【爬虫】关于企业信用信息公示系统-加速乐最新反爬虫机制
(￣▽￣)~*又得半夜修仙了，作为一个爬虫小白，花了3天时间写好的程序，才跑了一个月目标网站就更新了，是有点悲催，还是要只有一天的时间重构。
升级后网站的层次结构并没有太多变化，表面上是国家企业信用信息公示系统 的验证码又升级了。之前是 点按后滑动拼图方式:
现在的验证码主要是按顺序点击图片汉字验证码，但也不排除会出现以前的点按拖动验证码：
验证码的破解这里就不详细介绍了，需要的可以私信我们一起讨论研究下，详细可参考极验验证码破解-源码+破解手册，极验二代和三代验证码破解的方式基本都是一个套路的东西。
爬虫的过程
- 破解加速乐最新反爬虫机制获取cookie
- 传入cookie获取 gt 和 challenge 参数 （破解验证码必须的参数）
- 破解验证码
- 带上cookie，提交参数跳转下一层
- 抓取数据，这就非常简单了
破解加速乐获取cookie
网站更新前是不需要这个步骤的，这次重构代码的时间主要就花在这了。一开始我用 get 方式直接访问 http://www.gsxt.gov.cn/SearchItemCaptcha ，获取 gt 和 challenge 参数 ，但是却返回错误521，于是我发现不仅仅是这个接口，但是发现根本连首页都进不去，返回错误页面403 forbidden，而且细心发现返回的并不是正常的乱码而是一串js代码。
< script >
var x = "__jsl_clearance@1515751840@w7ZgszEX@addEventListener@18@Fri@reverse@i@else@l@_phantom@if@captcha@3D@false@Jan@dc@catch@935@var@chips@Expires@Array@cookie@charAt@10@function@@D@__phantomas@vHA@while@GMT@4@attachEvent@setTimeout@cd@for@href@Path@challenge@replace@try@1500@6@length@86w@return@onreadystatechange@12@window@TAGGl@location@40@3@@B@document@0@join@DOMContentLoaded@11@e@2".replace(/@*$/, "").split("@"),
y = "k a=r(){w(P.b||P.u){};k B,h='1=2.j|10|';B=n(+[[(+!+[])]+[([-~-~~~![]]+~~{}>>-~-~~~![])]]);k l=['Q',(!{}+[[], -~{}][~~![]]).p(-~[(-~{}<<-~{})]),'3',[{}+[[], -[com.cn.chaomeng.utils.GsxtUtils] - 初始cookie密文：<script>var x="__jsl_clearance@1515751840@w7ZgszEX@addEventListener@18@Fri@reverse@i@
else@l@_phantom@
if@captcha@3D@false@Jan@dc@
catch@935@
var@chips@Expires@Array@cookie@charAt@10@
function@@D@__phantomas@vHA@
while@GMT@4@attachEvent@setTimeout@cd@
for@href@Path@challenge@replace@
try@1500@6@length@86w@
return@onreadystatechange@12@window@TAGGl@location@40@3@@B@document@0@join@DOMContentLoaded@11@e@2 ".replace(/@*$/,"").split("@"),y="k a = r() {
w(P.b || P.u) {};
k B,
h = '1=2.j|10|';
B = n( + [[( + !+[])] + [([ - ~ - ~~~ ! []] + ~~ {} >> -~ - ~~~ ! [])]]);
k l = ['Q', (!{} + [[], -~ {}][~~ ! []]).p( - ~ [( - ~ {} << -~ {})]), '3', [{} + [[], -~ {}][~~ ! []]][10].p(T - ~~~ ! [] - ~~~ ! [] + T), '%', [{} + [[], -~ {}][~~ ! []]][10].p(([ - ~ - ~~~ ! []] + ~~ {} >> -~ - ~~~ ! [])), 'V', ( + {} + [[], -~ {}][~~ ! []]).p(15), 'L', (15 + [] + [[]][( + [])]), 't', ([][~~ {}] + [] + []).p(y), 'v', ( - ~ [] / ~~ ! [] + [[], -~ {}][~~ ! []]).p(J), '%e'];
C(k 8 = 10; 8 < l.K; 8++) {
B.7()[8] = l[8]
};
B = B.11('');
h += B;
A('R.D=R.D.G(/[\\?|&]d-F/,\\'\\')', I);
W.o = (h + ';m=6, O-g-5 13:q:S x;E=/;');
};
c((r() {
H {
M !! P.4;
}
i(14) {
M f;
}
})()) {
W.4('12', a, f);
}
9 {
W.z('N', a);
}
