js混淆反爬破解学习--爬取OpenLaw
一、前言
前几天看到了瓜子二手车的广告,突发奇想想要拿这个网站试试手,可每次都无法成功获取到页面。试了很多次都没有结果之后便去网上搜索方案,才知道原来还有js反爬这种东西(看来我以前选网站的运气都太好了。。。),又发现了一篇js混淆反爬破解的文章,就拿来模仿学习一下。
学习的文章:JS混淆openlaw反爬破解实践
文章作者:谢俊杰
二、抓包分析
1、使用火狐自带工具进行抓包,发现一次请求加载了两次html页面,如下;
2、分别查看一下两个html
首先来看看第一个html;
根据图片我们可以发现,这是一个简单的html页面里包含着一大串JavaScript代码,<body>里可能是一个招聘邮箱(有兴趣的可以联系试一下。。。国内好像很多网站喜欢在这种地方放招聘信息,我发现好几个了。。。)。
接下来我们再来看看第二个html信息;
可以看出第二个页面才是我们想要看到的html页面;所以可以猜测,网页经过第一个页面的跳转才会到达我们想要的页面,接下来我们就要弄清楚第一个页面究竟干了些什么。
三、分析第一个页面js代码
1、我们将第一个页面代码截取下来,并且格式化一下(我可以很负责任的告诉你们,我是真的格式化了的);
1 var O01 = 'KkSKpcCfngCdpxGcz5yJvZmbpxHbyVHfyVmcyVmZlJHfjJ3c0V2Z8VGdpJ3d8xnQzwXMwEzX8ZWZyxXawFWeyVWdxpGfkxWaoNEZuVGcwFGflBXYjNXZuVHfENDfl1WYOdWYUlnQzRnbl1WZsVEdldGfr9GfwRHdox3NywHduVWblxWRlRXYlJ3Y8RHcpJ3YzN0M8dXYs5WZw9GMywHTSVFfyFmdFNDf3FGbuVGcvdjM8RWYlhGf05WSlNnchBHflBXYjNXZfxHNzwnchZHfJ90T8Rnbl1Wdj9GZ8hzN8JjN8ZzM8ljM8VGZvNkchh2Qt9mcmxXNzwHduVmbvBXbvNUSSVVZk92YuVGfDNDfFNDf0BXayN2c8Nmczx3Zulmc0NFf0lGbwNHfn5WayR3UvRHfsFmdlxHc4V0ZlJFf3Vmb8VGbph2d8V2YhxGclJHfmlGfu9Wa0Nmb1ZGfuJXd0Vmc8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHfnwCMzEDLyYDLnkSK9tHLwwSKnwFfnwFKwFjLnwFUxwXUxwnUxwHVxwnTxwXTxwXSxwnSxw3SxwHTxw3UxwHWxwHNyw3MywXNywnMywnWxwnVxwXMywXVxw3VxwXWxw3TxwHcxw3axwHaxwXaxwnaxw3Zxw3bxwXbxwHbxwnbxw3cxwXdxwncxwHdxw3Rxwndxw3QxwHRxwXRxwHMywnRxwHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8xHf8x3JcxiQxwSQxwyJclSKpcCXcxFfnwFXchyUucCXcxVMxwnMxw3MxwHNxwHMxwnNxwnV8dFfYxXW8VTM8lTM8RWM8ZWM8VWM8NWM8FWM8JWM8dTM8hTM8pFfUxnR8dEfIxXS8VFfFxHR8pHfBxnQ8NEfnwFXcxSeskHLnwFXctTKpYDKxhCcuEzOpIDKv5yN70FMblyJcxFXcxFXc12JcxFXcxFXchibuETP3AyM7kycuEDK1syJcxFXcxFXc1jdmcCXcxFXcxFXrkyduEDK1syJcxFXcxFXc1TdmcCXcxFXcxFXrcCXcxFXcxFXs1Dd/8CeuI3LvojanwFXcxFXcxVPh5iM7kyJcxFXcxFXchzJcxFXcxFXchyYuETPyAyM7cCXcxFXcxFXiVCOvkTJkVyalUWJ0USalQTJoViZlcWJnwFXcxFXcxVP2AyMnwFXchSfwBiT91XKdN2WrxSKnwFXcd2JcxFXscCXcxlYcxFXcxFXcx1JcxFXrkSYo0kLjtyJcxFXixFXcxFXcxFXnwFXchCTgsEKP5Cc9A3ep01YbtGKQtXKt0yYoI1epQGLlxyasMGLhxCcoEFKKdCXo0HcgcWM91XKdN2WrxSKnw1ZnwFLnwlYcxFXcdCXrkyYoU2KnwlYcxFXcdCXo0WMgwWMooWMuAXPwtXKdN2WrhSaxsXKt0yYosWM70XM9M2O9dCXrcHXcxFXnw1ZxsXKogWM9U2Od1XXltFZgcWM7lSZogWMb1za9lyYoUGf811YbtWPdlyYoU2WktXKt0yYosWM7lSKxFDLv41LooWMucCXnwVIokWM70XKpoXMo8WMuMmOpkXMrMGK4FjLxFzP3FjPpEWJj1zYogyKpkSKh9yYogUMoUmOnw1Jc9TY8MGKnFzepMGKoFTPltXKkxSZssGLjxSYsAHKoFDKuFzJo0Hcg4mc1RXZy1Xfp01YbtGLpcyZnwyJixFXnsSKjhSZrciYcx1JoAHeFdWZSBydl5GKlNWYsBXZy5Cc9A3ep01YbtGKml2ep0SLjhSZslGa3tTfpkiNzgyZulmc0N1b05yY6kSOysyYoUGZvNkchh2Qt9mcm5yZulmc0N1P1MjPpEWJj1zYogyKpkSKh9yYoQnbJV2cyFGcoUmOncyPhxzYo4mc1RXZytXKjhibvlGdj5Wdm1TZ7lCZsUGLrxyYsEGLwhibvlGdj5WdmhCbhZXZ'; 2 function lOO(data) { 3 var OOOlOI = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/="; 4 var o1, o2, o3, h1, h2, h3, h4, bits, i = 0, enc = ''; 5 do { 6 h1 = OOOlOI.indexOf(data.charAt(i++)); 7 h2 = OOOlOI.indexOf(data.charAt(i++)); 8 h3 = OOOlOI.indexOf(data.charAt(i++)); 9 h4 = OOOlOI.indexOf(data.charAt(i++)); 10 bits = h1 << 18 | h2 << 12 | h3 << 6 | h4; 11 o1 = bits >> 16 & 0xff; 12 o2 = bits >> 8 & 0xff; 13 o3 = bits & 0xff; 14 if (h3 == 64) { 15 enc += String.fromCharCode(o1) 16 } else if (h4 == 64) { 17 enc += String.fromCharCode(o1, o2) 18 } else { 19 enc += String.fromCharCode(o1, o2, o3) 20 } 21 } while (i < data.length);return enc 22 } 23 function OOO(string) { 24 var ret = '' 25 , i = 0; 26 for (i = string.length - 1; i >= 0; i--) { 27 ret += string.charAt(i); 28 } 29 return ret; 30 } 31 eval(lOO(OOO(O01))); 32 window.n = "j_token"; 33 eval(function(p, a, c, k, e, d) { 34 e = function(c) { 35 return (c < a ? "" : e(parseInt(c / a))) + ((c = c % a) > 35 ? String.fromCharCode(c + 29) : c.toString(36)) 36 } 37 ; 38 if (!''.replace(/^/, String)) { 39 while (c--) 40 d[e(c)] = k[c] || e(c); 41 k = [function(e) { 42 return d[e] 43 } 44 ]; 45 e = function() { 46 return '\\w+' 47 } 48 ; 49 c = 1; 50 } 51 ;while (c--) 52 if (k[c]) 53 p = p.replace(new RegExp('\\b' + e(c) + '\\b','g'), k[c]); 54 return p; 55 }('1 2$=[\'\\9\\5\\6\\4\\3\\7\\8\'];1 a=2$[0];', 11, 11, '|var|_|x6c|x6e|x70|x65|x61|x77|x6f|'.split('|'), 0, {})); 56 window.v = "_fa16f708d6903a1c4b46a732b68c4c6a"; 57 $ = ~[]; 58 $ = { 59 ___: ++$, 60 $$$$: (![] + "")[$], 61 __$: ++$, 62 $_$_: (![] + "")[$], 63 _$_: ++$, 64 $_$$: ({} + "")[$], 65 $$_$: ($[$] + "")[$], 66 _$$: ++$, 67 $$$_: (!"" + "")[$], 68 $__: ++$, 69 $_$: ++$, 70 $$__: ({} + "")[$], 71 $$_: ++$, 72 $$$: ++$, 73 $___: ++$, 74 $__$: ++$ 75 }; 76 $.$_ = ($.$_ = $ + "")[$.$_$] + ($._$ = $.$_[$.