为了账号安全,请及时绑定邮箱和手机立即绑定

【Python3爬虫】常见反爬虫措施及解决办法(三)

标签:
Python 爬虫

 上一篇博客的末尾说到全网代理IP的端口号是经过加密混淆的,而这一篇博客就将告诉你如何破解!如果觉得有用的话,不妨点个推荐哦~

 

一、全网代理IP的JS混淆

首先进入全网代理IP,打开开发者工具,点击查看端口号,看起来貌似没有什么问题:

如果你已经爬取过这个网站的代理,你就会知道事情并非这么简单。如果没爬过呢?也很简单,点击鼠标右键然后查看网页源代码,搜索”port“,可以找到如下内容:

很明显这不是网页上显示的端口号了,那我们要怎么才能得到真正的端口号呢?

解决办法:

 首先需要找到一个JS文件:http://www.goubanjia.com/theme/goubanjia/javascript/pde.js?v=1.0,点开后可以看到如下内容:

这么复杂的JS代码看得人头都大了,不过我们发现这个JS代码是一个eval函数,那我们能不能把它解码一下呢?这时候你需要一个工具--脚本之家在线工具,把这些JS代码复制进去:

 然后点击解码:

 

还是一个eval函数,所以再次解码:

到这一步,已经比最开始的代码简洁多了,但是还易读性还是很差,所以我们需要先格式化一下:

var _$ = [
 "\x2e\x70\x6f\x72\x74",
 "\x65\x61\x63\x68",
 "\x68\x74\x6d\x6c",
 "\x69\x6e\x64\x65\x78\x4f\x66",
 "\x2a",
 "\x61\x74\x74\x72",
 "\x63\x6c\x61\x73\x73",
 "\x73\x70\x6c\x69\x74",
 "\x20",
 "",
 "\x6c\x65\x6e\x67\x74\x68",
 "\x70\x75\x73\x68",
 "\x41\x42\x43\x44\x45\x46\x47\x48\x49\x5a",
 "\x70\x61\x72\x73\x65\x49\x6e\x74",
 "\x6a\x6f\x69\x6e",
 ""
];
$(function() {
 $(_$[0])[_$[1]](function() {
   var a = $(this)[_$[2]]();
   if (a[_$[3]](_$[4]) != -0x1) {
     return;
   }
   var b = $(this)[_$[5]](_$[6]);
   try {
     b = b[_$[7]](_$[8])[0x1];
     var c = b[_$[7]](_$[9]);
     var d = c[_$[10]];
     var f = [];
     for (var g = 0x0; g < d; g++) {
       f[_$[11]](_$[12][_$[3]](c[g]));
     }
     $(this)[_$[2]](window[_$[13]](f[_$[14]](_$[15])) >> 0x3);
   } catch (e) {}
 });
});

可以看到有一个列表和一个函数,而这个函数应该就是混淆的函数了,但是这列表里的数据都是十六进制的,还需要解码一下(这一步可以用Python来做):

_ = ["\x2e\x70\x6f\x72\x74", "\x65\x61\x63\x68", "\x68\x74\x6d\x6c", "\x69\x6e\x64\x65\x78\x4f\x66", "\x2a",
     "\x61\x74\x74\x72", "\x63\x6c\x61\x73\x73", "\x73\x70\x6c\x69\x74", "\x20", "", "\x6c\x65\x6e\x67\x74\x68",
     "\x70\x75\x73\x68", "\x41\x42\x43\x44\x45\x46\x47\x48\x49\x5a", "\x70\x61\x72\x73\x65\x49\x6e\x74",
     "\x6a\x6f\x69\x6e", ""
     ]
_ = [i.encode('utf-8').decode('utf-8') for i in _]
print(_)
# ['.port', 'each', 'html', 'indexOf', '*', 'attr', 'class', 'split', ' ', '', 'length', 'push', 'ABCDEFGHIZ', 'parseInt', 'join', '']

然后把这个列表里的元素添加到上面的JS函数中,可以得到如下结果:

