Python爬虫 JS 案例讲解：爬取漫画

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

以下文章来源于Python爬虫案例，作者麦自香

转载地址

https://blog.csdn.net/fei347795790?t=1

由于今天涉及的内容颇多，还请各位看官搬上小板凳，带上香瓜子，慢慢细品，话不多说，第一步还是上链接，作为我们的目标网站，首先把链接贴出来，如下：

https://ac.qq.com/

由于最终的目的是为了爬取漫画的内容页，所以开门见山直接找一个漫画进行页面分析，（该文章主要用于爬取免费的漫画，收费请看代码注释），我们以《尸兄》第一话为例：

https://ac.qq.com/ComicView/index/id/17114/cid/3

按F12进行元素审查，通过往下滑动可以看到图片不断的加载出来，所以内容可能是动态加载出来的。

页面动态加载内容的话，此时让我们切换到XHR标签，如图：

通过分析过后，我们发现这两个接口，除了返回的有弹幕外，其他的什么数据都没有返回，所以数据并不是通过此处返回的。

没办法，看来不是从这请求的数据，接下来让我们找一个图片的名称进行全局搜索，看看哪些文件夹里面包含了这些名称。以便确定数据到底存放在了哪里。

通过进行的全局搜索，我们发现除了只能搜到这个图片，也没发现其他的文件内有存储该图片的位置，说明这个方法也是行不通的。图片的地址既没有动态加载，也没有在其他的源代码中，那么只能说明地址是被加密放到了某一个地方。除去图片，js，css这些，剩下有可能的就只有主页了，所以直接看主页的源代码，并且主要关注script标签下的内容，整个主页的源代码中，有可能存放加密数据的就只有倒数后面的一个script标签。

从页面的内容来看，DATA变量很有可能就是加密的数据，此时需要查找如何解密这段数据，继续在全局中搜索DATA，并且区分大小写。

由此可以看到除了自身以外，就剩下一个js文件内有出现过DATA变量，那么进入到这个js文件里面继续搜索DATA，并且同样需要区分大小写。

搜索后发现“那个村的王富贵”还是蛮多的，浏览一遍发现，除了第一个以外，其他都是取DATA变量的值，说明关键在第一个DATA变量，因为还没有解密又怎么取值呢。直接在第一次出现DATA变量的那一行打上断点，然后刷新。

如上图，可以看到所有的图片地址都在_v变量的下面，继续在全局中搜索_v变量，也是要区分大小写。

搜索到13个内容，简单的过了一遍，发现除了取值，函数变量以及一些其他的字符串包含这个，剩下的一个在第一个DATA变量上面的立即执行函数里面。

 1eval(function(p, a, c, k, e, r) {
 2            e = function(c) {
 3                return (c < a ? "" : e(parseInt(c / a))) + ((c = c % a) > 35 ? String.fromCharCode(c + 29) : c.toString(36))
 4            }
 5            ;
 6            if (!"".replace(/^/, String)) {
 7                while (c--)
 8                    r[e(c)] = k[c] || e(c);
 9                k = [function(e) {
10                    return r[e]
11                }
12                ];
13                e = function() {
14                    return "\\w+"
15                }
16                ;
17                c = 1
18            }
19            while (c--)
20                if (k[c])
21                    p = p.replace(new RegExp("\\b" + e(c) + "\\b","g"), k[c]);
22            return p
23        }("p y(){i=\"J+/=\";O.D=p(c){s a=\"\",b,d,h,f,g,e=0;C(c=c.z(/[^A-G-H-9\\+\\/\\=]/g,\"\");e<c.k;)b=i.l(c.m(e++)),d=i.l(c.m(e++)),f=i.l(c.m(e++)),g=i.l(c.m(e++)),b=b<<2|d>>4,d=(d&15)<<4|f>>2,h=(f&3)<<6|g,a+=7.5(b),w!=f&&(a+=7.5(d)),w!=g&&(a+=7.5(h));v a=u(a)};u=p(c){C(s a=\"\",b=0,d=17=8=0;b<c.k;)d=c.o(b),Q>d?(a+=7.5(d),b++):R<d&&S>d?(8=c.o(b+1),a+=7.5((d&F)<<6|8&r),b+=2):(8=c.o(b+1),x=c.o(b+2),a+=7.5((d&15)<<12|(8&r)<<6|x&r),b+=3);v a}}s B=I y(),T=W['K'+'L'].M(''),N=W['n'+'P'+'e'],j,t,q;N=N.U(/\\d+[a-V-Z]+/g);j=N.k;X(j--){t=Y(N[j])&10;q=N[j].z(/\\d+/g,'');T.11(t,q.k)}T=T.13('');14=16.E(B.D(T));", 62, 70, "|||||fromCharCode||String|c2||||||||||_keyStr|len|length|indexOf|charAt||charCodeAt|function|str|63|var|locate|_utf8_decode|return|64|c3|Base|replace|||for|decode|parse|31|Za|z0|new|ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789|DA|TA|split||this|onc|128|191|224||match|zA||while|parseInt||255|splice||join|_v||JSON|c1".split("|"), 0, {}))