__$]) + ($.$$ = ($.$ + "")[$.__$]) + ((!$) + "")[$._$$] + ($.__ = $.$_[$.$$_]) + ($.$ = (!"" + "")[$.__$]) + ($._ = (!"" + "")[$._$_]) + $.$_[$.$_$] + $.__ + $._$ + $.$; 77 $.$$ = $.$ + (!"" + "")[$._$$] + $.__ + $._ + $.$ + $.$$; 78 $.$ = ($.___)[$.$_][$.$_]; 79 $.$($.$($.$$ + "\"" + $.$$$$ + $._ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.__ + "\\" + $.__$ + $.$_$ + $.__$ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.$__ + $.___ + "\\" + $.__$ + $.$$_ + $.___ + "(\\" + $.__$ + $.$$_ + $._$$ + ")\\" + $.$__ + $.___ + "{\\" + $.__$ + $.$$_ + $._$_ + $.$$$_ + $.__ + $._ + "\\" + $.__$ + $.$$_ + $._$_ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.$__ + $.___ + "\\" + $.__$ + $.$$_ + $._$$ + ".\\" + $.__$ + $.$$_ + $._$$ + $._ + $.$_$$ + "\\" + $.__$ + $.$$_ + $._$$ + $.__ + "\\" + $.__$ + $.$$_ + $._$_ + "\\" + $.__$ + $.$_$ + $.__$ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.__$ + $.$__ + $.$$$ + "(" + $._$_ + ",\\" + $.$__ + $.___ + $.$__ + ")." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "('\\" + $.__$ + $.$_$ + $.$$_ + "')." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "(\\" + $.__$ + $.$$_ + $._$$ + ".\\" + $.__$ + $.$$_ + $._$$ + $._ + $.$_$$ + "\\" + $.__$ + $.$$_ + $._$$ + $.__ + "\\" + $.__$ + $.$$_ + $._$_ + "\\" + $.__$ + $.$_$ + $.__$ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.__$ + $.$__ + $.$$$ + "(" + $.___ + ",\\" + $.$__ + $.___ + $.__$ + "))." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "('\\" + $.__$ + $.$$_ + $.___ + "')." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "(\\" + $.__$ + $.$$_ + $._$$ + ".\\" + $.__$ + $.$$_ + $._$$ + $._ + $.$_$$ + "\\" + $.__$ + $.$$_ + $._$$ + $.__ + "\\" + $.__$ + $.$$_ + $._$_ + "\\" + $.__$ + $.$_$ + $.__$ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.__$ + $.$__ + $.$$$ + "(" + $.$__ + ",\\" + $.$__ + $.___ + $.$___ + "))." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "('" + $.$$$_ + "')." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "(\\" + $.__$ + $.$$_ + $._$$ + ".\\" + $.__$ + $.$$_ + $._$$ + $._ + $.$_$$ + "\\" + $.__$ + $.$$_ + $._$$ + $.__ + "\\" + $.__$ + $.$$_ + $._$_ + "\\" + $.__$ + $.$_$ + $.