关于工作中爬取网站的一些思路记录

声明：只是因为工作中需要，且基本不会对别人的网站构成什么不好的影响，做个思路记录！！！
尊重网站所有者、控制请求频率、遵守网站规则、尊重个人隐私

平常工作中难免会遇到需要爬取别人网站的需求，例如爬取兑换之类的流程，把接口爬取下来封装到项目中，这种一般不会对别人的网站有什么的影响，因为也是正常流程下单，例如下面的活动截图：

• 1、先理解需求，从需求和界面上看，很容易知道我们基本只需要获取两个接口，一个是发送验证码接口，一个是兑换接口。当然也可能存在前置接口，具体情况具体分析
• 2、先不要急着分析网站源码，可以先尝试找个手机号发送验证码，看看请求了哪些接口，接口的参数是什么，返回的数据是什么，例如：
  
  
• 3、从请求接口的参数的返回分析，这个网站的数据部分接口需要加密，部分不需要，如果不需要加密的接口，基本很容易就获取请求参数，这里可以大胆猜测accessId、reqId可能为uuid，reqMethod为请求的方法，encrypted表示接口请求参数是否需要加密，但是光这样看有点难以看出data和dataKey是什么加密算法加密而成，dataKey大概率是解密data的关键密钥。这里建议一般情况下看一下加密后的数据的长度，是不是一些比较特殊的长度，比如36位、512位之类的长度，可以根据这个长度大胆猜测是否是平常常用的算法。
• 4、对网站有个大概的数据交互认识之后，我们就可以知道难点基本在数据加密这一块，这时候就可以来看源码了，这里的思路我一般是直接定位到“发送验证码”的按钮上，然后找到F12控制台元素的事件监听器的click事件上，直接进入相关的代码中，就可以看到这个按钮的点击事件的代码了。
• 5、网站的代码都是经过编译的，且一般线上是不会直接开放源代码的，这种时候如何光看编译过后的代码，有时候是比较难以理解，这种时候就需要打断点，一步步调试了，看函数的参数和返回值，以及大概的处理过程。
• 6、前面已经分析过了，难点就在加密算法上，经过代码分析找到加密部分的代码，如下图：
  
  从这段的代码中，存在RSA和AES的字眼，且打断点都走了这些函数，可以看出这个网站是AES+RSA结合使用进行加密的。

AES+RSA：使用RSA秘钥生成工具生成一对公钥（A）和私钥（B），前端保留A，后端保留B。
前端发送数据时，先生成一串随机16位字符串作为AES的秘钥（C），然后使用A使用RSA算法对C进行加密，得到加密后的AES秘钥（D）。将要发送的数据（E）用C使用AES加密，得到密文（F）。将D和F一同发给后端进行处理。
后端处理数据时，先用B对D使用RSA进行解密得到C，用C对F使用AES进行解密得到E，处理后得到结果G，再用C对G进行AES加密得到H，将H返回给前端。
前端接收到H后用C进行解密，得到处理的结果G。

根据AES和RSA的配合流程来看，这里没有直接返回RSA公钥，而是根据摸和指数来生成RSA公钥然后加密AES私钥，用AES私钥去加密数据进行传输，但是从前面请求参数来看，跟我们平常看到的AES和RSA字符串不一样，显然还做了相关的转换，dataKey字段只有数字和小写字母，平常看到的加密数据还有大写字母、+、/等。

• 7、这里有一个比较难的地方就是“new no.RSAKeyPair(e,“”,t,2048)”这个对象，这个对象去加密随机生成的AES密钥生成dataKey字段，这里我也是看了半天，打断点半天，也难以理解，因为编译后很多变量是单个字母，且你需要换算成你自己项目的语言，如JAVA、Python等，有时候是比较难的，这时候你可能会想我能不能反编译一下js文件，那你可以尝试一下，比如找一些在线的网站上传文件看看能不能反编译，希望你能成功
• 8、遇到难点无法继续下的时候怎么办呢？给大家提供一种思路，就是尝试直接拷贝它的js文件下来，然后在项目去执行它的函数，获取结果，我这里是使用JAVA、jdk1.8版本，由JavaScript引擎去执行js文件中的函数，根据上面的截图，我只需要执行Fp()函数即可拿到dataKey，和随机生成的AES私钥。
  当然你如果直接执行拷贝下来的js文件大概率是失败，会报各种错误，例如jdk1.8不支持ES6语法，你需要先转化成ES5语法格式（es6转es5在线网站：https://babeljs.io/repl，需要勾选左侧下面的"FORCE ALL TRANSFORMS"），其次你需要把不需要用到的代码都删掉，只留加密部分的代码，可以根据入口函数一步步找到所有需要的变量和函数等，可以根据报错一步步处理，这也是个小挑战~

public static void main(String[] args) {
        // 创建JavaScript引擎
        ScriptEngineManager manager = new ScriptEngineManager();
        ScriptEngine engine = manager.getEngineByName("js");

        try {
            // 加载JavaScript文件
            engine.eval(new FileReader("C:\\Users\\win\\Desktop\\index2.js"));
            // 执行JavaScript函数
            Object result = engine.eval("Fp()");
            
