Osheep

时光不回头,当下最重要。

Python之dmzj漫画搜索爬虫(三)

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:

《Python之dmzj漫画搜索爬虫(三)》

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。

《Python之dmzj漫画搜索爬虫(三)》

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。

《Python之dmzj漫画搜索爬虫(三)》

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。

《Python之dmzj漫画搜索爬虫(三)》

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
《Python之dmzj漫画搜索爬虫(三)》

可疑的JavaScript代码
《Python之dmzj漫画搜索爬虫(三)》

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。

《Python之dmzj漫画搜索爬虫(三)》

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。

《Python之dmzj漫画搜索爬虫(三)》

更改和整理后的代码
《Python之dmzj漫画搜索爬虫(三)》

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。

《Python之dmzj漫画搜索爬虫(三)》

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<a?'':e(parseInt(c/a)))+((
        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。

点赞