__$ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.__$ + $.$__ + $.$$$ + "(" + $.__$ + ",\\" + $.$__ + $.___ + $._$_ + "))." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "(\\" + $.__$ + $.$$_ + $._$$ + ".\\" + $.__$ + $.$$_ + $._$$ + $._ + $.$_$$ + "\\" + $.__$ + $.$$_ + $._$$ + $.__ + "\\" + $.__$ + $.$$_ + $._$_ + "\\" + $.__$ + $.$_$ + $.__$ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.__$ + $.$__ + $.$$$ + "(" + $.__$ + $.$$_ + "))." + $.$$__ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.$_$_ + $.__ + "(\\" + $.__$ + $.$$_ + $._$$ + ".\\" + $.__$ + $.$$_ + $._$$ + $._ + $.$_$$ + "\\" + $.__$ + $.$$_ + $._$$ + $.__ + "\\" + $.__$ + $.$$_ + $._$_ + "\\" + $.__$ + $.$_$ + $.__$ + "\\" + $.__$ + $.$_$ + $.$$_ + "\\" + $.__$ + $.$__ + $.$$$ + "(" + $.$___ + ",\\" + $.$__ + $.___ + $.__$ + $.$$_ + "));};\\" + $.$__ + $.___ + "\\" + $.__$ + $._$_ + "+" + $.$$$$ + $._ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$__ + $.__ + "\\" + $.__$ + $.$_$ + $.__$ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + "(){" + $.$$_$ + $._$ + $.$$__ + $._ + "\\" + $.__$ + $.$_$ + $.$_$ + $.$$$_ + "\\" + $.__$ + $.$_$ + $.$$_ + $.__ + "." + $.$$__ + $._$ + $._$ + "\\" + $.__$ + $.$_$ + $._$$ + "\\" + $.__$ + $.$_$ + $.__$ + $.$$$_ + "\\" + $.$__ + $.___ + "=\\" + $.$__ + $.___ + "\\\"\\" + $.__$ + $.$_$ + $._$_ + "\\\"\\" + $.$__ + $.___ + "+\\" + $.$__ + $.___ + "\\\"_\\\"\\" + $.$__ + $.___ + "+\\" + $.$__ + $.___ + "\\\"" + $.__ + $._$ + "\\" + $.__$ + $.$_$ + $._$$ + $.$$$_ + "\\" + $.__$ + $.$_$ + $.$$_ + "=\\\"\\" + $.$__ + $.___ + "+\\" + $.$__ + $.___ + "\\" + $.__$ + $.$$_ + $.___ + "(\\" + $.__$ + $.$$_ + $.$$$ + "\\" + $.__$ + $.$_$ + $.__$ + "\\" + $.__$ + $.$_$ + $.$$_ + $.$$_$ + $._$ + "\\" + $.__$ + $.$$_ + $.$$$ + ".\\" + $.__$ + $.$$_ + $.$$_ + ");" + (![] + "")[$._$_] + $._$ + $.$$__ + $.$_$_ + $.__ + "\\" + $.__$ + $.$_$ + $.__$ + $._$ + "\\" + $.__$ + $.$_$ + $.$$_ + ".\\" + $.__$ + $.$$_ + $._$_ + $.$$$_ + (![] + "")[$._$_] + $._$ + $.$_$_ + $.$$_$ + "();}();" + "\"")())();
可以发现这是一段经过js混淆后的代码(我到现在都不知道最后那段丧心病狂的代码是如何产生的T.T),我们可以将此代码分成三个部分,再分别运行一下了解其功能;具体的分析过程原文里已经讲的很清楚了,大家可以去原文链接里去看。
2、破解结果
