爬虫学习-Scrape Center闯关(spa系列1-3)
场景
上次写了ssr系列，它主要依靠服务器渲染代码，并且没有什么困难的地方，主要学习的是请求中的技巧和html页面元素的定位抓取等爬虫基础技巧。这次记录的是spa系列的1-3个，因为这三个是一个电影网站其他只是细节不同，记录起来比较容易点，这个系列的代码数据都通过Ajax加载，页面动态渲染，主要学习的是通过接口获取json数据并处理以及js的逆向分析，难度提升了一大截，这个系列我的目标是爬取首页每个电影的标题，主题，评分以及电影详情页里面的电影剧情
技术
json数据的处理，js逆向分析
关卡 spa1
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。
这关主要学习的是通过接口抓取指定的json数据并处理
import json
import urllib3
import requests
import pandas as pdurllib3.disable_warnings() #去除因为网页没有ssl证书出现的警告
url,title,theme,score,content = [],[],[],[],[]
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/87.0.4280.141 Safari/537.36'}
global url_list,title_list,theme_list,score_list,content_list
for i in range(0,10):the_url = "https://spa1.scrape.center/api/movie/?limit=10&offset="+str(i*10)index=requests.get(the_url,headers=headers,verify=False)dict_data = json.loads(index.text) #将响应的内容转化为jsonfor x in range(0,10):title.append(dict_data['results'][x]['name']+dict_data['results'][x]['alias'])theme.append(str(dict_data['results'][x]['categories']).replace('[','').replace(']','').replace("'",''))score.append(dict_data['results'][x]['score'])
for y in range(1,101):the_url="https://spa1.scrape.center/api/movie/"+str(y)+"/"response=requests.get(the_url,headers=headers,verify=False)dict_data = json.loads(response.text)content.append(dict_data['drama'])bt = {'标题':title,'主题':theme,'评分':score,'剧情介绍':content
}
work = pd.DataFrame(bt)
work.to_csv('work.csv')spa2
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 逆向分析。
这关主要学习的是js的逆向分析
分析网站主页token产生的js
通过打开网站主页面，发现接口多了一个token的值
而且点开电影详情页面，接口不仅多了一个token值，而且在movie/后面多了一串字符串
先对网站主页的token进行分析，在浏览器调试工具中调试相关js代码，分析token的产生加密方法
因为是网络请求，并且url中包括token，所以通过url断点入手
下断点，刷新请求
在send函数处断下
在右侧的栈依次往下看，在函数中发现了token的值，取消url断点，在token处设下断点，刷新请求
()向后面传入了当前的url，单步进入后面的代码，进入新的代码块，这次可以看到 sha1 函数和 函数，应该是加密函数所在位置了，进行单步调试
首先可以看到时间戳，然后从中获取了当前的url
然后进行循环，循环之后将当前url和时间戳放进了r中，
第10页的网站页面是这样的
我们可以发现除了时间戳因为时间变化之外，中间的数值也改变了，我们可以看出来中间的数值的规律是：
假设当前页面为n，数值的值为a
a=(n-1)*10
r的值放到SHA1加密函数中进行加密，出来的值为o
然后将o的值和时间戳t放进进行加密，加密后的值为c
然后返回
可以看到最后token的值就是我们刚才的c值
这样，token的加密方式就已经解出来了，步骤为：
o=sha1(url,(页面数-1)*10,时间戳)=>c=(o,时间戳)=> token=c
转换为代码为：
SHA1加密
t = int(time.time()) #获取10位整数的时间戳s1 = f'/api/movie,{i*10},{t}'o = hashlib.sha1(s1.encode('utf-8')).hexdigest() #进行SHA1加密
加密
str_str = str(f"{o},{t}")bytesStr = str_str.encode(encoding='utf-8')b64str = base64.b64encode(bytesStr) #最后的base64加密b64str = b64str.decode('utf-8') # 将字节转换为str
就是最后的token的值了,在这个过程中需要注意的是两次加密，共用的是同一个时间戳，并不是一次加密获取一个
分析网站电影详情页的url中的加密
我们刚开始看到在电影详情页面中除了token之外还有一串加密的字符
我们接下来的目标就是分析token和这串字符的产生方式
url中字符串的加密分析
这串字符是固定的，尝试直接url断点，然后堆栈往下读，到了熟悉的函数
设置断点，清除掉url断点，继续刷新请求单步调试
可以看到在上面的e变量已经url计算好了，e变量来源于o变量，调整断点，进行断点调试，但是在调试的过程中发现值来源于key参数，但是在调试中并没有找到key的计算来源，只能全局搜索key，看看key是怎么来的
一共9个匹配项，一点点调试可疑的，最后找到
设置断点，刷新，单步进入
继续调试
最后可以看到那串加密过的字符串，加密的方式是通过n这个固定的字符串变量+t，而t则表示的是第几个电影,然后经过加密
