JS逆向教程：Python采集今日头条视频

最近在做今日头条文章数据抓取的过程中，发现视频地址的获取较为复杂。在源码与浏览器配合下发现对应的解决思路，故此记录一下。

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！??¤
QQ群：623406465

目录

1. 需要的Python模块
2. 实现思路
3. 代码及运行结果

正文

1.需要的Python模块

   模块主要有requests(或者aiohttp)，PyExecJS。
   前者是请求文章的源码，后者是Python执行JS代码的依赖库，主要是生成视频地址
12

1. 实现思路一. 需求主要是替换原有文章中的视频及图片地址为本地储存地址，因此需要下载资源，在针对视频分析时通过抓包发现对应的视 频地址，但是在源码及相关接口响应中都未发现对应的视频地址参数。
   通过文章源码（HTML）浏览器渲染发现video标签后期生成，视频地址也存在，那么此标签肯定通过JS生成，通过查找发现关键JS所在标签script
   
   二. 分析该地址对应的js发现里面有生成video标签的方法，在依次推断这里面有视频地址生成的方法，如下：
   
   这里可以清楚我们所要的视频地址从何而来，下面是该方法:
   
   分析该方法，发现其中有一个关键参数t，另外在图二中我们发现方法e，填入的参数v，这里让我想到之前抓包中有个接口返回的结果对应的main_url var u = o.data.video_list, h = u.video_1, v = h.main_url, 123三. 该接口为：

https://i.snssdk.com/video/urls/1/toutiao/mp4/v0201f800000bub4vq2vtt9a5oknnlp0?callback=tt__video__3e9q4q

接口返回结果中：

同时，该接口中的参数（v0201f800000bub4vq2vtt9a5oknnlp0）在源码中即可找到，可用正则匹配。
可以大胆尝试一下，将main_url值加入生成视频地址的方法中尝试下，另外需要将JS最下面的几个参数加上即：var c = new Array( - 1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 62, -1, -1, -1, 63, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, -1, -1, -1, -1, -1, -1, -1, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, -1, -1, -1, -1, -1, -1, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, -1, -1, -1, -1, -1); 1

我用的是JS调试工具（方便调试，检查代码语法），也可用其他方法

结果为：

http://v6-default.ixigua.com/b742fb26ade01b94ae81b46009d87380/5f9944fe/video/tos/cn/tos-cn-ve-31/cb2c3a57a679486eba880ef014c36ca0/?a=2011&br=1368&bt=456&cr=0&cs=0&cv=1&dr=0&ds=1&er=&l=202010281712370101941000395102D7B3&lr=&mime_type=video_mp4&qs=0&rc=M29xcmR3eXQ3eDMzM2kzM0ApZmVkZjo5OGVkNzM6PDozaWdta2gyNnEvc19fLS01Li9zczIuLl41YTFjXi8yMTReYGM6Yw%3D%3D&vl=&vr=

该地址即为视频地址，因此证明了以上的猜想正确，但是该地址参数是有时效的，因此要动态变换。可以自己测试重新生成。

1. 代码及运行结果（我采用的是异的方式）

async def get_page_source(url):
    browser = None
    page = None

    try:
        browser = await launch(
            headless=True,
            ignoreHTTPSErrors=True,
            handleSIGINT=False,
            handleSIGTERM=False,
            handleSIGHUP=False,
            defaultViewport=None,
            args=['--disable-setuid-sandbox',
                  '--no-sandbox',
                  '--ignore-certificate-errors',
                  '--disable-gpu',
                  '--disable-gpu-sandbox',
                  '--start-maximized'
                  ]
        )
        pages = await browser.pages()
        page = pages[0]
        # 是否启用JS，enabled设为False，则无渲染效果
        await page.setJavaScriptEnabled(enabled=True)

        await page.setViewport(viewport={'width': 1200, 'height': 800})
        await page.evaluateOnNewDocument(
            '() =>{ Object.defineProperties(navigator,{ webdriver:{ get: () => false } }) }')
        await page.evaluateOnNewDocument("() =>{ Object.defineProperty(navigator, 'plugins', { get: () => [] }) }")
        await page.evaluateOnNewDocument(
            "() =>{ Object.defineProperty(navigator, 'languages', { get: () => ['zh-CN','zh] }) }")
        await page.setUserAgent(
            'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36')

        await page.goto(url, {'timeout': 5000, 'waitUntil': 'load'})
        page_source = await page.content()
        return page_source
    except Exception as e:
        # app_logger.error('账号：%s, 登录错误：%s' % (username, e))
        print(e)
        return -1
    finally:
        if page is not None:
            # await page.waitFor(1000)
            await page.close()
        if browser is not None:
            await browser.close()


async def get_data(url, continue_number=0):
    """解析文章源码，提取视频，文字，图片等信息"""
    try:
        page_source = await get_page_source(url)

