Python爬取有道翻譯

轉載自https://blog.csdn.net/nunchakushuang/article/details/75294947

一、正常的爬蟲流程：

如果你要爬取他的翻譯接口，這個流程還是不能少的。首先我們打開有道翻譯的鏈接：http://fanyi.youdao.com/。然後在頁面中右鍵->檢查->Network項。這時候就來到了網絡監聽窗口，以後你在這個頁面中發送的所有網絡請求，都會在Network這個地方顯示出來。接着我們在翻譯的窗口輸入我們需要翻譯的文字，比如輸入hello。然後點擊自動翻譯按鈕，那麼接下來在下面就可以看到瀏覽器給有道發送的請求，這裏截個圖看看：

01.png

在上圖，我們可以看到發送了很多的網絡請求，這裏我們點擊第一個網絡請求進行查看：

02.png

可以看到，我們在點擊自動翻譯的時候，發送的請求就是上圖中Request URL的那個URL，然後我們再點擊那個Response，我們可以看到返回的結果：

03.png

並且，現在我們再回到Headers的地方，然後滾動到最下面，可以看到有一個Form Data的地方，這個下面展示了許多的數據，這些數據就是你在點擊翻譯的時候瀏覽器給服務器發送的數據：

04.png

對其中幾個比較重要的數據進行解釋：

• i：需要進行翻譯的字符串，這個地方我們輸入的是hello。
• salt：加密用到的鹽。這個是我們破解有道反爬蟲機制的關鍵點，後面會講到。
• sign：簽名字符串。也是破解反爬蟲機制的關鍵點。

其他的數據類型暫時就不怎麼重要了，都是固定寫法，我們後面寫代碼的時候直接鞋子就可以了。到現在爲止，我們就可以寫一個簡單的爬蟲，去調用有道翻譯的接口了。這裏我們使用的網絡請求庫是Python3自帶的urllib，相關代碼如下：

# 導入需要的庫
import urllib.request
import urllib.parse
import json

# 等待用戶輸入需要翻譯的單詞
content = input('請輸入需要翻譯的單詞：')

# 有道翻譯的url鏈接
url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule&sessionFrom=null'

# 發送給有道服務器的數據
data = {}

# 需要翻譯的文字
data['i'] = content
# 下面這些都先按照我們之前抓包獲取到的數據
data['from'] = 'AUTO'
data['to'] = 'AUTO'
data['smartresult'] = 'dict'
data['client'] = 'fanyideskweb'
data['salt'] = '1500349255670'
data['sign'] = '997742c66698b25b43a3a5030e1c2ff2'
data['doctype'] = 'json'
data['version'] = '2.1'
data['keyfrom'] = 'fanyi.web'
data['action'] = 'FY_BY_CL1CKBUTTON'
data['typoResult'] = 'true'

# 對數據進行編碼處理
data = urllib.parse.urlencode(data).encode('utf-8')

# 創建一個Request對象，把url和data傳進去，並且需要注意的使用的是POST請求
request = urllib.request.Request(url=self.url, data=data, method='POST')
# 打開這個請求
response = urllib.request.urlopen(request)
# 讀取返回來的數據
result_str = response.read().decode('utf-8')
# 把返回來的json字符串解析成字典
result_dict = json.loads(result_str)

# 獲取翻譯結果
print('翻譯的結果是：%s' % result_dict)

我們運行這個文件後，當我們輸入的是hello的時候，我們可以得到哈羅的這個正確的翻譯結果。而當我們輸入其他需要翻譯的字符串的時候，比如輸入i love you，那麼就會得到一個錯誤代碼{"errorCode":50}。這就奇怪了，有道詞典不可能只能翻譯一個英文單詞吧。而這個，就是有道詞典的反爬蟲機制。接下來我們就來破解有道詞典的反爬蟲機制。

二、破解反爬蟲機制：

我們可以多次的進行翻譯，並且每次翻譯後都去查看翻譯的時候發送的這個網絡請求，比較每次翻譯時候發送的Form Data的值。我們注意到，Form Data在每次發送網絡請求的時候，只有i和salt以及sign這三個是不同的，其他的數據都是一樣的，這裏我用hello和world兩個單詞翻譯時候Form Data的數據進行比較：

05.png

06.png

圖中的Form Data也證實了我剛剛所說的，就是除了i、salt以及sign是不一樣的。其餘都是一樣的。而i不一樣是很正常的。因爲i代表的是要翻譯的字符串，這個不同是很正常。而salt和sign這兩個東西不一樣，是怎麼產生的呢？這裏我們可以分析一下，這兩個值在每次請求的時候都不一樣，只有兩種情況：第一是每次翻譯的時候，瀏覽器會從有道服務器獲取一下這兩個值。這樣可以達到每次翻譯的時候值不同的需求。第二是在本地，用JS代碼按照一定的規則生成的。那麼我們首先來看第一個情況，我們可以看到在每次發送翻譯請求的時候，並沒有一個請求是專門用來獲取這兩個值的：

07.png

所以就可以排除第一種情況。就只剩下一種可能，那就是在本地自己生成的，如果是在本地自己生成的，那麼規則是什麼呢？這裏我們點擊網頁，查看網頁源代碼，查找所有的JS文件，我們找到那個fanyi.js：

08.png

然後點擊這個文件，跳轉到這個源文件中，然後全選所有的代碼，複製下來，再打開站長工具：http://tool.chinaz.com/Tools/jsformat.aspx。把代碼複製進去後，點擊格式化：

09.png

然後把格式化後的代碼，複製下來，用sublime或者pycharm打開都可以，然後搜索salt，可以找到相關的代碼：

10.png

這裏我們就可以發現所有的值的生成原理了。這裏來做個簡介：

• d：代表的是需要翻譯的字符串。
  • f：當前時間的時間戳加上0-10的隨機字符串。
  • u：一個常量——fanyideskweb。
  • c：一個常量——rY0D^0'nM0}g5Mm1z%1G4。
  • salt：就是f變量，時間戳。
  • sign：使用的是u + d + f + c的md5的值。

知道salt和sign的生成原理後，我們就可以寫Python代碼，來對接他的接口了，以下是相關代碼：

import urllib.request

import urllib.parse
import json
import time
import random
import hashlib

content = input('請輸入需要翻譯的句子：')

url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule&sessionFrom=https://www.google.com/'

data = {}

u = 'fanyideskweb'
d = content
f = str(int(time.time()*1000) + random.randint(1,10))
c = 'rY0D^0\'nM0}g5Mm1z%1G4'

sign = hashlib.md5((u + d + f + c).encode('utf-8')).hexdigest()

data['i'] = content
data['from'] = 'AUTO'
data['to'] = 'AUTO'
data['smartresult'] = 'dict'
data['client'] = 'fanyideskweb'
data['salt'] = f
data['sign'] = sign
data['doctype'] = 'json'
data['version'] = '2.1'
data['keyfrom'] = 'fanyi.web'
data['action'] = 'FY_BY_CL1CKBUTTON'
data['typoResult'] = 'true'

data = urllib.parse.urlencode(data).encode('utf-8')
request = urllib.request.Request(url=url,data=data,method='POST')
response = urllib.request.urlopen(request)

print(response.read().decode('utf-8'))

寫在最後：

像以上這種，通過用JS在本地生成隨機字符串的反爬蟲機制，在爬蟲的時候是經常會遇到的一個問題。希望通過以上的講解，能爲大家提供一種思路。以後再碰到這種問題的時候知道該如何解決。這樣本篇文章的目的也就達到了。

謝謝原作者 南窗客斯黃 的分享