所以加密的方式为:
(ef34##(-–j@*-!i-0-mb+t)
url中token分析
而token和上面的基本一致，但是中间的一些细节可能不一样，在分析过程中，加密方式的大致流程也是先SHA1加密，然后再加密，但是中间的参数却是不一样了
大致流程为：
o=sha1(url,0,时间戳)=>c=(o,时间戳)=> token=c
但是url中在后面加入了刚才的字符串，中间的本来是页数，现在固定为0
这部分代码的加密和上面的类似，就不再单独写
最后，所有的加密方式以及对应的代码都已经分析好了
单线程
import base64
import json
import time
import urllib3
import requests
import pandas as pd
import hashliburllib3.disable_warnings() #去除因为网页没有ssl证书出现的警告
url,title,theme,score,content = [],[],[],[],[]
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/87.0.4280.141 Safari/537.36'}
global url_list,title_list,theme_list,score_list,content_list,tdef token1():t = int(time.time()) # 获取10位整数的时间戳s1 = f'/api/movie,{i*10},{t}'o = hashlib.sha1(s1.encode('utf-8')).hexdigest() #进行SHA1加密str_str = str(f"{o},{t}")bytesStr = str_str.encode(encoding='utf-8')b64str = base64.b64encode(bytesStr) #最后的base64加密b64str_all = b64str.decode('utf-8') # 将字节转换为strreturn b64str_alldef token2():a = 'ef34#teuq0btua#(-57w1q5o5--j@98xygimlyfxs*-!i-0-mb' + str(y)bytesStr = a.encode(encoding='utf-8')b64str = base64.b64encode(bytesStr).decode('utf-8')return b64str
def decode2(b64str):t = int(time.time()) # 获取10位整数的时间戳s1 = f'/api/movie/{b64str},0,{t}'o = hashlib.sha1(s1.encode('utf-8')).hexdigest() # 进行SHA1加密str_str =(f"{o},{t}")bytesStr = str_str.encode(encoding='utf-8')b64str = base64.b64encode(bytesStr) # 最后的base64加密b64str_all = b64str.decode('utf-8') # 将字节转换为strreturn b64str_allfor i in range(0,10):the_url = "https://spa2.scrape.center/api/movie/?limit=10&offset="+str(i*10)+"&token="+token1()index=requests.get(the_url,headers=headers,verify=False)dict_data = json.loads(index.text) #将响应的内容转化为jsonfor x in range(0,10):title.append(dict_data['results'][x]['name']+dict_data['results'][x]['alias'])theme.append(str(dict_data['results'][x]['categories']).replace('[','').replace(']','').replace("'",''))score.append(dict_data['results'][x]['score'])for y in range(i*10+1,i*10+11):the_url = "https://spa2.scrape.center/api/movie/" + token2() + '/?token=' + decode2(token2())response = requests.get(the_url, headers=headers, verify=False)dict_data_1 = json.loads(response.text)content.append(dict_data_1['drama'])bt = {'标题':title,'主题':theme,'评分':score,'剧情介绍':content
}
work = pd.DataFrame(bt)
work.to_csv('work.csv')多线程
import base64
import datetime
import hashlib
import threading
import time
import pandas as pd
import json
import requests
import urllib3urllib3.disable_warnings() #去除因为网页没有ssl证书出现的警告
title,theme,score,content = [],[],[],[]
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/87.0.4280.141 Safari/537.36'}def token1(i):t = int(time.time()) # 获取10位整数的时间戳s1 = f'/api/movie,{i*10},{t}'o = hashlib.sha1(s1.encode('utf-8')).hexdigest() #进行SHA1加密str_str = str(f"{o},{t}")bytesStr = str_str.encode(encoding='utf-8')b64str = base64.b64encode(bytesStr) #最后的base64加密b64str_all = b64str.decode('utf-8') # 将字节转换为strreturn b64str_alldef token2(y):a = 'ef34#teuq0btua#(-57w1q5o5--j@98xygimlyfxs*-!i-0-mb' + str(y)bytesStr = a.encode(encoding='utf-8')b64str = base64.b64encode(bytesStr).decode('utf-8')return b64str
