爬虫之抓js教程
在初学的爬虫过程中，很多人还不知道有些字段是如何生成的，怎样模拟生成这些字段来拼接头部。为了再次纪念【宏彦获水】成语初次面世，特地用【百度登陆】写下一篇登陆百度的教程，以供大家参考。
前面学习了如何在 get 的时候想服务器发送多变的请求数据，从而达到搜索的效果，而实际上 搜索是简单的登陆 ！所以本文将要介绍如何向百度服务器发送 post 数据，从而达到模拟登陆百度的效果。
- 首先打开
firefox浏览器，清除网页所有的历史纪录，这是为了防止以前的Cookie影响服务器返回的数据。F12打开firebug，进入百度首页，点击 网络 -> 清除 ,这是为了删掉打开百度首页而弹出来的html，方便后面的查找html数据。- 点击登陆按钮，依次填写账号、密码、验证码，点击 登陆 ，在
firebug中点击保持，这是为了防止登陆成功后，登陆表单的html被清除。
在 firebug 中，找到如下一行 POST?login ：
点击前面的 + 号 -> post ，可以看到提交的表单，这个就是点击登陆后，网页向百度服务器后端发送的 登陆请求表单，表单中包含了 账号、密码、其他 等信息：
如果百度后台认为此 登陆表单请求 是正确的后，会在 头信息 -> 响应头信息 中返回一个 Set-Cookie 。当我们登陆成功后，关闭浏览器，下次再打开浏览器的时候发现百度还是处于一种登陆的状态，这就是和 Cookie 有关。在百度登陆成功后会返回一个 Cookie 储存到浏览器中，下次再打开百度的时候，浏览器中的 头信息 -> 请求头信息 中会携带一个 Cookie ，这个 Cookie 就是百度服务器判断你以前是否登陆过百度。而这个 Cooike 就是 Set-Cookie 加工而来的！那么重点来了，如果要用代码模拟登陆百度，应该要具备以下几个步骤：
- 构造请求表单
- 请求成功后获取
Cookie(这个Cookie并非Set-Cookie)- 在请求头部
header中携带这个Cookie，就可以以登陆过后的身份访问百度
原理讲清楚了，那么下面开始实践！
构造请求表单
在上面的 POST?login 中发现百度的请求表单还是挺多的，那么如何表单中判断哪些是变化的那些事不变的？再一次清空 firefox 的全部历史纪录，清除 firebug 的 html ，重新在百度首页点击 登陆 ，填写 账号、错误的密码、验证码，复制 POST?login 中的 post 信息下来，然后重复前面的步骤，就可以得到很多 post 信息，拿出来对比就可以知道哪些信息是变化的了。这里要解释一下为什么要填写 错误的密码，因为密码错误啦，登陆框就会一直都在啊，免去了清除 全部历史纪录 和清除 html 的步骤。最后对比的情况如下：
可以发现，请求的表单有
staticpage
charset
token
tpl
subpro
apiver
tt
codestring
safeflg
u
isPhone
detect
gid
quick_user
logintype
logLoginType
idc
loginmerge
splogin
username
password
verifycode
mem_pass
rsakey
crypttype
ppui_logintime
countrycode
fp_uid
fp_info
loginversion
ds
tk
dv
traceid
callback
其中，被红框框起来的表单是多次请求变化的：
callback
tt
token
ppui_logintime
rsakey
verifycode
而 ds、tk 在第一次请求网页直接生成了：
https://passport.baidu.com/viewlog?ak=1e3f2dd1c81f2075171a547893391274&as=74a154e4&fs=MEBGsUNpNVBMjs8Tdudr8aAjW%2BFklVpfnDnMkmxZ3DMXZisUPveYoxrXH2HKd5pgidlfhvibzXjlMLk28ZUvrUpDazz2aivj1lT0DHKRrMLZBBvYrMBdY%2BenNlaoF8h%2F8s18t0DQtONJZoRMOt%2FDotooaXA1bPuODU3XkP5iOBv9GpK6mApUn2xQXIpSEFTInDKJEiFBfC04IfPyCVCe766QJT%2FS4CHeqIJsjVLa7aoNnh3%2BHSdvRx1Uay1Fy60q%2Fkz5TJ%2B8Ib25o8yDfFBcOdbIdhVwmDHp3R87v3%2BY0M9rl2MUlr4ZJO2vn98yspz9t60LrqhUsObz7FZIdG9sWRP6JNt00%2BeQIY6Z7liRZI75mSRTWGDHYMT8LU7KdOELrxdrM7OfHfoD%2BlJ8PpCPFPT8dOgJUKGwa0tkL6t5UKpOUUXoxbx3lkRUNSj5NxdNcRt3YZbDShJmXnRbfza7yDpgvzKBRULis%2BzxhbBijS5onMCPOB59OVGE6lges8nr9xhi0ZNM9f96V7S4elo4fsXUgQzmJJwsM69ah0RSVNFQbBNoGszbT47%2BHDORP%2Fd7OLGOeG8D9i5tMIf%2BYRgN6ing5B5lLpn5nn3KtshIWiAwrR5mijWZai7uheFiE2cHCovVBRAlfCp3yDtKRWN4cE55F9b0wvoDHSJmHqlVKp1%2BgbE9b1oUFmqOGWcWMakVQfrEFg6phufPuuaQLLdtX3%2Bir7yeC8rx8tHdcTz6CtJsWtVcavFV8Q8j8Ta90bSKp%2BjQlmOXmct7PeM3tRM8%2B946o67jwNX7CP1EjKw%2FYk5lP%2BmCqNjwK3eZf46pQGLmZYUOLuGBK73HeCPAlj4YlEfGrZYpCuLp1vthWK%2B5oZZR9c%2BLpu1aOGotEqebe2N6UaKbXhC2qn6h3glylAV%2B2HfY4wut%2Bj%2Frr3iJEhWLj7J7qD0fr5ojR993ru8qrZSxKYu1f5W6NhdGPz7ZpWRfBrIaxtMjliEgdrIZ82RSe930OeXJaXMzytvoxvsZaUYvODivXMsPXDlnEQ%2FiZPPAO1B3F06Y8so67piru9hrXdkBwGLP6G07wo2dCMPvSFHHuLSvFYWduRFscftm3qJ1XUSDHDYIe8t5y5ClLJJd%2FCAkdlhQc3iOQJUgOXp4tAjoSkkiLnramq%2BIa6ycbi%2BcfzE6recOWVsuTFC4rX0t4RLdY5yf%2BRkED6qYcR8LLorK0dVKTX34rRsvLFElzgbi%2FW1%2Fq8y8tU9X%2F3pQXzHEsw28si6pjHvbPd4rJoQTIoI5asbCbxKqjRCJCfJPXRbUxo%2BZeWwik4F5UiTzwpas3pQ%3D&callback=jsonpCallbackb5819&v=4646
直接返回结果 json，所以得到 ds、tk:
jsonpCallbackb5819({"code":0,"data":{"tk":"1966\/wzQ9fSm481E1Dd6MPpdaM08fX2AB5MkNq1aMZHDBoekhU51\/8+yOdlYGlLXJVKpduaYRnOVNhfERmTiBXB1Vw==","as":"a82478bc","ds":"oLZa10fYIvKavmDHTaWvTF5D9f3NBzweejdgFGUJB9yI6TFVGHZ8EtWhXcLshwfDL0sU7ymlQe3uVByWIXCym03HZTZxZmGaXl8Jw+unuO5D3SN29KiMO0oj1fSH58BU"}})
其中很明显可以看出来的是:
tt时间戳verifycode验证码
那么就剩下几个请求表单还暂时无法得知，首先查找 callback：
>1. 在 `firebug` 中勾选脚本，点击 `{}`
>2. 搜索中勾选 **多个文件**
>3. 在搜索框中搜索 `callback`
一直搜索，最后发现 callback 和 getUniqueId 的生成有关：
那么换着 getUniqueId 来搜索，得到如下 javascrip 代码：
e.getUniqueId = function (e) {
return e + Math.floor(2147483648 * Math.random()).toString(36)
},
和上面的 JavaScrip 整理起来，那么 callback 的生成代码为：
function callback(){
return 'bd__cbs__'+Math.floor(2147483648 * Math.random()).toString(36)
}
找到 callback 后，接下来要去寻找 token 。在 firebug 中寻找 token 第一次在哪里出现。最后发现首次出现在网址：
https://passport.baidu.com/v2/api/?getapi&tpl=mn&apiver=v3&tt=1495185331704&class=login&gid=63F95D8-F402-4128-A98B-C7D3C19B8F89&logintype=dialogLogin&callback=bd__cbs__3cagws
这个网址返回的是一个 Json ：
bd__cbs__3cagws({"errInfo": {"no": "0"},
"data": {"rememberedUserName": "", "codeString": "", "token": "6245a75e6ba48d39033a8c31dfcb37c7",
"cookie": "1", "usernametype": "", "spLogin": "rate", "disable": "",
"loginrecord": {'email': [], 'phone': []}}})
第一次 token 出现的地方找到了，那么分析一下请求出 token 的网址，网址中涉及到的变量有：
tpl
apiver
tt
class
gid
logintype
callback
为了查看哪些变量是变化的，就再次进行多次登陆。最后发现，变化的是：
tt
gid
callback
其中 tt 为长时间戳， callback 在前面已经找到并且能生成了，那么只剩下 gid 这个变量。老规矩，按照下面的步骤再去找出 gid ：
- 在
firebug中勾选脚本，点击{}- 搜索中勾选 多个文件
- 在搜索框中搜索
gid
搜索发现 gid 是由 gid: e.guideRandom 这个函数生成的：
那么接着搜搜这个函数 guideRandom ，找到如下 JavaScrip 代码：
this.guideRandom = function () {
return 'xxxxxxx-xxxx-4xxx-yxxx-xxxxxxxxxxxx'.replace(/[xy]/g, function (e) {
var t = 16 * Math.random() | 0,
n = 'x' == e ? t : 3 & t | 8;
return n.toString(16)
}).toUpperCase()
}(),
整理一下让其可以在 python 中运行：
function gid(){
return 'xxxxxxx-xxxx-4xxx-yxxx-xxxxxxxxxxxx'.replace(/[xy]/g, function (e) {
var t = 16 * Math.random() | 0,
n = 'x' == e ? t : 3 & t | 8;
return n.toString(16)
}).toUpperCase()
}
