目錄
一、概述
二、爬取流程
1、爬取評論
1.1、資源定位
1.2、爬取準備
1.3、代碼實作
2、爬取聽歌記錄
2.1、資源定位
2.2、爬取準備
2.3、js劫持
三、總結
一、概述
第一次學爬蟲，正常來講應該是爬百度百科或者是豆瓣之類的，但這倆網站我沒興趣，是以選擇爬網易雲。
學習過程中主要參考該網址。
二、爬取流程
1、爬取評論
1.1、資源定位
當我們進入網易雲音樂的網頁版，進入一首歌的頁面：
我們可以看到歌名、歌詞、評論、相似歌曲、收藏該歌曲的歌單等。
這些資訊我們如何得知的？
浏覽器向網易的伺服器發送請求，網易的伺服器傳回資料，浏覽器再給我們看。
嗯，意思就是，如果我們能模仿浏覽器的請求，讓網易的伺服器把我們想要的資訊給我們，這樣我們就能不斷的收集資訊了。
這也就是爬蟲的基本功能了。
怎麼看浏覽器向網易發送請求呢？f12。
當我們在按下f12之後按f5重新整理網頁時，控制台就會顯示所有的浏覽器向用戶端發出的請求。
注意，第一行為“Network”。filter選擇“All”。
下面有一大堆亂七八糟的東西：jpg、png、js這些是檔案，還有一些像是網址的東西：cdns？csrf_token=。看不明白。
由于我們需要的是浏覽器向伺服器發出的請求，我們不要選擇“All”，選擇“XHR”。這個XHR是個什麼？
XMLHttpRequest對象(簡稱XHR)是ajax技術的核心,ajax可以無重新整理更新頁面得益于xhr。
沒怎麼看明白，不過不要緊，這個是前端的活，不用了解。看XHR之後，隻剩下以下幾項：
這不是之前看起來很像是網頁的東西嘛。随便點進去一個看看，這個lyric看上去應該是歌詞：
嗯，猜對了。也就是說，我們想要爬取歌詞的話，就要分析這個。
R_SO呢？這個是啥？
看上去應該是評論。成了，我們需要的就是這個。
于是我們就找到了評論的位置。
對于一些小網站，對反爬蟲沒什麼要求或者是沒有那麼多資源的話，整個網頁的内容都在element裡面。xhr是一個沒有的，比如這樣一個小說網站：
網易雲應該是爬的人太多了加上為了使用者體驗，是以用了那麼多XHR。
1.2、爬取準備
既然我們知道了評論是由XHR中的某一條顯示的，那就看看這一條裡面有什麼：
先看Headers，這是浏覽器向伺服器發送的資訊儲存的位置：
第一個url很有用，要記下來。
再看Response Headers，回複頭部？應該是伺服器傳回的資訊的頭部：
時間啊，解碼方式什麼的。伺服器竟然用的是nginx，有點熟悉。
然後是Request Headers，重頭戲：
這個是浏覽器發往伺服器的request的頭部，主要記住兩個參數：referer和user-agent。這兩個參數在伺服器傳回cheating時候加載head裡。
接下來是Form data。不知道有什麼用：
來分析一下：
我們的浏覽器向伺服器發送一條請求：
發送的位址應該就是第一個url，通過Request Headers表明我的身份。那問題來了：如何表明我的目的呢？
比如說我的目的是要殘酷天使的行動綱領這首歌的第100-200條評論，那麼我們要發給伺服器的資訊有：
歌名：殘酷天使的行動綱領
需求：評論
條數：100
起始評論：第100條
一共四個關鍵資訊。
根據我們分析這個XHR，顯示提供的資訊有：url、浏覽器配置、時間等。
平平無奇。
這說明有隐式資訊。
首先分析顯示資訊的url：
https://music.163.com/weapi/v1/resource/comments/R_SO_4_657666?csrf_token=
當我們調換不同的歌的時候，發現該url整體不會變動，隻有R_SO後面的數字會變。是以，這數字就是我們傳遞的一個變量，該數字應與歌一一對應。
url中的comments指的是評論，可以與我們的需求對應上。
現在還有兩個關鍵資訊，不能顯示傳遞：起始評論和評論條數。
url有傳遞過去的參數。藏在哪裡呢？
藏在Form Data裡。
這兩串好長的字元串是加密過的，解密的過程參見我在第一部分所示的連結。
我的主要代碼也是參考的這位大佬。
解密的過程可以不去在意，但是這種定位方式一定要學會，十分有用。
1.3、代碼實作
大佬的代碼為python2，如下：
#coding = utf-8
from Crypto.Cipher import AES
import base64
import requests
import json
headers = {
'Cookie': 'appver=1.5.0.75771;',
'Referer': 'http://music.163.com/'
}
first_param = "{rid:\"\", offset:\"0\", total:\"true\", limit:\"20\", csrf_token:\"\"}"
