利用python爬虫(案例8)--今天就是吃X我也要搞到有道

学习笔记
备注：这个Blog也是part14

---

爬取有道

写个案例，我想要破解有道翻译(http://fanyi.youdao.com/)接口，抓取翻译结果。

一开始，我还以为写这个不是很麻烦，因为2年前玩网爬的时候，最先写的小案例就是爬取翻译结果。但是现在，我重新写一遍，不知道为啥，研究了半天，心力交瘁，可能是人老了。

爬取步骤

①获取要爬取的有道翻译URL地址(http://fanyi.youdao.com/)

②在有道页面中翻译单词，抓取数据包

③查看，并解析FROM表单

④敲python代码，输入要翻译的内容，发送post请求

⑤得到翻译结果

熟悉抓包

在正式开始抓包之前，我们先熟悉一下怎么抓包

备注：抓包（packet capture）就是将​​网络传输​​​发送与接收的​​数据包​​进行截获、重发、编辑、转存等操作，也用来检查网络安全。抓包也经常被用来进行数据截取等。

在Chrome浏览器中，进入抓包的网站(比如：有道)， 开启网络抓包(右键打开审查元素–>点击Network–>点击All)，与网站进行交互(比如：在有道中翻译兔子一词)：

图片中，被红框框起来的部分，就是我们和有道交互的过程中产生的数据包。我们要进行网络抓包，就是要从这么一大堆数据包里，找到有用的数据包。

我们再来分析一下各个选项：

【Headers选项】可以查看基本请求信息、我们提交的请求头、响应头和查询参数。

如果该数据包是因为我们发送了POST请求而抓到的，那么它的Headers里会出现FROM表单信息：

【preview】选项可以进行预览。我们通过预览，可以判断该数据包里有没有包含我们想要的数据(预览的数据经过了格式化)：

【response】选项提供给我们，没有经过任何修饰的网站响应(网站响应的源码)：

正式开始抓包

我们打开有道翻译后，右键打开审查元素–>点击Network–>点击XHR(我们要的数据包主要在这里)–>在有道翻译的页面中，输入Bunny, book, pen–>获取数据包：

查看数据包的头部信息：

可以看到，我们向 http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule发送请求，请求方式是POST请求。如果我们发送POST请求，则Headers中一定会有FORM表单数据(FROM Data)，而服务端则会对我们发送的FROM表单进行验证，如果表单验证不通过，我们拿不到想要的返回结果。

解析FROM表单

现在我们仔细研究一下，这些FROM表单数据：

i:Bunny
from:AUTO
to:AUTO
smartresult:dict
client:fanyideskweb
salt:15874435880336
sign:9010a72e07b45d70c18b3bc640006e27
ts:1587443588033
bv:cda24c3e62de8f471433417161b17a55
doctype:json
version:2.1
keyfrom:fanyi.web
action:FY_BY_REALTlME

可以看到，参数​​i​​对应的应该是我们要翻译内容，但是其他一堆堆的参数是啥呢？？？尤其是下面这些参数：

salt:15874435880336
sign:9010a72e07b45d70c18b3bc640006e27
ts:1587443588033
bv:cda24c3e62de8f471433417161b17a55

这一堆堆的数字，看的眼花，好像毫无头绪啊！

现在咋整呢?

我们之前不是抓了3个数据包么，那么咱就把每个数据包中FROM表单里的参数值都瞧上一瞧。看一看哪些参数的参数值没有变化，那么我们就不处理它，哪些参数的参数值有变化，那我们就针对它。

我们看看 book和pen所对应的FROM表单：

i:book
from:AUTO
to:AUTO
smartresult:dict
client:fanyideskweb
salt:15874437157104
sign:a4f482196c44b53e9f8dea18f18dd446
ts:1587443715710
bv:cda24c3e62de8f471433417161b17a55
doctype:json
version:2.1
keyfrom:fanyi.web
action:FY_BY_REALTlMEi:pen
from:AUTO
to:AUTO
smartresult:dict
client:fanyideskweb
salt:15874437391707
sign:f22542cea9aad0e1c1ca53ccc6093772
ts:1587443739170
bv:cda24c3e62de8f471433417161b17a55
doctype:json
version:2.1
keyfrom:fanyi.web
action:FY_BY_REALTlME