            // 这里是我习惯用serr打印测试日志，因为标红比较显眼
            System.err.println("Function Result: " + JSONObject.toJSONString(result));
            // 拿到Fp()函数返回的dataKey等数据
            JSONObject object = JSONObject.parseObject(JSONObject.toJSONString(result));
            // 要加密的数据
            String content = "{\"appId\":\"xxxx\"}";
            System.err.println("加密前的数据：" + content);
            // 加密后的数据
            String encryptAES = encryptAES(content, object.getString("key"), object.getString("iv"));
            System.err.println("加密后的数据：" + encryptAES);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    /**
     * AES加密
     * @param plaintext 要加密的数据
     * @param key
     * @param iv
     */
    public static String encryptAES(String plaintext, String key, String iv) {
        try {
            SecretKeySpec secretKey = new SecretKeySpec(key.getBytes(StandardCharsets.UTF_8), "AES");
            IvParameterSpec ivParameterSpec = new IvParameterSpec(iv.getBytes(StandardCharsets.UTF_8));
            Cipher cipher = Cipher.getInstance("AES/CBC/PKCS5Padding");
            cipher.init(Cipher.ENCRYPT_MODE, secretKey, ivParameterSpec);

            byte[] encryptedBytes = cipher.doFinal(plaintext.getBytes(StandardCharsets.UTF_8));
            return bytesToHex(encryptedBytes).toUpperCase();
        } catch (Exception e) {
            log.error("AES加密异常,{}", e.getMessage());
            return "";
        }
    }

    private static String bytesToHex(byte[] bytes) {
        StringBuilder result = new StringBuilder();
        for (byte b : bytes) {
            result.append(String.format("%02X", b));
        }
        return result.toString();
    }

• 9、终极方案：无头浏览器！！！如果上面还不能解决你的问题，你可以尝试使用无头浏览器，模拟人工点击操作，当然这比接口慢很多，但你不需要考虑网站的加密和接口调用等等，按照人工操作的流程执行即可。注意，无头浏览器你可能需要考虑代理ip和请求头问题，尽可能模拟真实的操作，一直使用同一个ip和userAgent有可能会被检测到。

/**
     * 获取浏览器驱动
     */
    private WebDriver getDriver(Param pm) {
        // 设置随机的设备 user-agent 和屏幕大小
        Map<String, Object> mobileEmulation = new HashMap<>();
        Map<String, Object> map = new HashMap<>();
        Dimension randomScreenSize = getRandomScreenSize();
        map.put("width", randomScreenSize.getWidth());
        map.put("height", randomScreenSize.getHeight());
        mobileEmulation.put("deviceMetrics", map);
        if (pm != null && Func.isNotBlank(pm.getUserAgent())) {
        	// 设置UA
            mobileEmulation.put("userAgent", pm.getUserAgent());
        }

        //谷歌浏览器设置
        ChromeOptions options = new ChromeOptions();
        // 隐藏浏览器、无头浏览器
        options.addArguments("-headless");
        options.setExperimentalOption("mobileEmulation", mobileEmulation);
        // 打开F12
//        options.addArguments("--auto-open-devtools-for-tabs");
        // 启动无沙盒模式运行，以最高权限运行
        options.addArguments("--no-sandbox");
        // 不加载图片, 提升速度
        options.addArguments("blink-settings=imagesEnabled=false");
        
        options.addArguments("--disable-dev-shm-usage");
        // 禁用gpu渲染
        options.addArguments("--disable-gpu");
        // 禁用阻止弹出窗口
        options.addArguments("--disable-popup-blocking");
        // 禁用扩展
        options.addArguments("disable-extensions");
        // 禁用默认浏览器检查
        options.addArguments("no-default-browser-check");
        // 忽略不信任证书
        options.addArguments("–ignore-certificate-errors");
        // 禁用自动化控制特性
        options.addArguments("--disable-blink-features=AutomationControlled");
        // 禁用通知
        options.addArguments("--disable-notifications");
        // 禁用信息栏
        options.addArguments("--disable-infobars");
        // 禁用日志记录
        options.addArguments("--disable-logging");

        LoggingPreferences logPrefs = new LoggingPreferences();
        logPrefs.enable(LogType.PERFORMANCE, Level.ALL);
        options.setCapability("goog:loggingPrefs", logPrefs);

        // 禁用默认应用程序
        options.addArguments("--disable-default-apps");
        // 静音
        options.addArguments("--mute-audio");
        // 禁用自动化标志
        options.setExperimentalOption("excludeSwitches", new String[]{"enable-automation"});

        // 设置代理ip
        if (pm != null && Func.isNotBlank(pm.getProxyIp())) {
            String proxyAddress = pm.getProxyIp() + ":" + pm.getProxyPort();

            Proxy proxy = new Proxy();
            proxy.setHttpProxy(proxyAddress);
            proxy.setSslProxy(proxyAddress);
            options.setProxy(proxy);
        }
        return new ChromeDriver(options);
    }

谷歌浏览器驱动路径：https://googlechromelabs.github.io/chrome-for-testing/#stable

public void handle(Param pm) {
        WebDriver driver = null;
        try {
            if (Func.isBlank(pm.getUserAgent())) {
            	// 这个工具类只是随机生成userAgent的工具类
                pm.setUserAgent(UserAgentUtil.getUserAgent());
            }
			// 谷歌浏览器驱动路径,注意驱动版本问题
            System.setProperty("webdriver.chrome.driver", "F:/chromedriver-win64/chromedriver.exe");
            driver = getDriver(pm);
//            driver.manage().window().maximize();
            // 进入页面
            driver.get("https://xxx");

            JavascriptExecutor js = (JavascriptExecutor) driver;
            //添加cookie
            if (pm.getCookies() != null && pm.getCookies().size() > 0) {
                setCookie(js, pm.getCookies());
            }
            // 隐式等待
            driver.manage().timeouts().implicitlyWait(10, TimeUnit.SECONDS);

          	// 其他相关处理代码
          	...
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            if (driver != null) {
                driver.quit();
            }
        }
    }