def decode2(b64str):t = int(time.time()) # 获取10位整数的时间戳s1 = f'/api/movie/{b64str},0,{t}'o = hashlib.sha1(s1.encode('utf-8')).hexdigest() # 进行SHA1加密str_str =(f"{o},{t}")bytesStr = str_str.encode(encoding='utf-8')b64str = base64.b64encode(bytesStr) # 最后的base64加密b64str_all = b64str.decode('utf-8') # 将字节转换为strreturn b64str_alldef index():for i in range(0, 10):the_url = "https://spa2.scrape.center/api/movie/?limit=10&offset=" + str(i * 10) + "&token=" + token1(i)index = requests.get(the_url, headers=headers, verify=False)dict_data = json.loads(index.text) # 将响应的内容转化为jsonfor x in range(0, 10):title.append(dict_data['results'][x]['name'] + dict_data['results'][x]['alias'])theme.append(str(dict_data['results'][x]['categories']).replace('[', '').replace(']', '').replace("'", ''))score.append(dict_data['results'][x]['score'])return title,theme,scoredef details():for y in range(1,101):the_url = "https://spa2.scrape.center/api/movie/" + token2(y) + '/?token=' + decode2(token2(y))response = requests.get(the_url, headers=headers, verify=False)dict_data_1 = json.loads(response.text)content.append(dict_data_1['drama'])return contentif __name__=='__main__':begin = datetime.datetime.now()t1 = threading.Thread(target=index)t2 = threading.Thread(target=details)t1.start()t2.start()t1.join()t2.join()bt = {'标题': title,'主题': theme,'评分': score,'剧情介绍': content}work = pd.DataFrame(bt)work.to_csv('work.csv')stop = datetime.datetime.now()print(stop-begin) # 40s
因为想尝试一下单线程与多线程的区别，所以两种都写了一种，但是最后结果有点让人脑袋疼，多线程最后运行的时间和单线程的差不多，而且多次测试中，有时候还会比单线程更慢
spa3
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。
这关是没有页码，下拉直接刷新，通过分析我们可以看出来，这个是通过构造api连接，limit控制个数，控制从第几个开始，api直接提供了所有的东西，所以直接把第一关的拿过来稍微改改就可以使用
总代码
import json
import urllib3
import requests
import pandas as pdurllib3.disable_warnings() #去除因为网页没有ssl证书出现的警告
title,theme,score,content = [],[],[],[]
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/87.0.4280.141 Safari/537.36'}
global url_list,title_list,theme_list,score_list,content_list
for i in range(0,10):the_url = "https://spa3.scrape.center/api/movie/?limit=10&offset="+str(i*10)index=requests.get(the_url,headers=headers,verify=False)dict_data = json.loads(index.text) #将响应的内容转化为jsonfor x in range(0,10):title.append(dict_data['results'][x]['name']+dict_data['results'][x]['alias'])theme.append(str(dict_data['results'][x]['categories']).replace('[','').replace(']','').replace("'",''))score.append(dict_data['results'][x]['score'])content.append(dict_data['results'][x]['drama'])
bt = {'标题':title,'主题':theme,'评分':score,'剧情介绍':content
}
work = pd.DataFrame(bt)
work.to_csv('work.csv')
