男人添女人呻吟吃奶视频免费,97精品亚成在人线免视频,一级片免费在线

主頁 > 知識庫 > Python音樂爬蟲完美繞過反爬

Python音樂爬蟲完美繞過反爬

前言

大家好，我叫善念。

這是我的第二篇博客，也是第一篇技術博客，希望大家多多支持，讓我更加有動力去更新一些python爬蟲類的案例教程。

開始

確立目標網址：點擊進入

進入到跳轉頁面：

可以看到出現了咱們需要的一些音樂

分析（x0）

這些音樂的源文件地址是否在咱們的網頁元素中，然后再查看網頁源代碼中是否有咱們需要的內容。（注：網頁元素與網頁源代碼不一定是一樣的，網頁元素是經過瀏覽器渲染后的源代碼，而源代碼純粹就是服務器給咱們傳送過來的原始數據）

網頁元素中只有封面圖片的資源，沒用音頻源文件地址：

網頁源代碼中同樣沒有咱們需要的內容：

分析（x1）

其實沒有才正常（這種大型網站的數據不會讓你這么輕易抓取）....不過是帶大家走一遍流程，對別的網站也要這樣分析

那么咱們開始播放音樂抓包，看是否能抓到數據：

果然是經過觸發播放按鈕后，服務器傳給咱們客戶端的。（ajax）

而咱們抓到的這個源文件地址

除了這兩段外，其它的應該都是固定死的。

分析（x2）

那么我假設這兩段是從我開始訪問這首歌曲頁面的時候生成的，比如后面那串數字為這首音樂在服務器數據庫中的對應的一個ID值呢？

假設是合理的，不過由于咱們前面已經查看過源代碼和網頁元素中找不到這些值，我就不在這里浪費時間了。

分析（x3）

這里我和大家講一下，咱們向服務器發送一個網址請求，服務器給咱們返回的可不止一個數據包，一般都是N個數據包。當我們看到源代碼中沒有時候，也許它正悄悄地通過Ajax傳給我們了？

Ajax在網上有很多的解釋，但是大家未必能理解。從服務器獲得源代碼數據，然后通過瀏覽器渲染執行JavaScript獲得一些數據（音樂）。

這樣說大家應該就懂了，那么咱們開始抓當前頁面的包：

Ajax異步請求的數據，都會在XHR中。所以直接篩選就好了。這個包我已經抓到了，get請求然后看下返回的值。

果然就是這個包數據都是對應的，然后打開看看里面是否有音樂源文件地址：

并沒有，但是有一個rid出現了兩次。

分析（x4）

那么它是否是咱們音樂的ID（索引）值？

接著看下面的包：

這個get請求很關鍵，它的參數中利用到了咱們的rid這個值

而他返回值里正好有咱們的音樂源文件地址：

通過分析獲取到音樂

通過咱們的分析，已經可以理清思路了。

首先抓取這個包獲取到rid

然后傳遞rid進行這個包的請求獲取到音樂文件地址

JavaScript繞過之參數冗余

可以看到這個rid獲取的地址中有key值是url編碼很輕松就可以解碼：

import requests
keywords = '%E5%BE%80%E4%BA%8B%E9%9A%8F%E9%A3%8E'
print(requests.utils.unquote(keywords))
# 往事隨風

而pn=1意思就是第一頁嘛，30就是這一頁總共30條音樂數據咯，1代表狀態碼請求成功，而最后reqId這個值如何獲取呢？

有能力的自己去逆向JavaScript，而咱們這里直接把這里的參數都刪除掉，同樣可以訪問到咱們的rid，為什么呢？

當你訪問百度的時候

可以看到多余了很多你看不懂的參數，而這些參數實際上可以直接刪除掉！

結果是一樣的，這個就叫參數冗余。

CSRF攻擊與防御

當咱們直接訪問這個鏈接確出現這樣的畫面？

而咱們如果把請求頭全部放到咱們的pycharm中利用Python模擬發送請求卻可以成功（自行測試）

可以看到請求中有一個參數叫csrf，這個叫做防跨站點攻擊。

這個就好理解了，當我們用瀏覽器直接訪問的話，盡管可以帶cookies，但是咱們是沒法攜帶這個參數的。而當我們把請求頭完整的復制在pycharm中Python運行的話，就可以攜帶這個參數，那么就可以訪問。