second_param = "010001"
third_param = "00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7"
forth_param = "0CoJUm6Qyw8W8jud"
def get_params():
iv = "0102030405060708"
first_key = forth_param
second_key = 16 * 'F'
h_encText = AES_encrypt(first_param, first_key, iv)
h_encText = AES_encrypt(h_encText, second_key, iv)
return h_encText
def get_encSecKey():
encSecKey = "257348aecb5e556c066de214e531faadd1c55d814f9be95fd06d6bff9f4c7a41f831f6394d5a3fd2e3881736d94a02ca919d952872e7d0a50ebfa1769a7a62d512f5f1ca21aec60bc3819a9c3ffca5eca9a0dba6d6f7249b06f5965ecfff3695b54e1c28f3f624750ed39e7de08fc8493242e26dbc4484a01c76f739e135637c"
return encSecKey
def AES_encrypt(text, key, iv):
pad = 16 - len(text) % 16
text = text + pad * chr(pad)
encryptor = AES.new(key, AES.MODE_CBC, iv)
encrypt_text = encryptor.encrypt(text)
encrypt_text = base64.b64encode(encrypt_text)
return encrypt_text
def get_json(url, params, encSecKey):
data = {
"params": params,
"encSecKey": encSecKey
}
response = requests.post(url, headers=headers, data=data)
return response.content
if __name__ == "__main__":
url = "http://music.163.com/weapi/v1/resource/comments/R_SO_4_30953009/?csrf_token="
params = get_params();
encSecKey = get_encSecKey();
json_text = get_json(url, params, encSecKey)
json_dict = json.loads(json_text)
print json_dict['total']
for item in json_dict['comments']:
print item['content'].encode('gbk', 'ignore')
有以下幾點要注意：
第一，代碼使用了Crypto.Cipher包，這個包我安裝失敗，可以通過安裝pycrypto代替。
第二，由于我用的python3，而python3和2的一大差別就是str與bytes的分家，是以有以下幾句代碼要更改一下：
def get_params():
iv = "0102030405060708"
first_key = forth_param
second_key = 16 * 'F'
h_encText = AES_encrypt(first_param.encode(), first_key, iv)#第一個參數要更改
h_encText = AES_encrypt(h_encText, second_key, iv)
return h_encText
def AES_encrypt(text, key, iv):
pad = 16 - len(text) % 16
text2=bytes(pad * chr(pad),encoding='gbk')#這裡也要改
text3 = text + text2#這裡也要改
encryptor = AES.new(key, AES.MODE_CBC, iv)
encrypt_text = encryptor.encrypt(text3)
encrypt_text = base64.b64encode(encrypt_text)
