上回我们讲到了dmzj漫画搜索爬虫(二),紧接着上一回的代码,我们继续进行深入的爬取分析,完成对于漫画的图片爬取。
图片爬取
首先,我们以第一话作为分析。如下图所示:
漫画第一话
然后分析它的dom节点,看看漫画的图片具体链接。但是我们尝试右键会发现并不能定位,动漫之家禁止了右键检查功能。于是,我们只能直接按F12强行打开调试功能。随后通过DOM点击定位页面的功能,一步步查看具体的页面。
第一页的图片DOM
虽然我们从图中可以看出第一页的漫画的图片的URL以及它的DOM节点名称(page_1),但是这毕竟是浏览器渲染完成之后的页面。为了验证这个DOM节点是否存在。
搜索DOM
我们尝试在HMTL中搜索图片的DOM节点,但是发现并没有存在,证明了漫画的图片是靠JavaScript在渲染阶段进行动态插入进去的。得出这样的结论后,我们就需要细致分析一下页面渲染的过程。
XHR异步请求
我们打开Network Tab页,然后重新刷新页面,监控整个请求流程。这时,我们假想图片的具体URL是通过Ajax异步请求的,于是打开XHR 过滤,以验证我们的猜想,然后事实证明并不是如此。
根据我以往的简单猜测,一般数据的来源方式,主要有:
异步请求数据(常常为Json数据)
加密混淆过藏在HTML文件中
其他暂时没接触过
可疑的JavaScript代码
可疑的eval函数
首先,我们在next_pages中看到了下页图片的URL,为了简单起见,就不验证了。有兴趣的小伙伴可以去看看,确实是下一页的图片URL。这里我们主要关注的是var arr_pages = eval(pages);,其中的pages变量让人在意。
可疑的eval代码片段
在蓝色部分,我们比较在意的就是这个eval里面的东西,明显可以看出里面的内容是经过混淆过的。我们通过代码整理,并稍作更改,让eval的结果可以呈现出来。
更改和整理后的代码
放到Console中的运行结果
然后我们就可以清晰的看到了pages变量的具体数据内容。可能数据还不太清楚,我们将第一条提取出来,和DOM节点中的数据进行对比。
结果对比
发现其中的数据一模一样,pages中只是少了标准的HTTP前缀而已。因此,我们的目标很明显了,就是获取其中的pages变量。那么如何获取呢,这就要靠Python中的execjs库了(可能还有其他方式,但是为了简便,就直接采用这个库)。
execjs采用pip install pyexecjs安装。
为了减少请求,我们使用上一节的json结果文件来进行最后一步的请求。
代码
# -*- coding: utf-8 -*-
import requests
import json
from lxml import etree
import execjs
import os
import click
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'Referer': 'http://www.dmzj.com/category'
}
PREIX = 'http://images.dmzj.com/'
def get_request(info):
response = requests.get(info['href'], headers=headers)
try:
html = etree.HTML(response.content)
script_content = html.xpath('//script[1]/text()')[0]
"""
var arr_img = new Array();
var page = '';
eval(function(p,a,c,k,e,d){e=function(c){return(c
c=c%a)>35?String.fromCharCode(c+29):c.toString(36))};if(!''.replace(/^/,String)){while(c--){d[e(
c)]=k[c]||e(c)}k=[function(e){return d[e]}];e=function(){return'\\w+'};c=1};while(c--){if(k[c]){
p=p.replace(new RegExp('\\b'+e(c)+'\\b','g'),k[c])}}return p}('D j=j=\'[
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/A.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/v.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/y.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/z-w%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/C-B%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/u-s%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/n-m.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/l-o%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/p-r%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/q-t%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/x-N%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/R-Q%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/P-S%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/T-V.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/U-W%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/E-O%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/H-G%f%i%h%3%2%g%0.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/f.7",
"d\\/%1%0%0%4%8%c%2%0%9%1%6%b\\/%1%0%5%a%3%e\\/%2%F%I%4%k%k%2%J%M%2%L%K.7"]\';',59,59,
'AC|E7|E6|AF|E4|AC01|9A|jpg|B8|A1|E8|84Gal|80||9D_1464276271|20|9C|89|E5|pages|BA|008_p|009|007_p
|010|009_p|010_p|011|008|012|006_p|002|006|011_p|003|004_p|001|007|005_p|var|016_p|8B|019|017_p
|9B|B5|A5|8A|B7|013|018|013_p|014|012_p|015|014_p|015_p|016|017'.split('|'),0,{}));
var g_comic_name = "第一次的Gal";
var g_chapter_name = "第01话";
var g_comic_url = "diyicidegal/";
var g_chapter_url = "diyicidegal/50354.shtml";
var g_current_page = 1;
var g_max_pic_count = 19;
var g_page_base = '';
var g_comic_id = res_id = '34569';
var g_chapter_id = chapter_id = '50354';
var g_comic_code = '260adb4c8ccaead8ea13b5b1bd42528e';
var arr_pages = eval(pages);
var next_chapter_pages = '[
"d\/%E7%AC%AC%E4%B8%80%E6%AC%A1%E7%9A%84Gal\/02\/000_p-cover%20%E6%8B%B7%E8%B4%9D.jpg",
"d\/%E7%AC%AC%E4%B8%80%E6%AC%A1%E7%9A%84Gal\/02\/001_p-021%20%E6%8B%B7%E8%B4%9D.jpg",
"d\/%E7%AC%AC%E4%B8%80%E6%AC%A1%E7%9A%84Gal\/02\/002_p-022%20%E6%8B%B7%E8%B4%9D.jpg"]';
var arr_nextchapter_pages = eval(next_chapter_pages);
var final_page_url = "/diyicidegal/jump.shtml?34569_50354&1214de4da966d26d67e262af0414ead6";
var sns_sys_id = '34569_50354';
var sns_view_point_token = '1214de4da966d26d67e262af0414ead6';
var is_hot_comic = false;
var is_fast_comic = true;
var server_name = 0;
var page_site_root = '/';
var res_type = 1;
"""
vars = script_content.strip().split('\n')
parse_str = vars[2].strip() # 取到eval()
parse_str = parse_str.replace('function(p,a,c,k,e,d)', 'function fun(p, a, c, k, e, d)')
parse_str = parse_str.replace('eval(', '')[:-1] # 去除eval
fun = """
function run(){
var result = %s;
return result;
}
""" % parse_str # 构造函数调用产生pages变量结果
pages = execjs.compile(fun).call('run')
datas = pages.split('=')[2][1:-2] # json数据块
url_list = json.JSONDecoder().decode(datas) # 解码json数据
headers['Referer'] = info['href']
if not os.path.exists('./downloads'):
os.mkdir('./downloads')
for index, url in enumerate(url_list):
img = requests.get(PREIX + url, headers=headers)
import time
time.sleep(1) # 等待一些时间,防止请求过快
click.echo(PREIX + url)
with open('./downloads/%s.jpg' % index, mode='wb') as fp:
fp.write(img.content)
click.echo('save %s.jpg' % index)
click.echo('complete!')
except Exception as e:
raise e
if __name__ == '__main__':
info = None
f = open('./details.json', mode='r', encoding='utf-8')
info = json.load(f)
# 以第一页请求为例子
get_request(info['data'][0])
好了!这一期就完了,下一期可能写点其他的东西了!!欢迎大家来阅读,哈哈~~
最后奉上自己差劲的Github以及个人的hexo网站Kyoto Animation,欢迎大家交流,这一期的所有代码都在文中,就不上传了。