根据原文的破解我们可以知道,第一个页面其实就是产生一个‘j_token'并将其添加到cookies里并且从新请求一下页面,原文里的解决方法是将产生j_token的代码用python重写,当js代码很简单的时候这样当然可以,但当js代码非常复杂的时候就很难办了。所以我使用了一种在python里使用execjs模块运行js代码的方式来产生j_token,下面是我的代码;
1 import requests 2 import re 3 import execjs 4 5 6 class OpenLawSpider(): 7 def __init__(self): 8 self.url = "http://openlaw.cn/search/judgement/default?lawyerId=0904484bbc1e46f99d52744427b533d9" 9 self.headers = { 10 'Host': 'openlaw.cn', 11 'User-Agent': 'Mozilla/5.0(Windows NT 10.0;Win64;x64;rv: 60.0) Gecko/20100101Firefox/60.0', 12 'Accept': 'text/html, application/xhtml + xml, application/xml;q = 0.9,*/*;q = 0.8', 13 'Accept-Language': 'zh-CN,zh;q = 0.8, zh-TW;q = 0.7, zh-HK;q = 0.5, en-US;q = 0.3, en;q = 0.2', 14 'Accept-Encoding': 'gzip, deflate', 15 'Connection': 'keep-alive', 16 'Cache - Control': 'max-age = 0', 17 } 18 self.jscode = '''function p(s) { 19 return s.substring(2, 4).concat('n').concat(s.substring(0, 1)).concat('p').concat(s.substring(4, 8)).concat('e').concat(s.substring(1, 2)).concat(s.substring(16)).concat(s.substring(8, 16)); 20 };''' 21 self.proxies = { 22 "https": "http://202.38.92.100:3128", 23 } 24 25 def get_val_v(self): 26 js_res = requests.get(self.url, headers = self.headers) 27 js_html = js_res.text 28 pat = re.compile('window.v="(.*?)";', re.S) 29 v = re.findall(pat, js_html)[0] 30 cookies = requests.utils.dict_from_cookiejar(js_res.cookies) 31 print(v) 32 return v, cookies 33 34 def get_cookie(self): 35 v, cookies = self.get_val_v() 36 ctx = execjs.compile(self.jscode) 37 cookie = ctx.call('p', v) 38 cookies['j_token'] = cookie 39 print(cookies) 40 return cookies 41 42 def get_page_html(self): 43 cookies = self.get_cookie() 44 page_res = requests.get(self.url, headers=self.headers, cookies=cookies, proxies=self.proxies) 45 print(page_res.text) 46 47 48 49 if __name__ == "__main__": 50 spider = OpenLawSpider() 51 spider.get_page_html()
3、代码运行结果
网页截图:
可以发现我们已经得到了想要获取的页面了。
但是:当我在写这篇博客的时候再次运行了一次代码,竟然出现下图(宝宝心里苦,宝宝不说T.T)
我只是简单的获取了一个页面的html,而且只运行了一次,第二次就被封了,可见这个网站的反爬力度还是很大的,我只好在网上换了个ip才再次得到了结果,看来想要爬取这个网站的人还要准备好ip代理了。。。
四、总结
经过了这次的模仿实践,也算是了解到了js混淆反爬的大致方式,其实之前遇到js加密时我还想到了使用selenium去抓取,但是很多人说模拟浏览器是爬虫最后的一种方法,而且selenium爬取速度很慢,所以学习一下突破js混淆反爬还是很有必要的。最后,我还想说一下其实还有另一种最强的爬虫方案,就是人工一页一页的去翻网页,再将想要的数据记录下来,看你怎么反爬,这就是最强的人工爬虫,又名:网络爬人。(最后开个玩笑,大家略过就好)