【Python3爬蟲】常見反爬蟲措施及解決辦法（三）

 上一篇博客的末尾說到全網代理IP的端口號是經過加密混淆的，而這一篇博客就將告訴你如何破解！如果覺得有用的話，不妨點個推薦哦~

 

一、全網代理IP的JS混淆

首先進入全網代理IP，打開開發者工具，點擊查看端口號，看起來貌似沒有什么問題：

如果你已經爬取過這個網站的代理，你就會知道事情並非這么簡單。如果沒爬過呢？也很簡單，點擊鼠標右鍵然后查看網頁源代碼，搜索”port“，可以找到如下內容：

很明顯這不是網頁上顯示的端口號了，那我們要怎么才能得到真正的端口號呢？

解決辦法：

 首先需要找到一個JS文件：http://www.goubanjia.com/theme/goubanjia/javascript/pde.js?v=1.0，點開后可以看到如下內容：

這么復雜的JS代碼看得人頭都大了，不過我們發現這個JS代碼是一個eval函數，那我們能不能把它解碼一下呢？這時候你需要一個工具--腳本之家在線工具，把這些JS代碼復制進去：

 然后點擊解碼：

 

還是一個eval函數，所以再次解碼：

到這一步，已經比最開始的代碼簡潔多了，但是還易讀性還是很差，所以我們需要先格式化一下：

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) {}
});
});

可以看到有一個列表和一個函數，而這個函數應該就是混淆的函數了，但是這列表里的數據都是十六進制的，還需要解碼一下（這一步可以用Python來做）：

_ = ["\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', '']

然后把這個列表里的元素添加到上面的JS函數中，可以得到如下結果：

$(function() {
  $(".port")["each"](function() {
    var a = $(this)["html"]();
    if (a["indexOf"]("*") != -0x1) {
      return;
    }
    var b = $(this)["attr"]("class");
    try {
      b = b["split"](" ")[0x1];
      var c = b["split"]("");
      var d = c["length"];
      var f = [];
      for (var g = 0x0; g < d; g++) {
        f["push"]("ABCDEFGHIZ"["indexOf"](c[g]));
      }
      $(this)["html"](window["parseInt"](f["join"]("")) >> 0x3);
    } catch (e) {}
  });
});

可以看到這段JS代碼就是先找到每個端口節點，然后把端口的class值提取出來，再進行拆分字符串，然后獲取每個字母在”ABCDEFGHIZ“中的下標值，並把這些值拼接成字符串，再轉為整型數據，最后把這個整型數據向右移3位。比如”GEA“對應的下標組成的字符串是”640“，轉為整型數據后向右移3位的結果就是80，也就是真實的端口值了。最后附上用Python解密端口號的代碼：

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

 

二、用圖片代替文字

之前就有人評論說有的網站使用圖片代替文字以實現反爬蟲，然后我這次就找到了一個網站--新蛋網，隨意點擊一個商品查看一下：

打開開發者工具，然后點擊查看價格，想不到價格居然是通過圖片來顯示的：

解決辦法：

 我找到兩個可以得到價格的辦法，一個簡單的，一個難一點的。簡單的方法是用正則表達式，因為在源碼中的其他地方是包含商品的基本信息的，比如名稱和價格，所以我們可以使用正則表達式進行匹配，代碼如下：

import re
import requests


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

難一點的方法是把圖片下載到本地之后進行識別，由於這個圖片的清晰度很高，也沒有扭曲或者加入干擾線什么的，所以可以直接使用OCR進行識別。但是用這種方法的話需要安裝好Tesseract-OCR，這個工具的安裝過程還是比較麻煩的。用這種方法破解的代碼如下：

import requests
import pytesseract
from PIL import Image
from lxml import etree


url = "https://www.newegg.cn/Product/A36-125-E5L.htm?neg_sp=Home-_-A36-125-E5L-_-CountdownV1"
res = requests.get(url)
et = etree.HTML(res.text)
img_url = et.xpath('//*[@id="priceValue"]/span/strong/img/@src')[0]
with open('price.png','wb') as f:
     f.write(requests.get(img_url).content)
pytesseract.pytesseract.tesseract_cmd = 'E:/Python/Tesseract-OCR/tesseract.exe'
text = pytesseract.image_to_string(Image.open('price.png'))
print(text)
# 6999.00