爬虫05 /js加密/js逆向、常用抓包工具、移动端数据爬取
1. js加密、js逆向：案例1
需求： 将这个网页中的代理ip和端口号进行爬取
-
分析：
爬取的数据是动态加载
-
并且我们进行了抓包工具的全局搜索，没有查找到结果
意味着：爬取的数据从服务端请求到的是加密的密文数据
-
页面每10s刷新一次，刷新后发现数据更新，但是浏览器地址栏的url没有变，说明加载出的数据是由ajax请求到的
动态加载出来的数据是由ajax请求到的，并且请求到的数据为加密数据
定位到ajax数据包，从中可以看到url和动态变化的请求参数和加密的相应数据
-
将ajax请求到的密文数据捕获
动态的获取动态变化的请求参数
基于抓包工具进行了动态变化请求参数taken的全局搜索，定位到了taken产生的源头，就是如下js代码：
var token = md5(String(page) + String(num) + String(timestamp)); -
对密文数据进行解密
通过分析找到了解密的js函数：decode_str(encode_str)，encode_str就是密文数据
-
查找encode_str的实现：
js逆向：将js代码转换成python代码。开发环境只能执行python代码
-
js加密/js逆向源码相关代码：
function get_proxy_ip(page, num, click_btn) {
var timestamp = Date.parse(new Date());
timestamp = timestamp / 1000;
var token = md5(String(page) + String(num) + String(timestamp));
$.get('../proxy?page=' + page + '&num=' + num + '&token=' + token + '&t=' + timestamp, function (result) {
if (result.status === 'true') {
var setHtml = "";
$("#ip-list").html(setHtml);
var encode_str = result.list;
var items = str_to_json(decode_str(encode_str));
for (var index = 0; index < items.length; ++index) {
item = items[index];
setHtml += "<tr>\n<td>" + (index + 1) + "</td>\n";
setHtml += "<td>" + item.ip.toString() + "</td>\n";
setHtml += "<td>" + item.port.toString() + "</td>\n";
setHtml += "<td>" + item.time.toString() + "</td>\n</tr>\n";
}
$("#ip-list").html(setHtml);
if (click_btn === 'next') {
document.getElementById("last-page").disabled = false;
if (items.length < 15) {
document.getElementById("next-page").disabled = true;
}
} else {
document.getElementById("next-page").disabled = false;
if (page === 1) {
document.getElementById("last-page").disabled = true;
}
} }
});
}js解密代码：
function decode_str(scHZjLUh1) {
// Base64.decode(scHZjLUh1)
scHZjLUh1 = Base64["\x64\x65\x63\x6f\x64\x65"](scHZjLUh1);
key = '\x6e\x79\x6c\x6f\x6e\x65\x72';#key = 'b'nyloner'
len = key["\x6c\x65\x6e\x67\x74\x68"];
code = '';
for (i = 0; i < scHZjLUh1["\x6c\x65\x6e\x67\x74\x68"]; i++) {
var coeFYlqUm2 = i % len;
code += window["\x53\x74\x72\x69\x6e\x67"]["\x66\x72\x6f\x6d\x43\x68\x61\x72\x43\x6f\x64\x65"](scHZjLUh1["\x63\x68\x61\x72\x43\x6f\x64\x65\x41\x74"](i) ^ key["\x63\x68\x61\x72\x43\x6f\x64\x65\x41\x74"](coeFYlqUm2))
}
return Base64["\x64\x65\x63\x6f\x64\x65"](code)
}对以上代码分析结果如下：
function decode_str(scHZjLUh1) {
// Base64.decode(scHZjLUh1)
scHZjLUh1 = Base64.decode(scHZjLUh1);
key = 'nyloner';
len = key.length;
code = '';
for (i = 0; i < scHZjLUh1.length; i++) {
var coeFYlqUm2 = i % len;
code += window.String.fromCharCode(scHZjLUh1.charCodeAt(i) ^ key.charCodeAt(coeFYlqUm2))
}
return Base64.decode(code)
} // '\x64\x65\x63\x6f\x64\x65'.encode('utf-8')
// 注意：遇到类似字节的代码,一般不是加密数据,通过encode编码尝试是否可以得到有效信息 -
代码实现：
导入所需模块：
import time
import hashlib
import requests
import base64js逆向/将js代码转换成python代码：
# js逆向之后的结果
def decode_str(scHZjLUh1):
# 解密成字符串
scHZjLUh1 = base64.decodestring(scHZjLUh1.encode())
key = 'nyloner'
lenth = len(key)
code = ''
sch_lenth = len(scHZjLUh1)
for i in range(sch_lenth):
coeFYlqUm2 = i % lenth
# chr(0-255)返回对应编码的字符
# ord(a-z)返回编码数值
code += chr(scHZjLUh1[i] ^ ord(key[coeFYlqUm2]))
code = base64.decodestring(code.encode())
code = code.decode('utf-8')
return code生成请求所需的token值：
def getToken():
page = str(1)
num = str(15)
t = str(int(time.time()))
md5 = hashlib.md5()
md5.update((page+num+t).encode('utf-8'))
token = md5.hexdigest()
return token对响应数据解密：
token = getToken()
url = 'https://nyloner.cn/proxy'
param = {
'num':'15',
