scrapy学习之爬虫练习平台22

前言

上一篇文章中爬取了爬虫练习平台的所有 ssr 网站，都是比较简单的，没有反爬措施，这次来爬一下后面的 spa 系列。

环境准备

这里沿用了上篇文章的环境和设置，就不重新搭建环境了。

开始爬取

spa1

spa1 说明如下：

电影数据网站，无反爬，数据通过 Ajax 加载，页面动态渲染，适合 Ajax 分析和动态页面渲染爬取。

还是无反爬，Ajax 加载数据，那么最简单的方法就是打开 Chrome 控制台，找 xhr 请求。

image

一共有两个请求，第一个请求经过了 301 重定向，所以实际接收到数据的是第二个请求。

image

查看数据，基本数据都有了，但是没有作者信息，随便点击一个电影，查看详细信息，查找接口。

image

通过 id 和另一个 API 接口获取详细信息，可以找到作者，OK，开始写代码。

其他代码和之前从 HTML 中解析数据的逻辑一致，只是在解析方法上不一样。

class SPA1Spider(scrapy.Spider):

    name = "spa1"

    def start_requests(self):

        urls = [

            f'https://spa1.scrape.center/api/movie/?limit=10&offset={a}' for a in range(0, 100, 10)

        ]

        for url in urls:

            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response, **kwargs):

        result = response.json()

        for a in result['results']:

            item = SPA1Item()

            item['title'] = a['name'] + a['alias']

            item['fraction'] = a['score']

            item['country'] = '、'.join(a['regions'])

            item['time'] = a['minute']

            item['date'] = a['published_at']

            yield Request(url=response.urljoin(f'/api/movie/{a["id"]}/'), callback=self.parse_person,

                          meta={'item': item})

    def parse_person(self, response):

        result = response.json()

        item = response.meta['item']

        item['director'] = result['directors'][0]['name']

        yield item

因为是通过 API 接口进行遍历的，所以使用总的页数进行循环就可以得到所有的起始 URL。

然后通过读取 JSON 格式的响应，依次循环获取数据，然后进入到详情页获取作者信息，最后返回数据。

完整代码详见https://github.com/libra146/learnscrapy/tree/spa1

spa2

spa2 说明如下：

电影数据网站，无反爬，数据通过 Ajax 加载，数据接口参数加密且有时间限制，适合动态页面渲染爬取或 JavaScript 逆向分析。

和 spa1 相比多了一个数据接口参数加密，先打开控制台看一下多了什么参数。

image

接口没有变，只是多了一个 token 参数，接下来来寻找一下这个 token 是怎么生成的。

既然是网络请求，而且 URL 中包含 token，那么分析 token 来源就要从 URL 断点入手。

image

下断点，凡是包含 token 字符串的 URL 全部会断下，刷新页面，断点断下，格式化 js 代码，可以看到断下的位置为 send 函数，用来发送请求。

image

按照右侧调用栈依次往下看，发现在 onFetchData 函数附近发现了 token 参数，取消 URL 断点，在 token 的生成位置下断点。重新刷新页面，断点断下。

image

选中断下的这行代码，看下 e 的值正好就是 token，单步进入代码查看具体执行了什么。

image

看不到具体的信息，应该是在执行 Object(i["a"])，步出，继续单步跟。

image

前边的 Object(i["a"]) 执行后应该是一个函数，传入的参数是当前的 URL，单步进入。

image

进入到了新的代码块，这次可以看到 sha1 函数和 base64 函数，应该是加密函数所在位置了，单步走一下看都用到了什么信息。

image

首先获取了当前的时间戳信息，然后从 arguments 中获取传入的 URL 参数。

image

循环完之后将当前的 URL 和时间戳都压入 r 这个数组中。

image

将数组使用逗号连接起来，计算 sha1 值。

image

将计算结果和时间戳再次使用逗号连接起来，然后通过 base64 编码得到 token。

别急，还没完，获取首页信息的 token 算法已经有了，但是获取详细信息的页面 URL 是这样的：

image

token 应该和上一个请求是一样的，但是红框中这一段信息上个请求没有返回，那么只可能是本地生成的，我解码看了下，结果是：ef34#teuq0btua#(-57w1q5o5--j@98xygimlyfxs*-!i-0-mb1 一堆看起来像乱码的东西，还得分析它是怎么来的，既然都用到了 token，那么它在计算完前边这段信息之后肯定会去计算 token 的，所以继续下 token 断点然后往前找就可以了，话不多说继续下断点。

