RPC通用爬虫

RPC通用爬虫

一、项目案例

• 测试网址: aHR0cDovL3d3dy5mYW5nZGkuY29tLmNuL3NlcnZpY2UvYnVsbGV0aW5fbGlzdC5odG1sP3R5cGVhPWI2N2MzYjhhZGJkY2U3NGQ=

二、Rpc原理解析

图解关系:

​ 主要包括,爬虫程序、Web服务器、WebScoket服务器、浏览器

核心流程：

​ 爬虫程序调用服务器，可传入参数给服务器，服务器接收到参数后创建一个WS连接，连接到WebSocket服务器；WebSocket服务器其实什么都没有做，就是将消息传递浏览器。因为我们提前替换一些代码，相当于进行hook(找到参数加密解密逻辑，然后利用window定义全局变量),后续传递消息给浏览器，让它帮助我们完成加密解密的工作。将加密参数或是解密参数结果直接返回，发送给WebSocket服务器，最后经过Web服务器返回给我们的爬虫，继续请求服务器获取数据。

启动顺序:

​ 1.WebSocket服务器;

​ 2.断点浏览器，注入JS代码 建立与WS的连接;

​ 3.Web服务器开启等待请求，建立WS连接;

​ 4.Spider调用服务器接口;

三、Rpc代码分享

• WebSocket服务器

  '''
  模块依赖
  pip install websockets
  pip install sanic
  '''
  import re
  import asyncio
  import websockets
  
  # TODO: 消息转发 握手原则
  BROWSER_KEYWORD = "regist"
  PYTHON_SERVER_KEYWORD = "sanic2"
  # ws链接内存存储
  browser_info: dict = {}
  sanic_info: dict = {}
  
  async def dispatch_action(ws, path):
      """
      请求分发,存储不同的连接
      :param ws: 服务器与连接对象的连接
      :param path: 请求路径
      :return:
      """
      # action_name 标识 连接对象身份 ...
      re_result = re.compile("/(?P.*?)\?name=(?P.*)").search(path)
      action_name: str = re_result.group("action_name")
      proj_name: str = re_result.group("proj_name")
  
      # 连接保存 对应存储连接对象 {}
      if action_name == PYTHON_SERVER_KEYWORD:  # Python
          sanic_info[action_name] = ws
      elif action_name == BROWSER_KEYWORD: #  browser
          browser_info[action_name] = ws
      return action_name
  
  
  async def handler(ws, path):
      """
      主要处理ws请求
      :param ws:服务器与连接对象的连接
      :param path: 请求路径
      :return:
      """
      action_name = await dispatch_action(ws, path)
      print("有人来了: =>>>", action_name)
      # 收到数据,转发数据 可以基于Json
      async for msg in ws: #msg 参数 或者是 返回值
          # 请求控制
          if action_name == PYTHON_SERVER_KEYWORD:
              # 发送给浏览器 连接对象
              await browser_info[BROWSER_KEYWORD].send(msg)
          # 返回加密结果
          elif action_name == BROWSER_KEYWORD:
              # 发送给服务器 连接对象
              await sanic_info[PYTHON_SERVER_KEYWORD].send(msg)
  
  async def main():
      async with websockets.serve(handler, "127.0.0.1", 8868) as rpcfucktheworld:
          print("webScoketServer start ...")
          await asyncio.Future()
  
  
  '''
  启动的顺序很重要
  1.websocketserver
  2.browser
  3.webserver
  4.spider
  
  process:
  spider <=> webserver <=> websocketserver <=> browser 
  '''
  
  if __name__ == '__main__':
      asyncio.run(main())
  
  

• Browser浏览器

      (function (){
          // 建立连接
          const socket = new WebSocket('ws://127.0.0.1:8868/regist?name=ooxx');
      // 接收到消息时的回调函数
          socket.addEventListener('message', function (event) {
              const obj = JSON.parse(event.data);
  
