node爬虫进阶之 |
您所在的位置：网站首页 › 如何绕过网站登录qq › node爬虫进阶之 |
node爬虫进阶之
|
在上一篇Node 爬虫入门已经介绍过最简单的 Node 爬虫实现，本文在原先的基础上更进一步，探讨一下如何绕过登录，爬取登录区内的数据 目录 理论基础 如何维持登录态 浏览器是怎么做的 node实现 访问登录接口获取cookie 请求登录区内接口 如果有验证码怎么破 延伸 总结 一、理论基础 如何维持登录态Http 作为一种无状态的协议，客户端和服务器端之间不会保持长连接。在一个一个相互独立的请求响应之间，服务器如何识别哪些接口是来自同一个客户端？聪明的你，很容易想到如下一种机制：  sessionId.png
这种机制的核心在于会话id（sessionId）： 当客户端请求服务器端的时候，服务端判断该客户端没有传入sessionId，好的，这家伙是新来的，给它生成一个sessionId，存入内存，并把这个sessionId返回客户端 客户端拿到服务器端的sessionId保存在本地，下次请求的时候带上这个seesionId，服务器检查内存是否存在这个sessionId(如果在之前的某个步骤，用户访问了登录接口，那么此刻内存中已经以seesionId为key，用户数据为value保存在了内存中)，服务器就可以根据sessionId这个唯一标识，返回该客户端对应的数据 无论是客户端还是服务器端丢失了这个sessionId都会导致前面的步骤重新来过，谁也不认识谁了，重新开始首先客户端通过sessionId和服务器端建立一种关联，然后用户再通过客户端与服务器端建立一种关联（sessionId与用户数据的键值对），从而维持了登录态 浏览器是怎么做的实际上，浏览器是不是按照上述的机制设计的呢？还真是！  bs-sid.png
这其中浏览器做了哪些事情：一、 浏览器在每一次http请求中，都会在http的请求头中加上该请求地址域名对应的cookie（如果cookie没有被用户禁用的话），在上图中，第一个次请求服务器请求头中同样有cookie，只是cookie中还没有sessionId二、 浏览器根据服务器响应头中的Set-Cookie设置cookie，为此，服务器会将生成的sessionId放入Set-cookie中 浏览器接收到Set-Cookie指令，就会以请求地址的域名为key设置本地cookie，一般情况下，服务器在返回Set-cookie的时候，对sessionId的过期时间默认设置为浏览器关闭时失效，这就是浏览器从打开到关闭就是一次会话的由来（有些网站还可以设置保持登录，设置cookie长时间不失效尔尔） 三、 当浏览器再次向后台发起请求时，此时请求头中的cookie已经包含了sessionId，如果在此之前用户已经访问过登录接口，那么就已经可以根据sessionId来查询到用户数据了 口说无凭，下面就以简书为例说明：1). 首先用 Chrome 打开简书的登录页面，在 Application 中找到 http://www.jianshu.com 下的所 Cookie，进入 Network 项中把 `Preserve log 勾选上（不然页面发生了重定向之后将无法看到之前的 log）  简书登录
2). 然后刷新页面，找到 Sign-in 接口，它的响应头中有很多 Set-Cookie 有木有  简书登录
3). 再去查看 Cookie 的时候，Session-id 已经保存好了，下次再去请求简书的其它接口的时候（例如获取验证码、登录），都会带上这个 Session-id，登录后用户的信息也会跟 Session-id 关联起来  简书登录
二、node实现
我们需要模拟浏览器的工作方式，去爬去网站登录区内的数据找了一个没有验证码的网站进行试验，有验证码的又要涉及到验证码识别（简书的登录就不考虑了，验证码复杂程度感人），下节说明 访问登录接口获取cookie // 浏览器请求报文头部部分信息 var browserMsg={ "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.71 Safari/537.36", 'Content-Type':'application/x-www-form-urlencoded' }; //访问登录接口获取cookie function getLoginCookie(userid, pwd) { userid = userid.toUpperCase(); return new Promise(function(resolve, reject) { superagent.post(url.login_url).set(browserMsg).send({ userid: userid, pwd: pwd, timezoneOffset: '0' }).redirects(0).end(function (err, response) { //获取cookie var cookie = response.headers["set-cookie"]; resolve(cookie); }); }); }需要现在 Chrome 下捕获一次请求，获取一些请求头的信息，因为服务器可能会对这些请求头信息进行校验。