return encrypt_text
第三，該url需要五個參數，在代碼中展現為：
first_param = "{rid:\"\", offset:\"0\", total:\"true\", limit:\"20\", csrf_token:\"\"}"
即：rid，offset，total，limit，token。
整份代碼絕大多數工作就是把這五個參數組成的bytes轉換為加密後的形式。
其中，rid是歌曲id，這個為空的話就直接預設是url帶的參數，是以可以無視掉，當我們需要在爬蟲中換歌的時候就要用這個了；
offset是偏移量，也就是相對第一個評論向後便宜多少；
total在第一頁是true，其餘是false。
其實知道參數以後自己試就可以了，整個爬蟲最難的就在于解密，其次就是url傳遞的參數的擷取。
然後就是按部就班的帶參數post，解析傳回值即可。
其四，在解析傳回值時，傳回的是一個嵌套字典，字典對應的關鍵字可以在PreView中檢視，如下：
這就指的是“熱門評論”中的第一條的内容。
效果如下：
這樣就實作了評論的爬取。
2、爬取聽歌記錄
這部分才是我自己主要做的。難點就在于url的參數找不到。
2.1、資源定位
類似評論，我們要想找聽歌記錄，肯定要去他的個人首頁。這個有點涉及隐私，我就以爬我自己的為例：
如圖，XHR有以下幾個，很容易就一眼看到records，以我半吊子的英語水準也能看得出來這個是記錄的意思。
點進去看一下吧：
不出所料，果然是。不過網頁版沒法看聽歌次數，而是用一個score代替，看上去這個分值應該就是100*count/countMAX，看我第一首歌是100分，第二首就隻有41分了。
2.2、爬取準備
爬聽歌記錄肯定也要看Headers啊。
先看General：
wc，這個url好狠毒，一個參數都沒有顯示給我們，也就是說全部參數都是在DataForm裡。
看看Request Headers：
平平無奇，隻有referer變成了我的首頁的連結。看來想要攻克這個，就得去找url帶的參數了。
參數不可能是憑空出來的，它一定是一個函數生成的，我們找到這個函數就好了。怎麼找呢？要看控制台中的一項：
也就是initiator。這一列中就是對應的XHR的媽媽，調用這個檔案産生所需的XHR。我們需要的檔案叫core_亂碼.js。
看看這個檔案裡有什麼：
wdnmd當機了。這檔案有點大，複制到notepad++裡面好長好長。我們需要什麼呢？需要Data Form裡面的params和encSerKey。直接ctrl+f找一找，定位到第90行：
(function()
{
var c4g=NEJ.P,et7m=c4g("nej.g"),v4z=c4g("nej.j"),k4o=c4g("nej.u"),
Sj0x=c4g("nm.x.ek"),l4p=c4g("nm.x");
if(v4z.bg5l.redefine)
return;
window.GEnc=true;
var bry7r=function(cxa3x)
{
var m4q=[];
k4o.be5j(cxa3x,function(cwZ3x)
{
m4q.push(Sj0x.emj[cwZ3x])
});
return m4q.join("")
};
var cwX3x=v4z.bg5l;
v4z.bg5l=function(Z5e,e4i)
{
var i4m={},e4i=NEJ.X({},e4i),md9U=Z5e.indexOf("?");
if(window.GEnc&&/(^|\.com)\/api/.test(Z5e)&&！
(e4i.headers&&e4i.headers[et7m.zx3x]==et7m.Gv5A)&&!e4i.noEnc)
{
if(md9U!=-1)
{
i4m=k4o.gU7N(Z5e.substring(md9U+1));
Z5e=Z5e.substring(0,md9U)
}
if(e4i.query)
{
i4m=NEJ.X(i4m,k4o.fO7H(e4i.query)?k4o.gU7N(e4i.query):e4i.query)
}
if(e4i.data)
{
i4m=NEJ.X(i4m,k4o.fO7H(e4i.data)?k4o.gU7N(e4i.data):e4i.data)
}
i4m["csrf_token"]=v4z.gQ7J("__csrf");
Z5e=Z5e.replace("api","weapi");
e4i.method="post";
delete e4i.query;
window.console.info(i4m);//這一行是後加的
var bUS6M=window.asrsea(JSON.stringify(i4m),
