js反爬-从入门到精通webdriver

学习JS反爬

地址：http://openlaw.cn/login.jsp

想在指导案例中抓些内容，需要登陆

账号密码发送会以下面方式发送

所以需要找到_csrf和加密后的password，_csrf服务器生成的显示在登陆页面上，ctrl+F搜索

ctrl+F搜索password，找到一段js代码，可以看出password在加密后重新填入input再提交

需要找到加密函数KeyEncrypt，ctrl+F搜索

这段复制到新的snippets，看代码调用了JSEncrypt，CryptoJs继续ctrl+F搜索，

CRYptoJS找到两个文件，全都复制加到snippets里执行一下

获得了加密的密码部分，下面需要让这段代码再python里执行，可以用execjs和js2py，这里推荐用execjs

把snippets的代码复制出来另存为js，用execjs执行

这里要注意运行时环境，如果是node.js或Jscript都会报错不能运行，navigator is not define，可能因为nodejs和Jscript都不是浏览器，试过复制个navagator或改写代码里navagator部分都有别的报错，

所以还是用PhantomJS比较好。

import execjs
import execjs.runtime_names
os.environ["EXECJS_RUNTIME"] = "PhantomJS"
PhantomJS = execjs.get(execjs.runtime_names.PhantomJS)
print(execjs.get().name)

上面代码是运行时环境设置

运行结果，记得js路径前要加r，不然会报错

因为csfr在登陆页，post在另一页，所以需要写两个请求

headers={
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
"Accept-Encoding":"gzip,deflate",
"Accept-Language":"zh-CN,zh;q=0.9",
"Cache-Control":"max-age=0",
"Connection":"keep-alive",
"Content-Type":"application/x-www-form-urlencoded",
"Host":"openlaw.cn",
"Upgrade-Insecure-Requests":"1",
"User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/73.0.3683.86Safari/537.36",
}
r=session.get("http://openlaw.cn/login.jsp?",headers=headers1)
tree=etree.HTML(r.text)
csrf=tree.xpath('//input[@name="_csrf"]/@value')[0]
post_url="http://openlaw.cn/login"
with open(r"C:\Users\37576\Desktop\123.js",encoding="utf-8")as f:
    js=f.read()
    ctx = execjs.compile(js)
    pwd=ctx.call("keyEncrypt","XXXXXXXX")#密码
data={
"_csrf":csrf,
"username":"#########",#账户
"password":pwd,
"_spring_security_remember_me":"true",
}
res=session.post(post_url,data=data,headers=headers)

tree=etree.HTML(res.text)
lala=tree.xpath('//div[@class="bbp-user-section"]//text()')

账户密码已擦掉，运行结果

已经登陆成功了

下面开始抓取页面

url="http://openlaw.cn/guidance/16444eba67afe97881fa6521d333ef10"
headers1={
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
"Accept-Encoding":"gzip,deflate",
"Accept-Language":"zh-CN,zh;q=0.9",
"Connection":"keep-alive",
"Host":"openlaw.cn",
"Upgrade-Insecure-Requests":"1",
"User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/73.0.3683.86Safari/537.36",
}
a=session.get(url,headers=headers1)

抓取结果全是乱码

到浏览器抓包分析一下，这里chrome和fiddler好像都不好用，显示不全或者抓不到，用火狐浏览器来抓

可以看到与刚才抓到的页面一样，而有数据的页面在该页面下面

看请求发现地址一样，但是有数据页面的cookie多了几项，百度一下发现这是用js加密cookie，带有新cookie的请求才能显示正确页面，加密的js就在上面的乱码里

百度查资料得知下面这种格式加密叫jjencode，jjencodeDemo地址：http://utf-8.jp/public/jjencode.html

],_$_:++$,$_$$:({}+"")[$],$$_$:($[$]+"")[$],_$$:++$,$$$_:(!""+"")[$],$__:++$,$_$:++$,$$__:({}+"")[$],$$_:++$,$$$:++$,$___:++$,$__$:++$};$.$_=($.$_=$+"")[$.$_$]+($._$=$.$_[$.__$])+($.$$=($.$+"")[$.__$])+((!$)+"")[$._$$]+($.__=$.$_[$.$$_])+($.$=(!""+"")[$.__$])+($._=(!""+"")[$._$_])+$.$_[$.$_$]+$.__+$._$+$.$;$.$$=$.$+(!""+"")[

+[]+!+[]+!+[]]+(!![]+[])[+!+[]]]+[])[!+[]+!+[]+!+[]]+(!![]+[][(![]+[])[+[]]+([![]]+[][[]])[+!+[]+[+[]]]+(![]+[])[!+[]+!+[]]+(!![]+[])[+[]]+(!![]+[])[!+[]+!+[]+!+[]]+(!![]+[])[+!+[]]])[+!+[]+[+[]]]+([][[]]+[])[+!+[]]+(![]+[])[!+[]+!+[]+!+[]]+(!![]+[])[+[]]+(!![]+[])[+!+[]]+([][[]]