例如，在我实验的网站上，起初我并没有传入 User-Agent，服务器发现并不是来自服务器的请求，返回了一串错误信息，所以我之后设置 User-Agent，把自己伪装成 Chrome浏览器了~~ Superagent是一个 client-side Http Request库，使用它可以跟轻松的发送请求，处理 Cookie(自己调用 Http.request 在操作 Header 字段数据上就没有这么方便，获得 Set-cookie 之后，还得自己拼装成合适的格式 Cookie)。redirects(0) 主要是设置不进行重定向 请求登录区内接口 function getData(cookie) { return new Promise(function(resolve, reject) { //传入cookie superagent.get(url.target_url).set("Cookie",cookie).set(browserMsg).end(function(err,res) { var $ = cheerio.load(res.text); resolve({ cookie: cookie, doc: $ }); }); }); }在上一步中拿到 Set-cookie 之后，传入 getData 方法，在通过 Superagent 设置到请求当中（Set-cookie会格式化成 Cookie）,就可以正常拿到登录去内的数据 在实际的场景中，未必会如此顺利，因为不同的网站有不同的安全措施，例如：有些网站可能需要先请求一个 Token ，有些网站需要对参数进行加密处理，有些安全性更高的，还有防重放机制。在定向爬虫中，这需要具体的去分析网站的处理机制，如果绕不过去，就适可而止吧~~但是对付一般内容资讯类的网站还是够用的 通过以上方式请求到的只是一段 Html 字符串，这里还是老办法，使用 Cheerio 库将字符串载入，就可以拿到一个类似于 Jquery dom 的对象，就可以像 Jquery 一样去操作 dom，这真的是一个神器，良心制作！ 三、如果有验证码怎么破现在不需要输验证码就可以登录的网站还有几个？当然我们就不企图去识别12306的验证码了，简书这种良心之作验证码也不奢望了，像知乎这种 too young too simple 的验证码还是可以挑战下的 如果非要识别这些复杂的验证码也不是没有办法，花钱买专业打码软件的服务（抢票黄牛就是这么干的），毕竟人家是专业的  知乎登录
Tesseract 是google开源的OCR识别工具，虽然跟node没有什么关系，但是可以用node来调度使用，具体使用方式：用node.js实现验证码简单识别 然而即便是使用graphicsmagick来对图片进行预处理，也不能保证有很高的识别率，为此还可以对tesseract进行训练，参考：利用jTessBoxEditor工具进行Tesseract3.02.02样本训练，提高验证码识别率 能不能做到高识别率，就看人品了~~~ 四、延伸还有一种更简单的方式去绕过登录态，就是使用PhantomJS，phantomjs是一个基于webkit开源的服务器js api，可以认为它就是一个浏览器，只是你可以通过js脚本来操控它。 由于其完全模拟浏览器的行为，所以你根本不需要关心set-cookie,cookie的事情，只需要模拟用户的点击操作就可以了（当然如果有验证码，还是得去识别的） 这种方式也并非毫无缺点，完全模拟浏览器的行为，意味者不放过任何一个请求，需要载入可能你并不需要的js、css等静态资源，需要点击多个页面才能到达目的页面，在效率上要比直接访问target url要低 感兴趣自行搜索phontomJS 五、总结虽然说的是node爬虫的登录，但是前面原理讲了一大堆，目的是如果你想换一种语言实现，也可以游刃有余，还是那句话：理解原理很重要 干货不断，期待您的关注~~ |
【本文地址】