这样，根据 gid 和 callback 就能得到 token 了！
下面继续寻找 ppui_logintime ，按照规矩来：
- 在
firebug中勾选脚本，点击{}- 搜索中勾选 多个文件
- 在搜索框中搜索
ppui_logintime，找到了timeSpan: 'ppui_logintime'
接着搜索 timeSpan ，得到如下信息：
s.timeSpan = (new Date).getTime() - e.initTime
现在还是看不出什么东西，那么就继续搜索 initTime ，得到如下代码：
_initApi: function (e) {
var t = this;
t.initialized = !0,
t.initTime = (new Date).getTime(),
passport.data.getApiInfo({
apiType: 'login',
gid: t.guideRandom || '',
loginType: t.config && t.config.diaPassLogin ? 'dialogLogin' : 'basicLogin'
}).success(function (n) {
var i = t.fireEvent('getApiInfo', {
rsp: n
});
继续查找 initApi ，找到位置：
原来是在登陆的时候发生点击，内容改变，按键按下等事件的时候，会调用 _initApi，再看源码和 ppui_logintime 的数值可以发现， ppui_logintime 代表的是从输入信息开始到点击登陆后结束的时间差！那么在后面 post 的时候直接可以自己构造这个数据了。
那么最后还剩下一个变量 rsakey ，在查找网页的时候发现第一次出现 rsakey 的地方是：
https://passport.baidu.com/v2/getpublickey?token=fcd1f6684072372c6812a44c1d94bf51&tpl=mn&apiver=v3&tt=1461222170065&gid=C539A37-9B0C-4538-9920-E150AC6AE0D5&callback=bd__cbs__tpdrlq
也就是这里面的 key ，虽然名字不一样，但是值是一样的：
bd__cbs__tpdrlq({"errno": '0', "msg": '',
"pubkey": '-----BEGIN PUBLIC KEY-----\nMIGfMA0GCSqGSIb3DQEBAQUAA4GNADCBiQKBgQDiA2HxDW2iVnunx7faCBG3YGBy\nvvF+ysFAIXIVjFTseU7x\/f+Gpr1VTWe2Kxc2dlzBkn5NuRHVxbyXCawu0QlMUfb8\nI2ukM1cIlL0e+B1nBnIp03oXjFvQNhIu58SI6vCoihWX6Qwhb6ZOvJdA249zCNBU\nlTyd7RVwgwaAthI6gQIDAQAB\n-----END PUBLIC KEY-----\n',
"key": 'wS27H0665CWXK64i2VP02AYtjQUTujkb'})
分析一下这个网址，出现的变量有：
token
tpl
apiver
tt
gid
callback
这些变量在前面都能找到，所以也就是说，根据 gid 、 callback 、 token 就能得到 rsakey 了！
下面开始讲解怎么用 python 来实现模拟百度登陆！首先需要构造一个持续登陆的链接，持续登陆的链接能够一直自我保存打开网页或者登陆后留下的 cookie ，当然这是存放在内存中的，例如：
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.3; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0"}
session = requests.session()
session.get("https://passport.baidu.com/v2/?login", headers=headers)
session 就是一个持续的链接，一般用 python 访问网页是这样子调用的 requests.get ，这样子的访问不会保存历史访问留下的 cookie ，而用 session.get 能持续保存 cookie ，只要后面访问都用 session.get 或者 session.post 即可。
获取callback
callback 是由 JavaScrip 生成的：
function callback(){
return 'bd__cbs__'+Math.floor(2147483648 * Math.random()).toString(36)
}
所以直接在 python 中运行这个 JavaScrip 就行了。 python 运行 JavaScrip 需要安装库 pyexecjs，在命令指示符下直接输入 pip3 install pyexecjs 即可。调用方式为：
import execjs
js = '''function callback(){
return 'bd__cbs__'+Math.floor(2147483648 * Math.random()).toString(36)
}
'''
ctx = execjs.compile(js)
callback = ctx.call("callback")
获取traceid
traceid 同样是可以用 JavaScrip 生成的，直接调用即可：
import execjs
js = '''function traceid(){
var e = {a: 1, b: 1, c: 1}
e.traceID = {
headID: e.traceID && e.traceID.headID || "",
flowID: e.traceID && e.traceID.flowID || "",
