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:
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:
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:
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:
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:
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:
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
:
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:
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:
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。