【Python3爬虫】常见反爬虫措施及解决办法（三）

上一篇博客的末尾说到全网代理IP的端口号是经过加密混淆的，而这一篇博客就将告诉你如何破解！如果觉得有用的话，不妨点个推荐哦~

一、全网代理IP的JS混淆

首先进入全网代理IP，打开开发者工具，点击查看端口号，看起来貌似没有什么问题：

如果你已经爬取过这个网站的代理，你就会知道事情并非这么简单。如果没爬过呢？也很简单，点击鼠标右键然后查看网页源代码，搜索”port“，可以找到如下内容：

很明显这不是网页上显示的端口号了，那我们要怎么才能得到真正的端口号呢？

解决办法：

首先需要找到一个JS文件：http://www.goubanjia.com/theme/goubanjia/javascript/pde.js?v=1.0，点开后可以看到如下内容：

这么复杂的JS代码看得人头都大了，不过我们发现这个JS代码是一个eval函数，那我们能不能把它解码一下呢？这时候你需要一个工具--脚本之家在线工具，把这些JS代码复制进去：

然后点击解码：

还是一个eval函数，所以再次解码：

到这一步，已经比最开始的代码简洁多了，但是还易读性还是很差，所以我们需要先格式化一下：

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) {}
});
});

可以看到有一个列表和一个函数，而这个函数应该就是混淆的函数了，但是这列表里的数据都是十六进制的，还需要解码一下（这一步可以用Python来做）：

_ = ["\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', '']

然后把这个列表里的元素添加到上面的JS函数中，可以得到如下结果：

 $(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) {}
   });
 });

可以看到这段JS代码就是先找到每个端口节点，然后把端口的class值提取出来，再进行拆分字符串，然后获取每个字母在”ABCDEFGHIZ“中的下标值，并把这些值拼接成字符串，再转为整型数据，最后把这个整型数据向右移3位。比如”GEA“对应的下标组成的字符串是”640“，转为整型数据后向右移3位的结果就是80，也就是真实的端口值了。最后附上用Python解密端口号的代码：

 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、用图片代替文字

之前就有人评论说有的网站使用图片代替文字以实现反爬虫，然后我这次就找到了一个网站--新蛋网，随意点击一个商品查看一下：

打开开发者工具，然后点击查看价格，想不到价格居然是通过图片来显示的：

解决办法：

我找到两个可以得到价格的办法，一个简单的，一个难一点的。简单的方法是用正则表达式，因为在源码中的其他地方是包含商品的基本信息的，比如名称和价格，所以我们可以使用正则表达式进行匹配，代码如下：

 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)

难一点的方法是把图片下载到本地之后进行识别，由于这个图片的清晰度很高，也没有扭曲或者加入干扰线什么的，所以可以直接使用OCR进行识别。但是用这种方法的话需要安装好Tesseract-OCR，这个工具的安装过程还是比较麻烦的。用这种方法破解的代码如下：

 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