",z=0,f=function(x,y){var a=0,b=0,c=0;x=x.split("");y=y||99;while((a=x.shift())&&(b=a.charCodeAt(0)-77.5))c=(Math.abs(b)<13?(b+48.5):parseInt(a,36))+y*c;return c},g=y.match(/\b\w+\b/g).sort(function(x,y){return f(x)-f(y)}).pop();while(f(g,++z)-x.length){};eval(y.replace(/\b\w+\b/g, function(y){return x[f(y,z)-1]}));</script>
~{}][~~![]]][10].p(T-~~~![]-~~~![]+T),'%',[{}+[[], -~{}][~~![]]][10].p(([-~-~~~![]]+~~{}>>-~-~~~![])),'V',(+{}+[[], -~{}][~~![]]).p(15),'L',(15+[]+[[]][(+[])]),'t',([][~~{}]+[]+[]).p(y),'v',(-~[]/~~![]+[[], -~{}][~~![]]).p(J),'%e'];C(k 8=10;8<l.K;8++){B.7()[8]=l[8]};B=B.11('');h+=B;A('R.D=R.D.G(/[\\?|&]d-F/,\\'\\')',I);W.o=(h+';m=6, O-g-5 13:q:S x;E=/;');};c((r(){H{M !!P.4;}i(14){M f;}})()){W.4('12',a,f);}9{W.z('N',a);}",
z = 0,
f = function(x, y) {
var a = 0,
b = 0,
c = 0;
x = x.split("");
y = y || 99;
while ((a = x.shift()) && (b = a.charCodeAt(0) - 77.5)) c = (Math.abs(b) < 13 ? (b + 48.5) : parseInt(a, 36)) + y * c;
return c
},
g = y.match(/\b\w+\b/g).sort(function(x, y) {
return f(x) - f(y)
}).pop();
while (f(g, ++z) - x.length) {};
eval(y.replace(/\b\w+\b/g,
function(y) {
return x[f(y, z) - 1]
})); < /script>
/
到这里取cookie只传递了一个__jsluid 的COOKIES值。
__jsluid=8d61794e23c2bff4a5c997b272729fba;
Google 了一下，发现这是 加速乐的一个爬虫防护机制)。浏览器第二次请求的时候会带上 __jsluid cookies和JS解密计算出来的一个叫做__jsl_clearance的cookies值，只有这两个cookies验证匹配才认为是合法的访问身份。
这个确实花费了不少时间，知道了问题所在就简单多了，仔细分析上面的js代码就会发现我们要的东西就是这个方法：
eval(y.replace(/\b\w+\b/g,
function(y) {
return x[f(y, z) - 1]
})
接下来就简单，用的是JAVA分析的 ，JAVA的js引擎还是挺好用的。稍微改造下js代码
resHtml = "function getClearance(){" + resHtml+"};";
resHtml = resHtml.replace("</script>", "");
resHtml = resHtml.replace("eval", "return");
resHtml = resHtml.replace("<script>", "");
改造后的代码js:
function getClearance() {
var x = "__jsl_clearance@1515751840@w7ZgszEX@addEventListener@18@Fri@reverse@i@else@l@_phantom@if@captcha@3D@false@Jan@dc@catch@935@var@chips@Expires@Array@cookie@charAt@10@function@@D@__phantomas@vHA@while@GMT@4@attachEvent@setTimeout@cd@for@href@Path@challenge@replace@try@1500@6@length@86w@return@onreadystatechange@12@window@TAGGl@location@40@3@@B@document@0@join@DOMContentLoaded@11@e@2".replace(/@*$/, "").split("@"),
y = "k a=r(){w(P.b||P.u){};k B,h='1=2.j|10|';B=n(+[[(+!+[])]+[([-~-~~~![]]+~~{}>>-~-~~~![])]]);k l=['Q',(!{}+[[], -~{}][~~![]]).p(-~[(-~{}<<-~{})]),'3',[{}+[[], -~{}][~~![]]][10].p(T-~~~![]-~~~![]+T),'%',[{}+[[], -~{}][~~![]]][10].p(([-~-~~~![]]+~~{}>>-~-~~~![])),'V',(+{}+[[], -~{}][~~![]]).p(15),'L',(15+[]+[[]][(+[])]),'t',([][~~{}]+[]+[]).p(y),'v',(-~[]/~~![]+[[], -~{}][~~![]]).p(J),'%e'];C(k 8=10;8<l.K;8++){B.7()[8]=l[8]};B=B.11('');h+=B;A('R.D=R.D.G(/[\\?|&]d-F/,\\'\\')',I);W.o=(h+';m=6, O-g-5 13:q:S x;E=/;');};c((r(){H{M !!P.4;}i(14){M f;}})()){W.4('12',a,f);}9{W.z('N',a);}",