bry7r(["流淚","強"]),
bry7r(Sj0x.md),
bry7r(["愛心","女孩","驚恐","大笑"]));
e4i.data=k4o.cx5C(
{
params:bUS6M.encText,
encSecKey:bUS6M.encSecKey
})
}
cwX3x(Z5e,e4i)
};
v4z.bg5l.redefine=true
}
)();
我真是日了，原檔案裡面一行代碼結果弄出來這麼多行。看最後可以看到我們需要的params和encSecKey。
這倆怎麼來的呢？看一下它們是BUS6M的兩個屬性，這個BUS6M又是怎麼來的？是window.asrsea的傳回值。
這個window.asrsea就是加密算法了。具體解析去看我上文的連結。
現在隻看這個函數的參數，有四個，第一個是i4m轉為string格式，剩下三個看上去怪怪的。你說這個流淚啊，強啊，愛心，女孩什麼的都是常量，肯定不是我們要的參數，那參數隻可能是i4m或者Sj0x.md了。先看前者吧。
看上一行，i4m應該是一個字典，裡面的鍵有csrf_token，那有九成機率确定它就是參數的原始形态了。
我們隻要輸出i4m不就行了。怎麼輸出呢？
修改這個core就行啊。
那問題來了，這檔案在人家網易的伺服器裡，浏覽器是調用伺服器的這個檔案生成參數加密前的序列的。我又沒法進網易的伺服器。
這時候就需要js劫持了。
2.3、js劫持
簡而言之，就是浏覽器要使用core這個檔案的時候，不去向網易要這個檔案，而是和我要——反正我都有這個檔案的所有代碼了，從我這裡運作一樣能得到結果不是。
怎麼實作“浏覽器和我要這個檔案”的功能呢？
要用到fiddler。這個程式很厲害，很簡單就能實作js劫持：
上面連結中的方法不好用，我建議用我的方法：
第一：安裝并使用fiddler。安裝很簡單，使用它可能會有一點麻煩，要是有代理就更麻煩。我建議使用
Chrome的switchOmega插件，選擇系統代理。
判斷是否好用的一個方法為：開着fiddler，随便開一個網址，如果fiddler界面出來一堆花花綠綠的就是好用。
第二：修改fiddler的過濾器。預設過濾器是不會顯示js檔案的請求的，我們需要知道浏覽器發出調用core的請求，是以要把它顯示出來。如下圖：
在Show only if URL contains中添加如下的正規表達式：
REGEX:(?insx)/[^\?/]*\.(css|js|json|ico|jpg|png|gif|bmp|wav)(\?.*)?$
即可。
第三：設定劫持條件。如下圖：
在界面右側選擇AutoResponder，也就是1；下面三個框勾上前面兩個也就是2和3；add之後添加4和5，其中4不用自己寫，5是我們上面複制下來的core.js的絕對位址，我是放在桌面的，加上輸出i4m的那一句。
如何自動填充4呢？
首先清除浏覽器緩存，如果不清除緩存，浏覽器會将core下載下傳下來，不會再次請求伺服器（在這裡可能也可以改，但我沒試過），fiddler就找不到調用core的請求了。
然後進入網易雲音樂使用者首頁，重新整理，就可以看到了：
如圖，第一條紫色的就是core的調用請求。左鍵單擊，按住後拽到右邊的AutoResponder裡面，4就填充好了。
這時我們把預設的*200-SESSION_10改成修改後的core的絕對路徑即可。
然後重新重新整理網頁，就是調用我們自己的core了。效果如下：
在f12的console裡，輸出了以下幾個i4m，我們可以猜測，後兩個應該就是歌單和聽歌曆史的url對應參數了。這樣我們就找到了答案。然後将1中的代碼改一下就可以：
#first_param = "{rid:\"\", offset:\"0\", total:\"true\", limit:\"20\", csrf_token:\"\"}"#歌曲評論
first_param = "{uid: \"77824233\",type: \"-1\",limit: \"1000\",offset: \"0\",total: \"true\",csrf_token: \"\"}"#聽歌記錄
上面是歌曲評論的參數，下面是我們找到的聽歌曆史的參數。
然後把url改一下，顯示部分的代碼也改一下就好了。
如果報錯
把fiddler關閉即可。
效果如下：
成功擷取到聽歌記錄。
三、總結
本次爬蟲結束之後，對爬蟲的具體流程有了一個大概的認識：
簡而言之，爬蟲就是定位資源→模拟請求→擷取資源的一個過程。
通過在f12中尋找可以找到資源的位置，所需的url或者直接的元素等，通過将網頁元素儲存或者是向url送出請求得到所有資源，在所有資源中尋找我們想要的。
沒有利用ip池等技術，八成我這個爬一百首歌ip就會被封了。