cases: e.traceID && e.traceID.cases || "",
initTraceID: function(e) {
var t = this;
e && e.length > 0 ? (t.headID = e.slice(0, 6),
t.flowID = e.slice(6, 8)) : t.destory()
},
createTraceID: function() {
var e = this;
return e.headID + e.flowID + e.cases
},
startFlow: function(e) {
var t = this
, n = t.getFlowID(e);
0 === t.flowID.length || t.flowID === n ? (t.createHeadID(),
t.flowID = n) : t.finishFlow(n)
},
finishFlow: function() {
var e = this;
e.destory()
},
getRandom: function() {
return parseInt(90 * Math.random() + 10, 10)
},
createHeadID: function() {
var e = this
, t = (new Date).getTime() + e.getRandom().toString()
, n = Number(t).toString(16)
, i = n.length
, s = n.slice(i - 6, i).toUpperCase();
e.headID = s
},
getTraceID: function(e) {
var t = this
, n = e && e.traceid || "";
t.initTraceID(n)
},
getFlowID: function(e) {
var t = {
login: "01",
reg: "02"
};
return t[e]
},
setData: function(e) {
var t = this;
return e.data ? e.data.traceid = t.createTraceID() : e.url = e.url + (e.url.indexOf("?") > -1 ? "&" : "?") + "traceid=" + t.createTraceID(),
e
},
destory: function() {
var e = this;
e.headID = "",
e.flowID = ""
}
};
e.traceID.initTraceID()
e.traceID.createHeadID()
return e.traceID.createTraceID() + "01"
}'''
ctx = execjs.compile(js)
traceid = ctx.call("traceid")
获取gid
gid 同样是可以用 JavaScrip 生成的，直接调用即可：
import execjs
js = '''function gid(){
return 'xxxxxxx-xxxx-4xxx-yxxx-xxxxxxxxxxxx'.replace(/[xy]/g, function (e) {
var t = 16 * Math.random() | 0,
n = 'x' == e ? t : 3 & t | 8;
return n.toString(16)
}).toUpperCase()
}'''
ctx = execjs.compile(js)
gid = ctx.call("gid")
获取时间tt
时间 tt 是一个毫秒级别的长时间，而 python 生成的时间戳是短时间，所以要在短时间戳后面加上毫秒的长度即可，这里处理的方法是：在短时间戳的后面加上 3 位数的随机数，从而构造出长时间戳。
import time
import random
timerandom = random.randint(100, 999)
nowtime = int(time.time())
tt = str(nowtime) + str(timerandom)
获取token
有了 callback 、 gid 、 tt 后，可以获取到 token ，构造请求参数：
tokendata = {
"tpl": "pp",
"subpro": "",
"apiver": "v3",
"tt": tt,
"class": "login",
"gid": gid,
"logintype": "basicLogin",
"callback": callback
}
更新头部，携带头部访问：
headers.update(dict(Referer="http://passport.baidu.com/", Accept="*/*", Connection="keep-alive", Host="passport.baidu.com"))
resp = session.get(url="https://passport.baidu.com/v2/api/?getapi", params=tokendata, headers=headers)
顺利抓到包含 token 的返回值，将其放到字典里面即可：
data = json.loads(re.search(r".*?\((.*)\)", resp.text).group(1).replace(""", """))
token = data.get('data').get('token')
顺利返回 token ！
获取rsakey
获取 rsakey 只需要构造如下请求参数即可：
tt = get_tt()
get_data = {
"token": token,
"tpl": "pp",
"subpro": "",
"apiver": "v3",
"tt": tt,
"gid": gid,
