9 B, a+ a
2 p! H6 d5 C% C# H6 n( K5 w
3 c0 v4 C$ A9 l
( l1 v1 s. Y. s: q, r% I
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:- C( ]5 Y) l. W. X; B+ ~/ O
+ L% ^" z2 T# {: A 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。4 d5 @. p w4 Y' x
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。
^- w$ q' {* _1 i7 t9 D 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:" N, R0 y* [2 n% {
. F, A0 z; m) y- ^- }! H
3 n* r2 v$ s: H4 c1 t) M 成功输出正确的数据,最后用 Python 去调用解密函数就行了。
: G( p) K6 ^2 K
3 n8 p; Y# V4 t& r% z |
|