别让加密难倒你,Python爬虫攻克加密网站的实战教程！

今天有个朋友向我求助，希望我帮他爬取一个网站上的内容。网站内容如下：

aHR0cHM6Ly93d3cuY2NwcmVjLmNvbS9uYXZDcXpyLyMvCg==

打开上述网址，进入开发者模式，这些数据的请求接口，正常逻辑是通过搜索页面上内容进行锁定请求接口。但是，进行搜索时，发现什么都搜索不到。

通过上图发现，这些数据只请求了一个接口，当我点击负载和响应这两个标签，发现数据是被加密了，所以，我们搜索不了页面的内容。

浏览器为啥是明文？

这时相信小伙伴，心中都有一个疑问浏览器为啥是明文？  浏览器在收到数据后，会自动采用服务器返回的资源文件对加密内容进行解密并显示明文，这也是我们能够在页面上看到正常内容的原因。

如何定位到加密资源文件

通过XHR/提取断点，该方法是通过匹配URL包括请求路径关键字进行断点，具体配置如下图：

这时我们重新刷新网页，如下图所示，网站就成功进入我们上一步设置的断点中。

其中，h就是加密后的请求体参数，然后我们从调用堆栈中一步步往前推。至于如何找呢？这里是有一个技巧的，我们需要找到前一步请求体还没加密，后一步请求体就加密成功了。

扣取代码

经过上一步分析，我们知道o就是加密之前的参数，就在js代码找o定义的位置，如下图所示：

下面代码就是请求体的参数，通过上述代码发现id是通过uuid方法生成的。

{
    "id": "rtmhwib79r4ytdgn",
    "projectKey": "honsan_cloud_ccprec",
    "clientKey": "rtmhwialwggc91l6",
    "token": null,
    "clientDailyData": {},
    "acts": [
        {
            "id": "rtmhwib65mon96h1",
            "fullPath": "/cloud.sys.tomcatV11/api/v1/template/getPages",
            "args": [
                {
                    "yuPiLou": {
                        "templateId": "32d3044760964ed8927bad49e545ba4b",
                        "pageNo": 1,
                        "pageSize": 20,
                        "where": {
                            "projecttype": "PG3",
                            "state": "42"
                        }
                    }
                }
            ]
        }
    ]
}

接着我们需求扣取这个uuid方法。通过鼠标悬停在这个方法上面，就会弹出面板，如下图所示：

点击后就会调到uuid方法定义的地方，如下图所示：

把这段代码扣取下面，如下所示：

uuid = function (t, n) {
    void 0 === t && (t = 16),
        void 0 === n && (n = !1),
        !n && t < 16 && (console.error("uuid useCase=false 时 len 不能小于 16"),
            t = 16),
        n && t < 12 && (console.error("uuid useCase=true 时 len 不能小于 12"),
            t = 12);
    var i = ((new Date).getTime() + 1e14).toString();
    return i += ("000" + (++e.uuidCount).toString()).substr(-3, 3),
        i = n ? parseInt(i).to62() : parseInt(i).toString(36),
        i += randomStr(t),
        i = i.substr(0, t),
        i
}

然后通过node进行运行，如下图所示报错了e没有定义。

于是，我们再去源码中找改值是什么？通过选中该值，经过几次的确认。该值是NaN,如下图所示：

我们再自己扣取的代码写死它，再次运行。如下图所示：

发现这是报randomStr没有定义，我们再去源码找这个方法进行补环境。通过搜索发现了randomStr方法，该方法有调用了random。于是我们两个方法一起扣取下来。

再次运行，没有报错了，成功打印了uuid，如下图所示：

把之前扣取下来的请求体，id字段固定值替换成uuid函数生成的动态值，如下图所示：

最重要的一步就是扣取加密的JS代码啦， 在请求体参数附近查看this.aes.encode(a)加密方法，如下图所示：

通过上面介绍的方面快速定位到这个加密的方法，如下图所示：

该方法又调用了另外一个方法this.encryptCode，通过关键搜索也找到了encryptCode方法，如下图所示：

按照编程习惯，附近也会有对应的解密方法的，如下图所示：

现在加密和解密的方法都找到了，我们把它全部扣取下面进行调试，发现缺什么方法再进行补。重新定义一个方法生成加密请求头，后续让python调用这个方法并传入分页参数。如下图所示：

测试该方法是否能正常生成加密请求头，执行如下命令：

console.log(encrypt())

执行上述方法后，输入如下图所示：

通过python模拟请求

这里介绍一个非常快捷的方式用python模拟一个浏览器请求，首先我们先在开发者模式选择这条请求，然后右击选择**将所有列表复制为cURL(Bash)**，如下图所示：

然后，来的这个工具网站^[1]，粘贴刚才复制的cURL信息，就可以根据自己喜欢的编程语言生成模拟浏览器请求的代码，如下图所示：

然后，把生成的代码拷贝下来，进行修改。通过python的第三方库execjs调用js代码并执行对应的方法。

jscode=open("./test.js",'r',encoding='utf-8').read()

data = execjs.compile(jscode).call("encrypt",page)

下图是python中的完整代码执行上述代码后，成功获取网站的数据如下图所示：

遇到的问题

在python中使用execjs库，出现UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xac in position 244: illegal multibyte sequence，一般遇见编码问题先看看代码里写没写encoding='utf-8'，没写的话写加上试试。加了也不行。通过在python代码中加入如下代码

import subprocess
from functools import partial
subprocess.Popen = partial(subprocess.Popen, encoding="utf-8")

脚本获取方式

上述脚本已经上传上传到gitee,有需要的小伙伴可以自行获取。gitee上的仓库主要是分享一些工作中常用的脚本。小伙伴可以frok或者watch仓库，这样有更新可以及时关注到。

仓库地址：

https://gitee.com/didiplus/script