"callback": callback,
}
在得到的返回值中提取出 rsakey 和 pubkey 既可：
tt = get_tt()
rsakeydata = {
"token": token,
"tpl": "pp",
"subpro": "",
"apiver": "v3",
"tt": tt,
"gid": gid,
"callback": callback,
}
resp = session.get(url="https://passport.baidu.com/v2/getpublickey", headers=headers, params=rsakeydata)
data = json.loads(re.search(r".*?\((.*)\)", resp.text).group(1).replace("'", '"'))
dicts = {}
dicts["rsakey"] = data.get("key")
dicts["pubkey"] = data.get("pubkey")
加密密码
百度登陆的密码加密方式是很简单的 RSA 加密，这个只是用 JavaScrip 就能实现，翻译成 python 的代码为：
def base64_password(password, pubkey):
pub = rsa.PublicKey.load_pkcs1_openssl_pem(pubkey.encode("utf-8"))
encript_passwd = rsa.encrypt(password.encode("utf-8"), pub)
return base64.b64encode(encript_passwd).decode("utf-8")
需要安装库 rsa ，只需要在命令指示符下输入：
pip3 install rsa
登陆
构造一个登陆的 postdata ：
post_data = {
"staticpage": "https://passport.baidu.com/static/passpc-account/html/v3Jump.html",
"charset": "utf-8",
"token": token,
"tpl": "pp",
"subpro": "",
"apiver": "v3",
"tt": tt,
"codestring": "",
"safeflg": 0,
"u": "http://passport.baidu.com/disk/home",
"isPhone": "",
"detect": 1,
"gid": gid,
"quick_user": 0,
"logintype": "basicLogin",
"logLoginType": "pc_loginBasic",
"idc": "",
"loginmerge": "true",
"foreignusername": "",
"username": username,
"password": newpassword,
"mem_pass": "on",
# 返回的key
"rsakey": rsakey,
"crypttype": 12,
"ppui_logintime": 33554,
"countrycode": "",
"dv": dv,
"callback": "parent." + callback
}
直接登陆：
resp = session.post(url="https://passport.baidu.com/v2/api/?login", data=post_data, headers=headers)
如果检测到自己在账号包含在返回的 html 里面，则说明登陆成功：
if username in resp.content.decode("utf-8", "ignore"):
print("登录成功")
else:
print("登录失败")
登陆成功后有两种方式在登陆状态下访问网页：
- 持续使用
session- 获取登录后的
cookie
第一种方法在本次程序跑完后就会自动将后台保存下来的 cookie 丢弃掉，如果下次需要访问则需要重新登陆；第二种方法只要在头部增加这个 cookie 值，就能一直使用 cookie 保证是登陆状态，获取登录后的 cookie 的方法为：
cookies = requests.utils.dict_from_cookiejar(session.cookies)
print(cookies)
等到的 cookies 为一个字典，将这个字典保存在本地的 json 中：
import json
file = open("cookie.json","w")
file.write(json.dumps(cookies))
file.close()
下次访问携带这个 cookies 即可：
json_file = open("cookie.json")
cookies = json.load(json_file)
json_file.close()
header = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0',
'Host': 'passport.baidu.com',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3',
'Connection': 'keep-alive'}
home_page = requests.get("https://passport.baidu.com/center", headers=headers,cookies=cookies).content.decode("utf-8", "ignore")
print(home_page)
这里需要提醒的是 cookie 会过期，一般是 7 天，如果发现使用 cookie 登陆失败，那么就需要重新使用账号密码登陆获取 cookie。
欢迎关注公众号【 机器学习和大数据挖掘 】，联系作者以及获取最新资讯