对比这3个FROM表单，我们把参数值一样的参数去掉，不一样的留下：

i:pen
salt:15874437391707
sign:f22542cea9aad0e1c1ca53ccc6093772
ts:1587443739170

我们需要仔细研究一下这些参数的产生方式，或者说我们怎么才能获取这些参数值。

我们已经知道，第一个参数​​i​​，它对应的是要翻译的内容。

那其他参数呢，比如salt、sign、ts

当我们访问有道翻译网站时，服务端会给予我们响应，在响应中有很多JS文件，则salt、sign、ts这些参数的值，就是由这些JS文件生成的。所以，我们想要得到这些参数值，就要找到这些JS文件。

怎么找到这些JS文件呢？

我们可以刷新一下页面，点击审查元素–>Network–>JS，来寻找JS文件：

我们看到了一堆JS文件。

那这些文件里面，哪些使我们想要的JS文件呢？

我们可以在这些JS文件中，搜索From表单里出现的参数名。先搜索salt看看能得到些什么吧:

我们得到了一个JS文件，这个文件中有salt参数，我们在这个文件中继续查找有没有FROM表单里的其他参数(比如sign和ts)

我们在这个JS文件中, 找到了FROM表单里的参数ts、bv、salt、sign, 看看这些代码(虽然看不懂)，貌似是对参数进行某种md5加密， 还有生成随机数，貌似还有时间戳？

这些是啥啊…喵的, 烦！

哎。。不管，好不容易有点头绪，我们先把这些语句copy下来：

t = n.md5(navigator.appVersion)
r = "" + (new Date).getTime()
i = r + parseInt(10 * Math.random(), 10);

ts: r,
bv: t,
salt: i,
sign: n.md5("fanyideskweb" + e + i + "Nw(nmmbP%A-r6U3EUn]Aj")

copy这些JS语句有啥用呢？

为的就是按照这些js语句的意思，用python的语法把FROM表单里的参数值重现出来。 呵呵！简单粗暴。

那么我们如何弄明白这些JS语句的意思呢？

进行测试啊！来吧，拿起我们的小手手，在Console中一行一行代码的研究这些JS语句是啥意思。

​​navigator.appVersion​​语句生成的东西和我们的User-Agent好像啊。我们验证一下：

User-Agent:Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36

石锤了！​​navigator.appVersion​​​语句可以生成User-Agent中​​Mozilla/​​后面的东西。这就是为啥bv参数不变的原因，因为我发起请求时的User-Agent一直没变，所以用User-Agent进行md5加密得来的bv参数也不会变。

​​"" + (new Date).getTime()​​语句貌似可以拿到时间戳。

看来​​parseInt(10 * Math.random(), 10)​​语句貌似可以生成0到9的随机数

好了，更关键的来了！现在我想要在Console中测试代码​​"fanyideskweb" + e + i + "Nw(nmmbP%A-r6U3EUn]Aj"​​，这貌似只是简单的字符串拼接啊，有啥可看的。

是简单的拼接没错，但是我它喵的不知道e是啥，这该咋办！？

看那一坨坨的JS代码，把e找出来？…对不起，我有点晕，臣妾做不到…那咋整？那就，断点调试吧…咋调试呢？

我们在如下图所示的8378行打一个断点，并在有道页面里输入一些要翻译的内容，比如English:

神奇的事情发生了！我们的屏幕上跳出了我想要的答案：e = “English”