image

仍然是断在了 send 函数上，继续寻找熟悉的 onFetchData 函数，熟悉的 token，取消 URL 断点，在 token 生成这一行下断点，刷新页面。

image

可以看到在计算 token 时 URL 已经被计算好了，然后网上看，正好 URL 的值来自于 e 这个变量，e 的值来自于 o 这个函数，OK，重新下断点，刷新页面。

image

断下，但是看样子 o 函数只是格式化了 key 参数，key 是在之前就计算好了，这里并没有计算 key 的流程，看了下其他的调用栈，应该是 vue 被混淆之后的样子，太乱了，此路不通，换条路走。

既然 key 是提前计算好的，那么全局搜索 key，看看是在哪个函数中给 key 赋值的。

image

一共 9 个匹配，挨个找也不多，其他的都排除掉了，找到了这个，熟悉的 router-link（这不是 vue 中生成 a 标签方法嘛），熟悉的 detail（URL 中包含这个字符串），熟悉的 key，应该是它没错了，下断点，刷新页面。

image

传入了当前电影的 id 值，因为我点击的是第一个电影，所以它的 id 是 1，单步步入。

image

加密方式一目了然，这串乱码竟然是硬编码进去的，哈哈，很坑有木有。所以加密方式就是这串硬编码的字符串加上电影的 id 然后使用 base64 编码即可。

好了，两个加密方法都分析好了，可以写代码了，完整代码如下：

class SPA2Spider(scrapy.Spider):

    name = "spa2"

    @staticmethod

    def sign(url):

        t = str(int(time.time()) - random.randint(1, 20))

        s = ','.join([url, t])

        return base64.b64encode(','.join([sha1(s.encode()).hexdigest(), t]).encode()).decode()

    def start_requests(self):

        urls = [

            f'http://spa2.scrape.center/api/movie/?limit=10&offset={a}&token={self.sign("/api/movie")}' for a in

            range(0, 100, 10)

        ]

        for url in urls:

            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response, **kwargs):

        result = response.json()

        for a in result['results']:

            item = SPA2Item()

            item['title'] = a['name'] + a['alias']

            item['fraction'] = a['score']

            item['country'] = '、'.join(a['regions'])

            item['time'] = a['minute']

            item['date'] = a['published_at']

            s = 'ef34#teuq0btua#(-57w1q5o5--j@98xygimlyfxs*-!i-0-mb'

            detail = base64.b64encode((s + str(a["id"])).encode()).decode()

            yield Request(url=response.urljoin(f'/api/movie/{detail}/?token={self.sign("/api/movie/" + detail)}'),

                          callback=self.parse_person,

                          meta={'item': item})

    def parse_person(self, response):

        result = response.json()

        item = response.meta['item']

        item['director'] = result['directors'][0]['name']

        yield item

为了防止爬取时时间戳都是一样的，加了一点的随机偏移。

完整代码详见https://github.com/libra146/learnscrapy/tree/spa2

spa3

spa3 说明如下：

电影数据网站，无反爬，数据通过 Ajax 加载，无页码翻页，下拉至底部刷新，适合 Ajax 分析和动态页面渲染爬取。

无加密，无反爬，但是也没有页码，也就是说不能直接构造好所有的起始 URL，要在爬取的过程中去计算，代码如下：

class SPA3Spider(scrapy.Spider):

    name = "spa3"

    offset = 0

    url = 'https://spa3.scrape.center/api/movie/?limit=10&offset=%s'

    def start_requests(self):

        urls = [self.url % self.offset]

        for url in urls:

