爬虫系列(二) Chrome抓包分析

在这篇文章中，我们将尝试使用直观的网页分析工具（Chrome 开发者工具）对网页进行抓包分析

更加深入的了解网络爬虫的本质与内涵

1、测试环境

浏览器：Chrome 浏览器

浏览器版本：67.0.3396.99 (正式版本) (32 位)

网页分析工具：开发者工具

2、网页分析

（1）网页源代码分析

我们知道，网页有静态网页和动态网页之分，很多人会误认为静态网页就是没有动态效果的网页，其实这种说法是不对的

静态网页 是指没有后台数据库的不可交互网页，常以 .htm、.html、.xml 为后缀
动态网页 是指能与后台数据库进行数据传递的可交互网页，常以 .aspx、 .asp、 .jsp、 .php 为后缀

另外，目前很多动态网站都采取了 异步加载技术 (Ajax)，这就是很多时候抓取到的源代码和网站显示的源代码不一致的原因

至于如何爬取动态网页，这里提供两种方法：

一是下面即将讲到的通过抓包分析 Ajax 请求
二是利用 Selenium 等工具进行动态渲染，这个可以参考我的另一篇文章 —— selenium的基本使用

下面我们以京东商品为例，分析如何通过 Chrome 进行抓包，我们首先打开某个商品的首页

https://item.jd.com/10072615543.html

来到网页空白处单击鼠标右键，选择 查看网页源代码（或者使用快捷键 Ctrl+U 直接打开）

请注意，查看网页源代码 得到的是网站最原始的源代码，也就是通常我们抓取到的源代码

再次来到网页空白处单击鼠标右键，选择 检查（或者使用快捷键 Ctrl+Shift+I / F12直接打开）

请注意，检查得到的是是经过 Ajax 加载和 JavaScript 渲染的源代码，也就是当前网站显示内容的源代码

经过对比之后，我们可以发现两者的内容是不一样的，这就是 异步加载技术 (Ajax) 的典型例子

就目前来说至少京东商品的价格是通过异步加载生成的，这里提供三种方法判断网页中某个内容是否为动态生成：

一是分析查看网页源代码生成的源代码，可以在其中寻找动态请求的典型语句，也可以将其与检查生成的源代码进行比较
二是通过以下将要讲解的网页抓包分析来判断，这种方法最为常用，应当好好掌握
三是一种取巧的方法，就是禁用 Chrome 浏览器的 JavaScript 加载

具体可以在 Chrome 的地址栏中输入 chrome://settings/content/javascript 来到 JavaScript 的设置页面

然后将 JavaScript 的选项关闭，这时候重新刷新网页，就会看到原来显示价格的地方出现了空白

这就表明原来的价格是通过 JavaScript 动态生成的

（2）网页抓包分析

我们还是以京东商品为例进行讲解，打开某个商品的首页，尝试抓取动态加载的商品价格数据

https://item.jd.com/10072615543.html

使用快捷键 Ctrl+Shift+I 或 F12打开开发者工具，然后选择 Network 选项卡 进行抓包分析

此时按下快捷键 F5 刷新页面，可以看到开发者工具中出现了各种各样的包，我们使用 Filter 对包进行过滤

首先，我们选中 Doc，可以看到列表中只出现了一个包

一般来说，这个就是浏览器接收到的第一个包，用于获取请求网站的原始源代码

点击 Header 可以看到它的头部参数设置

点击 Response 可以看到返回的源代码，容易发现，它其实和 查看网页源代码 返回的信息是一致的

下面让我们重新回到正题，对于动态加载的抓包分析，主要看 XHR 和 JS 选项卡即可

选中 JS 进行过滤，发现列表中出现了好多包，经过分析，我们筛选出下图中加标记的包

这个包返回的是关于价格的信息，可是经过仔细分析发现，这些价格并不是属于当前商品的，而是属于相关商品的

但是怎么说这个包还是和价格相关的，我们还是先看看这个包的请求 URL 吧

https://p.3.cn/prices/mgets?callback=jQuery1609108&type=1&area=1_72_2799_0&pdtk=&pduid=1539779074977382417990&pdpin=&pin=null&pdbp=0&skuIds=J_25630711066%2CJ_26395831446%2CJ_20823451030%2CJ_11332156897%2CJ_14020547214%2CJ_26498549638&ext=11100000&source=item-pc

对包括 callback 等不必要的参数进行筛选，可以得到简单而有效的 URL

https://p.3.cn/prices/mgets?skuIds=J_25630711066%2CJ_26395831446%2CJ_20823451030%2CJ_11332156897%2CJ_14020547214%2CJ_26498549638

直接用浏览器打开该 URL，可以看到返回的的确是包含价格信息的 JSON 数据（只可惜是其他商品的价格）

分析该 URL 的参数，可以推测 skuId 应该就是每一个商品独一无二的标志了，那么我们所需要的商品的 skuId 究竟可以在哪里找到呢？

事实上，SKU 是一个在物流、运输等产业中常用的缩写，其全称是 Stock Keeping Unit（库存量单位）

即库存进出计量的基本单元，现在已经被引申为产品统一编号的简称，每种产品均对应有唯一的 SKU

回顾我们刚开始进入的商品首页，https://item.jd.com/10072615543.html

这其中不是就隐藏着当前商品的唯一号码标识（10072615543）了吗？不妨一试！

果然，访问商品价格的完整 URL 我们就可以得到了，https://p.3.cn/prices/mgets?skuIds=10072615543

通过直接访问该网址我们就可以得到当前商品的价格信息

事实上，我们还可以对该 URL 进行适当的泛化以适应京东所有商品的价格爬取

很简单，只需要将 skuIds 作为参数独立分离出来即可，https://p.3.cn/prices/mgets?skuIds={ID}

通过泛化后的 URL ，理论上只要能得到商品的 skuId，我们就可以访问对应商品的价格

【爬虫系列相关文章】