这次来分析某个小说网站。
aHR0cHM6Ly9nLmhvbmdzaHUuY29tL2NvbnRlbnQvOTM0MTYvMTM4Nzc5MTIuaHRtbA==
分析请求
先来看看页面的请求【图1-1】
图1-1
经过查看请求,并没有请求的加密参数,但是响应的内容却不正常,许多文字在响应中都变成了 span 标签【图1-2】
图1-2
这样的反爬虫措施,如何分析?
定位加密
既然这里替换的内容都是 span 那就从它开始入手吧。
可以看到应该显示在正文的内容显示在 CSS 的 content 中【图2-1】。
图2-1
这个是什么操作?容我百度一下。
CSS中,::before 创建一个伪元素,其将成为匹配选中的元素的第一个子元素。常通过 content 属性来为一个元素添加修饰性的内容。此元素默认为行内元素。
这里附带一个语法示例【图2-2】,加深理解:
图2-2
现在通过上面的实例描述,我们大致清楚原来它是一种 CSS 的隐式写法。
一般 CSS 样式我们可以通过点击右上角的链接跳转到相应的文件位置,但是这里是无法跳转的【图2-3】
图2-3
我们照着之前的思路,搜索一波看看能不能找到一些蛛丝马迹。
先试试搜索类名【图2-4】,找到的是请求页面的响应内容,并没有找到有用的信息。
图2-4
继续搜索::before,这次找到的同样是请求页面的响应内容但是::before在文件的位置值得我们打开看看。【图2-5】
图2-5
点开文件再次搜索,在这里就定位到了疑似加密的地方【图2-6】,对!只是疑似加密。
图2-6
你不能因为代码长得丑、难理解就怀疑它是加密。
其实这里也可以全局搜索.context_kw可以找到操作 DOM 的代码,可以找到操作 DOM 的加密位置,搜索方法大同小异。
这里就不细说了,我们只要找到加密逻辑的整体位置就行,不妨碍我们分析。
ps : 怕自己找错可以多试几次,相关文件都打开看看。
分析与改写
既然找到一个疑似加密的位置,我们肯定是要分析一波看看是不是我们要找的。
通过大概的梳理,可以看到整个 JS 分为两个部分,第一部分 JS 是CryptoJS的加解密的内容,第二部分是经过混淆的内容,根据部分 JS 可以猜测第二部分的 JS 操作了 DOM ,完成了 CSS 相关的解密。【图3-1】
关于第一部分的CryptoJS没啥好改的,照着用就好了。
第二部分值得研究一下,因为是混淆过的内容,照着还原回原来的代码意义不大且费时费力,需要做的就是不停调试你看不明白的代码,争取能明白这个代码的意思,能理解的代码越多,去改写越简单。
图3-1
简单说下代码的逻辑:
- 先取出 _0xa12e这个数组里面一个加密过的元素,取出后用 AES解密
var _0xa12e = [\'appendChild\', \'fromCharCode\', \'ifLSL\', \'undefined\', \'mPDrG\', \'DWwdv\', \'styleSheets\', \'addRule\', \'::before\', \'.context_kw\', \'::before{content:\\x20\\x22\', \'c***ules\', \'pad\', \'clamp\', \'sigBytes\', \'YEawH\', \'yUSXm\', \'PwMPi\', \'pLCFG\', \'ErKUI\', \'OtZki\', \'prototype\', \'endWith\', \'test\', \'8RHz0u9wbbrXYJjUcstWoRU1SmEIvQZQJtdHeU9/KpK/nBtFWIzLveG63e81APFLLiBBbevCCbRPdingQfzOAFPNPBw4UJCsqrDmVXFe6+LK2CSp26aUL4S+AgWjtrByjZqnYm9H3XEWW+gLx763OGfifuNUB8AgXB7/pnNTwoLjeKDrLKzomC+pXHMGYgQJegLVezvshTGgyVrDXfw4eGSVDa3c/FpDtban34QpS3I=\', \'enc\', \'Latin1\', \'parse\', \'window\', \'location\', \'href\', \'146385F634C9CB00\', \'decrypt\', \'ZeroPadding\', \'toString\', \'split\', \'length\', \'style\', \'type\', \'setAttribute\', \'async\', \'getElementsByTagName\', \'NOyra\', \'fgQCW\', \'nCjZv\', \'parentNode\', \'insertBefore\', \'head\'];
-
解密后的值放入到secWords中,对secWords中的值遍历并做了一堆骚操作,将处理过后的值放入到words当中,注意这里words就已经是文字了。
- 最后在 JS 的最后操作 DOM 进行替换
部分解析
这个 JS 不是很难,从网页复制的 JS 加上两个打印直接就可以使用,但是在 node 中直接运行发现输出的字符和实际页面展现的并不相同。
正确的字符是这样的【图3-2】
图3-2
在 node 中运行输出的结果是这样的【图3-3】
图3-3
很明显 node 环境下输出的结果不是我们要的,而且字符数也少了两个,同一份代码环境不同,可以大致猜到可能是代码里做了一些对环境属性的判断。
这个时候理解代码的好处就来了,可以很快定位到下面这行代码【图3-4】:
图3-4
这里检测的是当前的 URL ,在浏览器中这个判断条件是不成立的【图3-5】,所以不执行判断中代码。
图3-5
到了 node 环境下是没有浏览器的window属性的,所以执行这句会出现异常,执行的是异常处理中的代码,所以我们直接把这段if代码注释掉。
继续向下,找找还有没有相关的代码,只要是判断浏览器相关属性的都需要注意一下。
很快看到【图3-6】这一行的代码也进行了相关的判断。
图3-6
在浏览器环境下代码的结果是这样的【图3-7】
图3-7
但是在 node 环境下是这样的,计算结果也相应的出现了错误【图3-8】
图3-8
所以这里需要做相应的修改,让结果能够计算正确。
例如:
_0x1532b6[_0xea12(\'0x26\')](_0x490c80, 0x3 * +!(\'object\' === _0xea12(\'0x27\')))
这样 node 环境下的计算结果就正常了。
将经过处理后的 JS 运用到 Python 爬虫中,就可以看到正确的内容了【图3-9】
图3-9
总结
这个网站的加密不是很难,不过加密的方法很典型,前段时间有不少读者朋友在群里讨论研究,非常值得学习一下。
不过既然是小说网站,这里也涉及到相关的版权问题,所以希望大家不要搞事,以学习的态度和目的阅读本文。
Peace~
鱼说闲话
咸鱼从初一就开始看网络小说了,可以算是个老书虫,当时用攒了好几个月的生活费买了部 MP4 ,拜托家里有电脑的同学帮忙下载小说,就这样开始了我的追更之旅。
当我看小说的设备不断更新直到今天的智能手机,那些年躲在被窝里看小说的日子留下的只剩下那些年追更的回忆,还有残存不多的小说.txt文件。
谨以此文,纪念过去追更的日子。
EOF