'page':'1',
't':str(int(time.time())),
'token':token }
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
'Cookie':'sessionid=20ryihg87smnkko2kx6634jbcf4umhfp'
}
code = requests.get(url,headers=headers,params=param).json().get('list')
str_code = decode_str(code)
str_code
2. js加密、js逆向：案例2
需求： url:https://www.aqistudy.cn/html/city_detail.html ，对其气象数据进行爬取
-
分析：
点击不同气象指标的选项卡，发现没有相关的请求发送，说明当页面加载出来的时候，所有的气象数据已经加载完毕。
分析数据是否为动态加载 ，得出数据是动态加载出来的
修改查询的条件（城市的切换，时间的修改），点击搜索按钮就会加载出新数据。
-
在抓包工具的XHR中捕获到了两个数据包
- url一样
- 都有一个d这样的请求参数
- 两个数据包的请求参数d的数据值不同
- d这个请求参数是经过加密且动态变化
-
处理动态变化且加密的请求参数d
对请求参数d进行全局搜索（不可行）
点击页面中的搜索按钮后，在抓包工具中就捕获到了那两个ajax请求的数据包
- 点击按钮发起ajax请求，找按钮的点击事件（click）
- 借助火狐浏览器的开发者工具进行按钮点击事件的定位 ，根据点击事件定位到 getData()js函数
-
分析getData这个js函数的实现：目的就是为了找到ajax请求对应的js代码
type=="HOUR":按照小时为时间单位进行查询
并没有在该函数的实现中发现ajax请求对应的代码，但是发现了另外的两个函数调用getAQIData();getWeatherData();
-
分析getWeatherData();和getAQIData()这两个函数的定义，想要去找到ajax请求对应的代码：
这两个函数实现的区别： method变量赋值的字符串不一样 GETDETAIL / GETCITYWEATHER
相同： 都没有出现ajax请求对应的代码，但是发现了另一个函数的调用： getServerData(method,param,匿名函数，0.5)
-
对getServerData(method,param,匿名函数，0.5) 参数进行分析
method：GETDETAIL或者GETCITYWEATHER
param：字典，有四组键值对
- city：查询城市的名称
- type：HOUR
- startTime：查询开始的时间
- endTIme：查询结束的时间
-
对getServerData(method,param,匿名函数，0.5)函数进行分析
getServerData(method,param,匿名函数，0.5)这个函数的实现，还是为了找到ajax请求对应的代码：
基于抓包工具的全局搜索才可以找到
发现这个函数的实现代码看不懂，函数的实现好像是一组密文 / 网站对js函数的实现加密
-
插入两个概念/上面密文用到了js混淆：
JS混淆：对js函数的实现代码进行加密
JS反混淆：将加密的js代码解密成原文
-
分析getServerData函数的实现：
终于找到了ajax请求对应的代码
参数d是由getParam(method, object)函数返回的
method：method
object：param字典，四个键值分别是城市名称。type，起始时间，结束时间
-
请求到的密文数据的解密方式：
decodeData(data)：data参数就是响应的密文数据，返回值就是解密后的原文数据
JS逆向：python可以使用 PyExecJS 库来实现模拟JavaScript代码执行。
环境的安装：
```python
pip install PyExecJS
```必须还要安装nodeJs的开发环境 /PyExecJS是依赖nodeJs环境运行的
请求到加密的响应数据
将加密的响应数据进行解密
-
代码实现：
import execjs
import requests
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
node = execjs.get()
file = 'test.js'
ctx = node.compile(open(file,encoding='utf-8').read()) # 如何五个变量会作为getPostParamCode的参数
method = 'GETDETAIL' # GETCITYWEATHER
city = '北京'
type = 'HOUR'
start_time = '2018-01-25 00:00:00'
end_time = '2018-01-25 23:00:00'
# 模拟执行getPostParamCode函数
js = 'getPostParamCode("{0}", "{1}", "{2}", "{3}", "{4}")'.format(method, city, type, start_time, end_time)
params = ctx.eval(js)
# print(params) # 请求参数d
url = 'https://www.aqistudy.cn/apinew/aqistudyapi.php'
data = {
'd':params
}
# 获取了加密的响应数据
response_code = requests.post(url=url,headers=headers,data=data).text
# response_code # 模拟执行decodeData函数对密文数据进行解密
js = 'decodeData("{0}")'.format(response_code)
page_text = ctx.eval(js)
print(page_text)
3. 常用的抓包工具
-
抓包工具概述：
本质就是一款代理服务器，适用于实现请求和相应的拦截
-
fiddler
- 默认只可以抓起http协议的请求和相应
- https：
- tools-> options-> https-> detrypt HTTPS traffic
- 含义：将fiddle的证书安装到本地
青花瓷
miteproxy
4. 移动端数据的爬取
-
配置相关的环境
- fiddler的配置：
- tools-> options-> connections-> Allow remote computers to connect/选中
- 查看fiddler的端口号，并且记住端口号
- 测试配置是否生效：
- 在电脑的浏览器访问：http://localhost:端口号/，如果可以访问成共则表示配置成功
- fiddler的配置：
-
网络设置：
- fiddler所在的电脑开启一个热点，手机连接热点
- 保证手机和电脑同处于同一个网段
- fiddler所在的电脑开启一个热点，手机连接热点
-
在手机中安装fiddler的证书
- 手机浏览器访问：http://电脑的ip:端口号/
- 点击下载证书的链接，进行证书下载
- 在手机中新任且安装证书
- 手机浏览器访问：http://电脑的ip:端口号/
-
开启手机网络代理
- wifi-> 点击感叹号-> 开启代理-> 代理的ip就是电脑的ip，端口就是fiddler的端口
appnium是一个基于手机应用自动化的模块
总结：
- js加密：为了防止爬虫，对js代码进行加密
- js逆向：对于python来说，就是将js代码转换成python代码
- js混淆：对js函数的实现代码进行加密
- JS反混淆：将加密的js代码解密成原文
- 看js函数是在定义函数还是在调用函数，查看后面是否跟着；号，有的话就是在调用/没有的话就是在定义