通过断点调试，我们知道了，这个e所代表的的就是我想要翻译的内容。

敲代码啦！

那么我们做了那么多现在可以敲python代码了么？

可以！但咱是先别爬，咱们先把FROM表单里salt、sign、ts参数值，用python重现一下…MD…保持微笑.JPG

用python重现FROM表单参数值的代码：

import time
import random
from hashlib import md5
ts = str(int(time.time()*1000))
salt = ts + str(random.randint(0,9))

s = md5()
e = input('输入要翻译的内容:')
sign = "fanyideskweb" + e + salt + "Nw(nmmbP%A-r6U3EUn]Aj"
s.update(sign.encode())
#update的参数为byte数据类型
md5_sign = s.hexdigest()

现在可以爬了么？？？

不好意思，我还想介绍一下requests.post方法。

requests.post方法

请求有很多类别，比如有GET、POST、HEAD、PUT等等。现在，我们就是要用python的requests.post方法向服务端发起POST请求。一般，当我们向网站提交一定的信息，想得到反馈(比如，想要注册账号，英汉翻译)时，就要用到POST请求。

• 语法

response = requests.post(url,data=formdata,headers=headers)
#formdata:要post(提交)的FROM表单数据，字典格式

爬虫啦

好了，现在我们开始爬吧.

python代码：

# -*- coding: utf-8 -*-

import requests
import time
import random
from hashlib import md5
import json

class YoudaoSpider:
def __init__(self):
self.url = ' http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
self.proxy = ['{}://117.88.176.93:3000',
'{}://117.88.177.153:3000',
'{}://60.188.77.31:3000']
self.headers = {
'Accept':'application/json, text/javascript, */*; q=0.01',
'Accept-Language':'zh-CN,zh;q=0.9',
'Connection':'keep-alive',
'Content-Length':'255',
'Content-Type':'application/x-www-form-urlencoded; charset=UTF-8',
'Cookie':'OUTFOX_SEARCH_USER_ID=-144954992@61.190.196.18; OUTFOX_SEARCH_USER_ID_NCOO=645870110.9638431; _ntes_nnid=75e99ed4fe9cecbb947a8df8ea8b8885,1526958441068; P_INFO=m18155501928; _ga=GA1.2.45220094.1586593751; JSESSIONID=aaa5TmtwK5mCi7b8j-Agx; SESSION_FROM_COOKIE=unknown; ___rl__test__cookies=1587469540366',
'Host':'fanyi.youdao.com',
'Origin':'http://fanyi.youdao.com',
'Referer':'http://fanyi.youdao.com/',
'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36'
}


def get_parameter(self, word):
ts = str(int(time.time()*1000))
salt = ts + str(random.randint(0,9))

s = md5()
sign = "fanyideskweb" + word + salt + "Nw(nmmbP%A-r6U3EUn]Aj"
s.update(sign.encode())
#update的参数为byte数据类型
sign = s.hexdigest()

return salt,sign,ts

def post_data(self, word):
salt,sign,ts = self.get_parameter(word)

formdata = {
'i':word,
'from':'AUTO',
'to':'AUTO',
'smartresult':'dict',
'client':'fanyideskweb',
'salt':salt,
'sign':sign,
'ts':ts,
'bv':'cda24c3e62de8f471433417161b17a55',
'doctype':'json',
'version':'2.1',
'keyfrom':'fanyi.web',
'action':'FY_BY_CLICKBUTTION'
}
proxy = random.choice(self.proxy)
proxies = {'http':proxy.format('http'),
'https':proxy.format('https')}

html_json = requests.post(
url = self.url,
data = formdata,
headers = self.headers,
proxies = proxies
).json()
#print(type(html_json))
result = html_json['translateResult'][0][0]['tgt']
print('翻译结果:', result)


def main(self):
word = input('输入要翻译的内容:')
self.post_data(word)


if __name__ == '__main__':
start = time.time()
spider = YoudaoSpider()
spider.main()
end = time.time()
print('执行时间:%.2f' % (end-start))

控制台输出：

输入要翻译的内容:垂耳兔
翻译结果: The loppy eared rabbit
执行时间:7.91

---

后记：写了这篇案例导致我想学CSS、JS和数据结构了，但还要复试。呵呵，说好的复试之前绝不写案例呢？辣鸡！