(￣▽￣)~*又得半夜修仙了，作为一个爬虫小白，花了3天时间写好的程序，才跑了一个月目标网站就更新了，是有点悲催，还是要只有一天的时间重构。
升级提示.png
升级后网站的层次结构并没有太多变化，表面上是国家企业信用信息公示系统 的验证码又升级了。之前是 点按后滑动拼图方式:
图片.png
现在的验证码主要是按顺序点击图片汉字验证码，但也不排除会出现以前的点按拖动验证码：
图片.png
验证码的破解这里就不详细介绍了，需要的可以私信我们一起讨论研究下，详细可参考极验验证码破解-源码+破解手册，极验二代和三代验证码破解的方式基本都是一个套路的东西。
爬虫的过程
- 破解加速乐最新反爬虫机制获取cookie
- 传入cookie获取 gt 和 challenge 参数 （破解验证码必须的参数）
- 破解验证码
- 带上cookie，提交参数跳转下一层
- 抓取数据，这就非常简单了
破解加速乐获取cookie
网站更新前是不需要这个步骤的，这次重构代码的时间主要就花在这了。一开始我用 get 方式直接访问 http://www.gsxt.gov.cn/SearchItemCaptcha ，获取 gt 和 challenge 参数 ，但是却返回错误521，于是我发现不仅仅是这个接口，但是发现根本连首页都进不去，返回错误页面403 forbidden，而且细心发现返回的并不是正常的乱码而是一串js代码。
< script >
var x = "__jsl_clearance@1515751840@w7ZgszEX@addEventListener@18@Fri@reverse@i@else@l@_phantom@if@captcha@3D@false@Jan@dc@catch@935@var@chips@Expires@Array@cookie@charAt@10@function@@D@__phantomas@vHA@while@GMT@4@attachEvent@setTimeout@cd@for@href@Path@challenge@replace@try@1500@6@length@86w@return@onreadystatechange@12@window@TAGGl@location@40@3@@B@document@0@join@DOMContentLoaded@11@e@2".replace(/@*$/, "").split("@"),
y = "k a=r(){w(P.b||P.u){};k B,h='1=2.j|10|';B=n(+[[(+!+[])]+[([-~-~~~![]]+~~{}>>-~-~~~![])]]);k l=['Q',(!{}+[[], -~{}][~~![]]).p(-~[(-~{}<<-~{})]),'3',[{}+[[], -[com.cn.chaomeng.utils.GsxtUtils] - 初始cookie密文：
~{}][~~![]]][10].p(T-~~~![]-~~~![]+T),'%',[{}+[[], -~{}][~~![]]][10].p(([-~-~~~![]]+~~{}>>-~-~~~![])),'V',(+{}+[[], -~{}][~~![]]).p(15),'L',(15+[]+[[]][(+[])]),'t',([][~~{}]+[]+[]).p(y),'v',(-~[]/~~![]+[[], -~{}][~~![]]).p(J),'%e'];C(k 8=10;8
/
到这里取cookie只传递了一个__jsluid 的COOKIES值。
__jsluid=8d61794e23c2bff4a5c997b272729fba;
Google 了一下，发现这是 加速乐的一个爬虫防护机制)。浏览器第二次请求的时候会带上 __jsluid cookies和JS解密计算出来的一个叫做__jsl_clearance的cookies值，只有这两个cookies验证匹配才认为是合法的访问身份。
这个确实花费了不少时间，知道了问题所在就简单多了，仔细分析上面的js代码就会发现我们要的东西就是这个方法：
eval(y.replace(/\b\w+\b/g,
function(y) {
return x[f(y, z) - 1]
})
接下来就简单，用的是JAVA分析的 ，JAVA的js引擎还是挺好用的。稍微改造下js代码
resHtml = "function getClearance(){" + resHtml+"};";
resHtml = resHtml.replace("", "");
resHtml = resHtml.replace("eval", "return");
resHtml = resHtml.replace("