              // obj 所有的参数
              console.log("参数来了:", obj)
              // 植入js代码搞一波....
              window.FUCK1();
              const result = {
                  // any you want to return value...
                  "MmEwMD":window.FUCK2(obj.url),
                  "cookie": document.cookie,
              }
              console.log("数据打包回家:", result)
                  socket.send(JSON.stringify(result));
          });
      })()
  
  

• WebServer服务器

  '''
  第三方模块下载:
  pip install websockets
  pip install sanic
  '''
  import json
  import websockets
  from sanic.request import Request
  from sanic.response import text
  from sanic import Sanic
  
  app = Sanic(__name__)
  
  # http://localhost:8089/getSign?projName=ooxx
  
  # TODO:初步完成一部服务器的搭建 简易版本 支持传参 针对某一个项目
  
  @app.route("/getSign", methods=["GET", "POST"])
  async def get_sign(request: Request):
      proj_name = request.args.get('projName')
      if not proj_name:
          raise Exception("请输入项目名称！")
  
      proj_params: dict = request.json
      print("来了:", proj_params, type(proj_params))
      async with websockets.connect("ws://127.0.0.1:8868/sanic2?name={}".format(proj_name)) as ws:
          await ws.send(json.dumps(proj_params))
          result = await ws.recv()
          return text(result)
  
  if __name__ == '__main__':
      app.run(host="127.0.0.1", port=8089, debug=True)  # spider view
  
  

• Spider爬虫程序

  import json
  import requests
  import time
  
  
  
  class PinduoduoSpider():
      def __init__(self):
          self.page = 1
          self.url = "https://脱敏处理/spike_list"
          self.headers = {
              ......
          }
  
      def get_anti_content(self):
          anti_content = requests.get("http://脱敏处理/getSign?projName=脱敏处理").json()["data"]
          return anti_content
  
      def task(self):
          response = requests.get(self.url, headers=self.headers, params={
              "page": self.page,
              "size": "50",
              "anti_content": self.get_anti_content()
          })
  
          print(response.json())
  
      def run(self):
          while True:
              self.task()
              print("当前页码:" + "=" * 20 + '>>>', self.page)
              self.page += 1
              time.sleep(2)
  
  
  if __name__ == '__main__':
      脱敏处理().run()
  
  

四、自我总结

1、关于爬虫这件事:
通过对RPC框架进行学习，我发现如果我们越了解服务器架构，后端开发，运维开发，就越有认知和思想。
例如:Scrapy分布式 采用Redis作为消息队列，可以开启多个Scrapy爬虫程序对指定网站进行数据抓取。优点：支持断点续爬虫，可以持续不断的采集数据，worker处于阻塞状态，等待任务到来然后执行对应的爬虫逻辑，这为抓取成千上万的数据提供了结实的基础。利用Redis里面的集合，我们可以对数据进行去重，从而保证了数据的唯一性；利用Redis里面的列表，我们可以实现消息队列，对请求对象进行排序，更多精彩部分在下期分享。

2.RPC运用场景:
当你找到了参数加密或解密位置，但是其逻辑非常复杂你就可以使用RPC搭建一套服务器框架，快速远程调用获取想要的参数。

3.RPC优缺点:
RPC优点>: 不用逆向了，直接获取结果，直接拿到结果，逻辑非常简单依赖网络协议，各个程序之间的通信。
RPC缺点>: 采集速度太慢，性能不好，速度不够快，只能暂时解决问题，采集更多的数据有一定的困难；必须开启本地浏览器(or selenium模拟)，浪费资源。
列，对请求对象进行排序，更多精彩部分在下期分享。

2.RPC运用场景:
当你找到了参数加密或解密位置，但是其逻辑非常复杂你就可以使用RPC搭建一套服务器框架，快速远程调用获取想要的参数。

3.RPC优缺点:
RPC优点>: 不用逆向了，直接获取结果，直接拿到结果，逻辑非常简单依赖网络协议，各个程序之间的通信。
RPC缺点>: 采集速度太慢，性能不好，速度不够快，只能暂时解决问题，采集更多的数据有一定的困难；必须开启本地浏览器(or selenium模拟)，浪费资源。