        # 视频处理,及视频封面
        video_message_id_ = re.findall('tt-videoid="(.*?)"', page_source)
        video_cover_ = re.findall('tt-poster="(.*?)"', page_source)
        if len(video_message_id_) > 0 and len(video_cover_) > 0:
            video_message_id = video_message_id_[0]
            video_url = await get_video_url_id(video_message_id, url)
            video_cover = await download_video_cover(video_cover_[0], url)

    except Exception as e:
        if continue_number < continue_num:
            print(e)
            # app_logger.error('function get_data error: %s' % e)
            continue_number += 1
            video_address = await get_data(url, continue_number)
            return video_address
        else:
            # app_logger.error('function get_data : %s  exceed maximum retry' % url)
            return -1


async def get_video_url_id(video_id, article_url, continue_number=0):
    """解析视频main_url"""
    header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                            'Chrome/83.0.4103.116 Safari/537.36'}
    data_url = 'https://i.snssdk.com/video/urls/1/toutiao/mp4/{}'.format(video_id)
    try:
        async with aiohttp.ClientSession(connector=TCPConnector(verify_ssl=False), timeout=timeout) as session:
            async with session.get(data_url, headers=header) as resp:
                response = await resp.json()
                if response['message'].strip() == "success":
                    data = response['data']['video_list']

                    keys = data.keys()
                    if 'video_3' in keys:
                        main_url = data['video_3']['main_url']
                        video_url = await get_video_url(main_url)
                        video_url_oss = await download_video(video_url, article_url)
                        return video_url_oss
                    elif 'video_3' not in keys and 'video_2' in keys:
                        main_url = data['video_3']['main_url']
                        video_url = await get_video_url(main_url)
                        video_url_oss = await download_video(video_url, article_url)
                        return video_url_oss
                    else:
                        main_url = data['video_3']['main_url']
                        video_url = await get_video_url(main_url)
                        video_url_oss = await download_video(video_url, article_url)
                        return video_url_oss
    except Exception as e:
        if continue_number < continue_num:
            print(e)
            # app_logger.error('function get_data error: %s' % e)
            continue_number += 1
            video_address = await get_data(url, continue_number)
            return video_address
        else:
            # app_logger.error('function get_data : %s  exceed maximum retry' % url)
            return -1


async def get_video_url(main_url, continue_number=0):
    """获取视频地址，js执行"""
    try:
        tt = """var c = new Array( - 1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 62, -1, -1, -1, 63, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, -1, -1, -1, -1, -1, -1, -1, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, -1, -1, -1, -1, -1, -1, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, -1, -1, -1, -1, -1);
        function e(t) {
                var e, o, i, r, n, a, s;
                for (a = t.length, n = 0, s = ""; a > n;) {
                    do e = c[255 & t.charCodeAt(n++)];
                    while (a > n && -1 == e);
                    if ( - 1 == e) break;
                    do o = c[255 & t.charCodeAt(n++)];
                    while (a > n && -1 == o);
                    if ( - 1 == o) break;
                    s += String.fromCharCode(e << 2 | (48 & o) >> 4);
                    do {
                        if (i = 255 & t.charCodeAt(n++), 61 == i) return s;
                        i = c[i]
                    } while ( a > n && - 1 == i );
                    if ( - 1 == i) break;
                    s += String.fromCharCode((15 & o) << 4 | (60 & i) >> 2);
                    do {
                        if (r = 255 & t.charCodeAt(n++), 61 == r) return s;
                        r = c[r]
                    } while ( a > n && - 1 == r );
                    if ( - 1 == r) break;
                    s += String.fromCharCode((3 & i) << 6 | r)
                }
                return s
            }"""
        js = execjs.compile(tt)
        result = js.call('e', main_url)
        return result
    except Exception as e:
        if continue_number < continue_num:
            # app_logger.error('function get_video_url error: %s' % e)
            continue_number += 1
            video_address = await get_video_url(main_url, continue_number)
            return video_address
        else:
            # app_logger.error('function get_video_url  exceed maximum retry')
            return -1

总结该项目是JS反爬的一种，相对来说不是很复杂，未采用JS代码混淆，参数加密等，查找方向上障碍不是很多，后期碰到复杂点的会继续更新分享的