混淆加密网站
今天在爬取污染物时遇到下面网站，总的来说碰到了两大方面的爬虫难题。（混淆加密和debug检测）。
待爬取的网站
数据获取
一开始就遇到右键禁用，debug检测。
没办法，ctrl+s，直接把网站保存到了本地。
这样可以f12了，找到主页面，一通找，找到了ajax请求的代码。
传入城市、月份，然后调js中的方法，接着ctrl+shift+f，全局搜索这玩意。
复制到本地一看，好么，js混淆，找了个反混淆js。
复制到本地，一通ctrl+c，终于找到下列代码，一看逻辑，先加密传入的参数，在post请求，获取加密后的结果，在解密结果。
理清思路，终于可以写代码了。
注意一下，每个人的加密参数（或者隔一段时间）不一样，所以大家复制我的不一定后面能跑，自己可以使用这套路获取自己的js。
python代码
# -*- coding: utf-8 -*-
import execjs
import json
import requests
import datetime
class pollutionSpider:
"""
爬取https://www.aqistudy.cn/historydata/daydata.php 污染物数据
"""
def __init__(self):
self.js_path = "../data/aqistudy.js"
self.main_url = 'https://www.aqistudy.cn/historydata/api/historyapi.php'
self.month_data = {"1": "01", "2": "02", "3": "03", "4": "04", "5": "05", "6": "06", "7": "07", "8": "08",
"9": "09", "10": "10", "11": "11", "12": "12"}
self.save_path = "../data/weather/"
self.headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.8',
'Content-Type': 'application/x-www-form-urlencoded',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/71.0.3578.80 Safari/537.36 '
}
self.data_headers = "time_point aqi pm2_5 pm10 so2 no2 co o3 rank quality"
def encrypt(self, city, month):
"""
加密信息
"""
js_str = self.get_js()
ctx = execjs.compile(js_str) # 加载JS文件
return ctx.call('pLoXOmdsuMMq', "GETDAYDATA", {"city": city, "month": month})
def decrypt(self, data):
"""
解密信息
"""
ctx = execjs.compile(self.get_js()) # 加载JS文件
return ctx.call('dSMkMq14l49Opc37Yx', data)
def get_js(self):
"""
获取js
"""
f = open(self.js_path, 'r', encoding='utf-8') # 打开JS文件
line = f.readline()
html_str = ''
while line:
html_str = html_str + line
line = f.readline()
return html_str
def get_response(self, params):
"""
请求数据
"""
return requests.post(self.main_url, data={'hzbDyDmL0': params}, headers=self.headers).text
def get_single(self, city, month):
"""
获取一个城市某个月的数据
"""
encrypt_data = self.get_response(self.encrypt(city, month))
data = json.loads(self.decrypt(encrypt_data))['result']['data']['items']
result = ['\t'.join([str(value) for key, value in element.items()]) for element in data]
return result
def get_all(self, city, start_day):
"""
获取一个城市污染数据
"""
print("开始获取" + city + "数据------------------------")
start_day = datetime.datetime.strptime(start_day, "%Y-%m-%d")
end_day = datetime.datetime.now()
months = (end_day.year - start_day.year) * 12 + end_day.month - start_day.month
month_range = ['%s%s' % (start_day.year + mon // 12, self.month_data[str(mon % 12 + 1)]) for mon in
range(start_day.month - 1, start_day.month + months)]
f = open(self.save_path + city + ".txt", "w", encoding="utf8")
f.write(self.data_headers + "\n")
for element in month_range:
try:
data = self.get_single(city, element)
for line in data:
f.write(line + "\n")
print(element + city + "数据获取------------------------成功")
except Exception as e:
print(e)
print(element + city + "数据获取------------------------失败")
f.close()
if __name__ == '__main__':
pollutionSpider().get_all("上海", "2015-1-1")
结果