复制代码

 1 $(function() { 2   $(".port")["each"](function() { 3     var a = $(this)["html"](); 4     if (a["indexOf"]("*") != -0x1) { 5       return; 6     } 7     var b = $(this)["attr"]("class"); 8     try { 9       b = b["split"](" ")[0x1];10       var c = b["split"]("");11       var d = c["length"];12       var f = [];13       for (var g = 0x0; g < d; g++) {14         f["push"]("ABCDEFGHIZ"["indexOf"](c[g]));15       }16       $(this)["html"](window["parseInt"](f["join"]("")) >> 0x3);17     } catch (e) {}18   });19 });

复制代码

可以看到这段JS代码就是先找到每个端口节点,然后把端口的class值提取出来,再进行拆分字符串,然后获取每个字母在”ABCDEFGHIZ“中的下标值,并把这些值拼接成字符串,再转为整型数据,最后把这个整型数据向右移3位。比如”GEA“对应的下标组成的字符串是”640“,转为整型数据后向右移3位的结果就是80,也就是真实的端口值了。最后附上用Python解密端口号的代码:

复制代码

1 et = etree.HTML(html)2 port_list = et.xpath('//*[contains(@class,"port")]/@class')3 for port in port_list:4     port = port.split(' ')[1]5     num = ""6     for i in port:7         num += str("ABCDEFGHIZ".index(i))8     print(int(num) >> 3)

复制代码

 

二、用图片代替文字

之前就有人评论说有的网站使用图片代替文字以实现反爬虫,然后我这次就找到了一个网站--新蛋网,随意点击一个商品查看一下:

打开开发者工具,然后点击查看价格,想不到价格居然是通过图片来显示的:

解决办法:

 我找到两个可以得到价格的办法,一个简单的,一个难一点的。简单的方法是用正则表达式,因为在源码中的其他地方是包含商品的基本信息的,比如名称和价格,所以我们可以使用正则表达式进行匹配,代码如下:

复制代码

1 import re2 import requests3 4 5 url = "https://www.newegg.cn/Product/A36-125-E5L.htm?neg_sp=Home-_-A36-125-E5L-_-CountdownV1"6 res = requests.get(url)7 result = re.findall("name:'(.+?)', price:'(.+?)'", res.text)8 print(result)

复制代码

难一点的方法是把图片下载到本地之后进行识别,由于这个图片的清晰度很高,也没有扭曲或者加入干扰线什么的,所以可以直接使用OCR进行识别。但是用这种方法的话需要安装好Tesseract-OCR,这个工具的安装过程还是比较麻烦的。用这种方法破解的代码如下:

复制代码

 1 import requests 2 import pytesseract 3 from PIL import Image 4 from lxml import etree 5  6  7 url = "https://www.newegg.cn/Product/A36-125-E5L.htm?neg_sp=Home-_-A36-125-E5L-_-CountdownV1" 8 res = requests.get(url) 9 et = etree.HTML(res.text)10 img_url = et.xpath('//*[@id="priceValue"]/span/strong/img/@src')[0]11 with open('price.png','wb') as f:12      f.write(requests.get(img_url).content)13 pytesseract.pytesseract.tesseract_cmd = 'E:/Python/Tesseract-OCR/tesseract.exe'14 text = pytesseract.image_to_string(Image.open('price.png'))15 print(text)16 # 6999.00

作者:TM0831

原文出处:https://www.cnblogs.com/TM0831/p/10454884.html  

点击查看更多内容
TA 点赞

若觉得本文不错,就分享一下吧!

评论

作者其他优质文章

正在加载中
  • 推荐
  • 评论
  • 收藏
  • 共同学习,写下你的评论
感谢您的支持,我会继续努力的~
扫码打赏,你说多少就多少
赞赏金额会直接到老师账户
支付方式
打开微信扫一扫,即可进行扫码打赏哦
今天注册有机会得

100积分直接送

付费专栏免费学

大额优惠券免费领

立即参与 放弃机会
意见反馈 帮助中心 APP下载
官方微信

举报

0/150
提交
取消