            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response, **kwargs):

        result = response.json()

        for a in result['results']:

            item = SPA3Item()

            item['title'] = a['name'] + a['alias']

            item['fraction'] = a['score']

            item['country'] = '、'.join(a['regions'])

            item['time'] = a['minute']

            item['date'] = a['published_at']

            yield Request(url=response.urljoin(f'/api/movie/{a["id"]}/'), callback=self.parse_person,

                          meta={'item': item})

        if self.offset < result['count']:

            # 因为每次请求限制10条数据，所以每次将偏移量+10

            self.offset += 10

            yield Request(url=self.url % self.offset, callback=self.parse)

    def parse_person(self, response):

        result = response.json()

        item = response.meta['item']

        item['director'] = result['directors'][0]['name']

        yield item

由于没有页码，所以起始 URL 的偏移只能从 0 开始，根据 limit 逐渐增大，停止条件就是偏移量大于响应中的 count 字段的值。其他的逻辑和 spa1 是一样的，不多说。

完整代码详见https://github.com/libra146/learnscrapy/tree/spa3

spa4

spa4 说明如下：

新闻网站索引，无反爬，数据通过 Ajax 加载，无页码翻页，适合 Ajax 分析和动态页面渲染抓取以及智能页面提取分析。

spa4 和 spa3 基本上的逻辑是一致的，只是爬取内容不一样。

class SPA4Spider(scrapy.Spider):

    name = "spa4"

    offset = 0

    limit = 100

    url = f'https://spa4.scrape.center/api/news/?limit={limit}&offset=%s'

    def start_requests(self):

        urls = [self.url % self.offset]

        for url in urls:

            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response, **kwargs):

        result = response.json()

        print(response.url)

        for a in result['results']:

            item = SPA4Item()

            item['code'] = a['code']

            item['published_at'] = a['published_at']

            item['title'] = a['title']

            item['updated_at'] = a['updated_at']

            item['url'] = a['url']

            item['website'] = a['website']

            # 新闻网址都是外部链接，抓取方式都不一样，就不抓取具体信息了

            yield item

        if int(result['count']) > self.offset:

            self.offset += self.limit

            yield Request(url=self.url % self.offset, callback=self.parse)

由于 spa4 数据量太大，这里为了学习就不全部爬取了，点到为止。

完整代码详见https://github.com/libra146/learnscrapy/tree/spa4

spa5

spa5 说明如下：

图书网站，无反爬，数据通过 Ajax 加载，有翻页，适合大批量动态页面渲染抓取。

图书网站，需要爬取的内容又不一样了，需要新建一个新的 item，其他的内容和上面的爬取方法是一致的。

class SPA5Spider(scrapy.Spider):

    name = "spa5"

    offset = 0

    limit = 18

    url = f'https://spa5.scrape.center/api/book/?limit={limit}&offset=%s'

    def start_requests(self):

        urls = [self.url % self.offset]

        for url in urls:

            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response, **kwargs):

        result = response.json()

        print(response.url)

        for a in result['results']:

            item = SPA5Item()

            item['title'] = a['name']

            item['author'] = '/'.join(a['authors'] or [])

            yield Request(url=f'https://spa5.scrape.center/api/book/{a["id"]}/', callback=self.parse2,

                          meta={'item': item})

        if int(result['count']) > self.offset:

            self.offset += self.limit

            yield Request(url=self.url % self.offset, callback=self.parse)

    def parse2(self, response):

        item = response.meta['item']

        result = response.json()

        item['price'] = result['price'] or 0

        item['time'] = result['published_at']

        item['press'] = result['publisher']

        item['page'] = result['page_number']

        item['isbm'] = result['isbn']

        yield item

先从基本数据中记录下 title 和 author，然后再进入到详细信息页面获取到书本的其他信息，最后存储到数据库。

完整代码详见https://github.com/libra146/learnscrapy/tree/spa5

spa6

spa6 说明如下：

电影数据网站，数据通过 Ajax 加载，数据接口参数加密且有时间限制，源码经过混淆，适合 JavaScript 逆向分析。

经过分析及测试，sp6 和 spa2 貌似是一样的接口，直接使用 spa2 的代码就可以获取到数据，所以就不重复写了。