这种加密叫jsfunk，地址是：http://www.jsfuck.com/

ﾟωﾟﾉ= /｀ｍ´）ﾉ ~┻━┻ //*´∇｀*/ [ ' _ ']; o=(ﾟｰﾟ) =_=3; c=(ﾟΘﾟ) =(ﾟｰﾟ)-(ﾟｰﾟ); (ﾟДﾟ) =(ﾟΘﾟ)= (o^_^o)/ (o^_^o);(ﾟДﾟ)={ﾟΘﾟ: ' _ ' ,ﾟωﾟﾉ : ((ﾟωﾟﾉ==3) + ' _ ') [ﾟΘﾟ] ,ﾟｰﾟﾉ :(ﾟωﾟﾉ+ ' _ ')[o^_^o -(ﾟΘﾟ)] ,ﾟДﾟﾉ:((ﾟｰﾟ==3) + ' _ ')[ﾟｰﾟ] }; (ﾟДﾟ) [ﾟΘﾟ] =((ﾟωﾟﾉ==3) + ' _ ') [c^_^o];(ﾟДﾟ) [ ' c '] = ((ﾟДﾟ)+ ' _ ') [ (ﾟｰﾟ)+(ﾟｰﾟ)-(ﾟΘﾟ) ];

还有一种是aaencode，地址是http://utf-8.jp/public/aaencode.html

原理就不写了，可以自己百度，就算知道了也解不开

这些代码在js里都是能执行的，把第一行乱码复制到snippets里执行，直接执行没有结果，删掉结尾自执行函数括号执行显示出函数内容

(function anonymous() {
    if (window.wp1) {
        document.cookie = 'OPEN_E4C0C08491=' + wp3;
        document.cookie = 'OPEN_ID=B32pJOwfO/AJZJ3ZGmnunQNTaUie84jnyHoNCq/onZQ='
    }
}
)

看到这个果然是添加cookie，下面一行复制，全部执行

执行失败，wp3是给出的变量没复制，但是点击报错得到了解析后的代码

把前面的代码拼起来

var wp1 = 'xKIOt5jUZQcS8wurcX4lghwlET9K0IWBUsS3ZqmSamCBTAPg7Fl5sVr443dyK42p';
var wp2 = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/=";
var wp3 = "548545fe3ced4f3494934e537e304705";
var wp4 = "464acf618bf62df3e7e37e80c2c1a04d";
var wp5 = "0aa9566c4aa30883e34d0e1a530bf508";
var wp6 = "a8f49232d343e4b94ff7958088fa6734";
var wp7 = "82f778b45a9fce8589105c852174947b";
var wp8 = "3221d819c9b96d2631d0b5084c736f69";
(function anonymous() {
    if (window.wp1) {
        document.cookie = 'OPEN_E4C0C08491=' + wp3;
        document.cookie = 'OPEN_ID=B32pJOwfO/AJZJ3ZGmnunQNTaUie84jnyHoNCq/onZQ='
    }
}
)
(function anonymous() {
    var getGlobal = function() {
        if (typeof self !== '') {
            return self
        }
        ;if (typeof window !== '') {
            return window
        }
        ;if (typeof global !== '') {
            return global
        }
        ;throw new Error('unable to locate global object')
    };
    function _process(s) {
        var result = s.substring(5, 7).concat('s').concat(s.substring(14, 15)).concat('v').concat(s.substring(9, 13)).concat('g').concat(s.substring(5)).concat('l').concat(s.substring(11, 19));
        return result.substr(0, 32);
    }
    ;var _switch = false;
    if ((getGlobal() === window)) {
        _switch = true
    } else {
        _switch = false
    }
    ;document.cookie = 'SIGNIN_ID=3e2291010f36c9244c633aba4cdcdd42';
    document.cookie = 'SIGNIN_UC=9e65d8fc646e49fb7a0f9f8237915bfb';
    document.cookie = 'UNDEFINED=432e9111ecf89746f3046ca970814f41';
    if (_switch) {
        document.cookie = 'OPEN_589D5869B5=' + _process(wp3);
        setTimeout("location.reload();", 100);
    }
}
)

找到了修改cookie的代码，可以看出有六条cookie修改，修改完后通过location.reload();刷新页面，因为有新cookie所以刷新后的页面是有数据的页面

至此卡住

想抓到这一页拿到script里的内容，后面添加一个函数输出cookie，用execjs执行这段代码拿到新cookie重新请求页面，但实际操作中各种报错，只能暂时放下，等日后水平提高再来。

下面用webdriver大法

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('--headless')
driver = webdriver.Chrome(chrome_options=chrome_options,executable_path = 'D:\python\chromedriver.exe')
from time import sleep

配置谷歌无头浏览器

driver.get("http://openlaw.cn/login.jsp?logout") 
driver.find_element_by_id("username").send_keys("XXXXXXXXX")
driver.find_element_by_id("password").send_keys("XXXXXXXXX")
sleep(2)
driver.find_element_by_id("submit").click()

登陆账号

driver.get("http://openlaw.cn/guidance/167ce490ba94c3ed26baab5689fdd620") 
sleep(2)
title=driver.find_element_by_xpath('//h1[@class="entry-title"]').text
guid=driver.find_element_by_xpath('//div[@class="annotator-wrapper"]/p').text
content=driver.find_element_by_xpath('//div[@class="annotator-wrapper"]/p[2]').text
page_detail={"title":title,"content":guid+"\n"+content.replace("\u3000"," ")}

跳转页面抓取数据

结果

总结

1.网站登陆用到了RSA算法加密密码，RSA这三篇文章讲的很好，可以学习一下地址：https://blog.csdn.net/u014044812/article/details/80782448，

2.在用浏览器访问的时候基本打开一页就要输一遍验证码，感觉大量抓取用打码平台的话应该会多花不少钱

3.访问页面用了cookie加密，加密的js用到了两种混淆方法和eval函数，在线解密网站不太好用，谷歌浏览器自带的snippets很好用，断点调试不是很会用

4.作为新手这种网站难度有些大，最后只能用webdriver