z = 0,
f = function(x, y) {
var a = 0,
b = 0,
c = 0;
x = x.split("");
y = y || 99;
while ((a = x.shift()) && (b = a.charCodeAt(0) - 77.5)) c = (Math.abs(b) < 13 ? (b + 48.5) : parseInt(a, 36)) + y * c;
return c
},
g = y.match(/\b\w+\b/g).sort(function(x, y) {
return f(x) - f(y)
}).pop();
while (f(g, ++z) - x.length) {};
return (y.replace(/\b\w+\b/g,
function(y) {
return x[f(y, z) - 1]
}));
};
接下来用js引擎执行这段代码。
ScriptEngineManager manager = new ScriptEngineManager();
ScriptEngine engine = manager.getEngineByName("js");
engine.eval(resHtml);
Invocable invocable = (Invocable) engine;
String resJs = (String) invocable.invokeFunction("getClearance");
这样就可以得到这段js原来的样子了,并把没用的东西去掉，得到下面的js，我们会发现dc就是我们需要的东西，具体没用的东西怎么去掉就不贴上来了，只要是有window的代码去掉，会报错；dc就是我们要的东西，模仿上个步骤加上 return dc;就可以了；
var l = function() {
var cd, dc = '__jsl_clearance=1515751840.935|0|';
cd = Array( + [[( + !+[])] + [([ - ~ - ~~~ ! []] + ~~ {} >> -~ - ~~~ ! [])]]);
var chips = ['TAGGl', (!{} + [[], -~ {}][~~ ! []]).charAt( - ~ [( - ~ {} << -~ {})]), 'w7ZgszEX', [{} + [[], -~ {}][~~ ! []]][0].charAt(3 - ~~~ ! [] - ~~~ ! [] + 3), '%', [{} + [[], -~ {}][~~ ! []]][0].charAt(([ - ~ - ~~~ ! []] + ~~ {} >> -~ - ~~~ ! [])), 'B', ( + {} + [[], -~ {}][~~ ! []]).charAt(2), '86w', (2 + [] + [[]][( + [])]), 'D', ([][~~ {}] + [] + []).charAt(4), 'vHA', ( - ~ [] / ~~ ! [] + [[], -~ {}][~~ ! []]).charAt(6), '%3D'];
for (var i = 0; i < chips.length; i++) {
cd.reverse()[i] = chips[i]
};
cd = cd.join('');
dc += cd;
return dc;
};
直接执行就行了：
engine.eval(resJs);
String learance= (String) invocable.invokeFunction("l");
执行完就是我们要的东西啦：
__jsl_clearance=1515751840.935|0|TAGGltw7ZgszEXf%2BN86wcDOvHAs%3D
将两段cookie拼接起来就是最终的cookie了：
__jsluid=8d61794e23c2bff4a5c997b272729fba;
__jsl_clearance=1515751840.935|0|TAGGltw7ZgszEXf%2BN86wcDOvHAs%3D;
接下来带上cookie访问刚刚的接口（http://www.gsxt.gov.cn/SearchItemCaptcha
），就返回200了，成功
{"challenge":"2f5ce96fd594370c49125a3264166df5","status":"ok","validate":"5be4f4ce721a7c7ad2469925800836a6"}
接下来就简单了。
注意
- 首页返回的JS脚本里面有防止 PhantomJS 的机制：
while (window._phantom || window.__phantomas) {};
当发现是_phantom或者__phantomas后就直接进入死循环了。。
- 最新发现，取上面步骤得到cookie访问的后续的页面会报302
解决办法：用得到的cookie再次访问，并从response中取set-cookie,可以得到：
JSESSIONID=AFDB40E58D5E6EC434E0584390629C03-n1:-1;
Path=/;
HttpOnlytlb_cookie=S172.16.12.67; path=/
再拼接起来才是最终的cookie：
__jsluid=8d61794e23c2bff4a5c997b272729fba;
__jsl_clearance=1515751840.935|0|TAGGltw7ZgszEXf%2BN86wcDOvHAs%3D;HttpOnly;secure;
JSESSIONID=AFDB40E58D5E6EC434E0584390629C03-n1:-1; Path=/;
HttpOnlytlb_cookie=S172.16.12.67; path=/
建议将cookie缓存，2小时更新一次就可以了