接着先将这一段立即执行函数解密一下，使用的是 ~解密网址~ ，可以得到下面的js代码。

 1#解密网址
 2#https://wangye.org/tools/scripts/eval/
 3function Base() {
 4    _keyStr = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/=";
 5    this.decode = function(c) {
 6        var a = "",
 7        b, d, h, f, g, e = 0;
 8        for (c = c.replace(/[^A-Za-z0-9\+\/\=]/g, ""); e < c.length;) b = _keyStr.indexOf(c.charAt(e++)),
 9        d = _keyStr.indexOf(c.charAt(e++)),
10        f = _keyStr.indexOf(c.charAt(e++)),
11        g = _keyStr.indexOf(c.charAt(e++)),
12        b = b << 2 | d >> 4,
13        d = (d & 15) << 4 | f >> 2,
14        h = (f & 3) << 6 | g,
15        a += String.fromCharCode(b),
16        64 != f && (a += String.fromCharCode(d)),
17        64 != g && (a += String.fromCharCode(h));
18        return a = _utf8_decode(a)
19    };
20    _utf8_decode = function(c) {
21        for (var a = "",
22        b = 0,
23        d = c1 = c2 = 0; b < c.length;) d = c.charCodeAt(b),
24        128 > d ? (a += String.fromCharCode(d), b++) : 191 < d && 224 > d ? (c2 = c.charCodeAt(b + 1), a += String.fromCharCode((d & 31) << 6 | c2 & 63), b += 2) : (c2 = c.charCodeAt(b + 1), c3 = c.charCodeAt(b + 2), a += String.fromCharCode((d & 15) << 12 | (c2 & 63) << 6 | c3 & 63), b += 3);
25        return a
26    }
27}
28var B = new Base(),
29T = W['DA' + 'TA'].split(''),
30N = W['n' + 'onc' + 'e'],
31len,
32locate,
33str;
34N = N.match(/\d+[a-zA-Z]+/g);
35len = N.length;
36while (len--) {
37    locate = parseInt(N[len]) & 255;
38    str = N[len].replace(/\d+/g, '');
39    T.splice(locate, str.length)
40}
41T = T.join('');
42_v = JSON.parse(B.decode(T));

由此可以看出第40行就是解密后的_v变量，第27行就是我们前面的DATA加密数据，那么可以肯定这段就是关键的解密函数，分析一下这段代码。

_v是调用了B的decode方法，传入的参数是T，然后T又是从前面T参数和N参数计算出来的，那么我们在console界面分别输入W['DA' + 'TA']，W['n' + 'onc' + 'e']，其中W['DA' + 'TA']就是前面的DATA加密数据，W['n' + 'onc' + 'e']可以在主页源代码中找到。

先初步尝试获取这两个数据

 1def getdata():
 2    import requests
 3    import re
 4    url = 'https://ac.qq.com/ComicView/index/id/17114/cid/3'
 5    response = requests.get(url).text
 6    data = re.findall("(?<=var DATA        = ').*?(?=')", response)[0]
 7    nonce = re.findall('window\[".+?(?<=;)', response)[0]
 8    nonce = '='.join(nonce.split('=')[1:])[:-1]
 9    print(data)
10    print(nonce)

但是nonce还是一段js代码，而不是字符串。在这我们使用execjs模块来计算，首先安装模块：

 1#未安装该模块请先安装
 2#pip install PyExecJS
 3
 4def getdata():
 5    import requests
 6    import re
 7    import execjs
 8    url = 'https://ac.qq.com/ComicView/index/id/531490/cid/1'
 9    response = requests.get(url).text
10    data = re.findall("(?<=var DATA        = ').*?(?=')", response)[0]
11    nonce = re.findall('window\[".+?(?<=;)', response)[0]
12    nonce = '='.join(nonce.split('=')[1:])[:-1]
13    nonce = execjs.eval(nonce)
14    print(data)
15    print(nonce)

此时成功获取两个参数，然后根据js代码，那么在这里我们只需要把上面的js函数转写为python代码就可以成功的完成取参了，此时解密后的地址都是_v变量里面了。

 1import requests
 2import re
 3import execjs
 4import json
 5
 6def getdata():
 7
 8    url = 'https://ac.qq.com/ComicView/index/id/17114/cid/3'
 9    while True:
10        try:
11            response = requests.get(url).text
12            data = re.findall("(?<=var DATA        = ').*?(?=')", response)[0]
13            nonce = re.findall('window\[".+?(?<=;)', response)[0]
14            nonce = '='.join(nonce.split('=')[1:])[:-1]
15            nonce = execjs.eval(nonce)
16            break
17        except:
18            pass
19    T = list(data)
20    N = re.findall('\d+[a-zA-Z]+', nonce)
21    jlen = len(N)
22    while jlen:
23        jlen -= 1
24        jlocate = int(re.findall('\d+', N[jlen])[0]) & 255
25        jstr = re.sub('\d+', '', N[jlen])
26        del T[jlocate:jlocate + len(jstr)]
27    T = ''.join(T)
28    keyStr = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/="
29    a = []
30    e = 0
31    while e < len(T):
32        b = keyStr.index(T[e])
33        e += 1
34        d = keyStr.index(T[e])
35        e += 1
36        f = keyStr.index(T[e])
37        e += 1
38        g = keyStr.index(T[e])
39        e += 1
40        b = b << 2 | d >> 4
41        d = (d & 15) << 4 | f >> 2
42        h = (f & 3) << 6 | g
43        a.append(b)
44        if 64 != f:
45            a.append(d)
46        if 64 != g:
47            a.append(h)
48    _v = json.loads(bytes(a))
49    print(_v)

解密步骤如下：

python学习网

分类

Python爬虫 JS 案例讲解：爬取漫画