目的就是保護此api防止任意情況下都可以隨便訪問。

而這個csrf參數不就是咱們cookies中的值么？那么是不是咱們首先需要獲取cookies？因為cookies會過期阿，為了讓你的程序永久有效，那么最好的辦法就是自動獲取cookies

總結

那么所有的原理都可以搞清楚了

首先訪問首頁獲取cookies，然后繞過JavaScript刪除多余的參數獲取到rid，最后通過rid進行訪問獲取到音樂源地址（這里的參數也可以刪除），最后保存數據！

全程干貨，分析網站反扒手段，Python采集整站任意音樂！

代碼

"""
author: 善念
date: 2021-04-12
"""
import requests
import jsonpath
from urllib.request import urlretrieve
import urllib.parse
 
 
def get_csrf():
    # 保持cookies 維持客戶端與服務器之間的會話
 
    headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
        'Cache-Control': 'no-cache',
        'Connection': 'keep-alive',
        # 'Cookie': 'Hm_lvt_cdb524f42f0ce19b169a8071123a4797=1618229629; _ga=GA1.2.1951895595.1618229638; _gid=GA1.2.369506281.1618229638; Hm_lpvt_cdb524f42f0ce19b169a8071123a4797=1618230532; kw_token=ZOMA0RIOLV',
        'Host': 'www.kuwo.cn',
        'Pragma': 'no-cache',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36',
    }
    s.get('http://www.kuwo.cn/', headers=headers)
 
    url = f'http://www.kuwo.cn/api/www/search/searchMusicBykeyWord?key={keyword}pn=1rn=30httpsStatus=1reqId=a3b6cb30-9b8a-11eb-bc04-b33703ed2ebb'
    headers = {
        'Accept': 'application/json, text/plain, */*',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
        'Cache-Control': 'no-cache',
        'Connection': 'keep-alive',
        # 'Cookie': 'Hm_lvt_cdb524f42f0ce19b169a8071123a4797=1618229629; _ga=GA1.2.1951895595.1618229638; _gid=GA1.2.369506281.1618229638; Hm_lpvt_cdb524f42f0ce19b169a8071123a4797=1618229710; kw_token=UTBATXE1HY',
        'csrf': s.cookies.get_dict()['kw_token'],
        'Host': 'www.kuwo.cn',
        'Pragma': 'no-cache',
        'Referer': f'http://www.kuwo.cn/search/list?key={keyword}',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36',
 
 
    }
    r = s.get(url, headers=headers)
    print(r.text)
    rid = jsonpath.jsonpath(r.json(), '$..rid')[0]
    print(rid)
    return rid
 
 
def get_music_url(rid):
    url = f'http://www.kuwo.cn/url?format=mp3rid={rid}response=urltype=convert_url3br=128kmp3from=webhttpsStatus=1'
    headers = {
        'Accept': 'application/json, text/plain, */*',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Cache-Control': 'no-cache',
        'Connection': 'keep-alive',
        # 'Cookie': 'Hm_lvt_cdb524f42f0ce19b169a8071123a4797=1618231398; _ga=GA1.2.52993118.1618231399; _gid=GA1.2.889494894.1618231399; Hm_lpvt_cdb524f42f0ce19b169a8071123a4797=1618231413; _gat=1; kw_token=VBM6N1XEG4P',
        'Host': 'www.kuwo.cn',
        'Pragma': 'no-cache',
        'Referer': f'http://www.kuwo.cn/search/list?key={keyword}',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36',
    }
    music_url = s.get(url, headers=headers).json().get('url')
    print(music_url)
    return music_url
 
 
def get_music(music_url):
    urlretrieve(music_url, f'{urllib.parse.unquote(keyword)}'+'.mp3')
 
 
def go():
    rid = get_csrf()
    music_url = get_music_url(rid)
    get_music(music_url)
 
 
if __name__ == '__main__':
    s = requests.session()
    keyword = input('請輸入您要下載的音樂名字：')
    keyword = urllib.parse.quote(keyword)
    go()

到此這篇關于Python音樂爬蟲完美繞過反爬的文章就介紹到這了,更多相關Python爬取音樂內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: