Python音乐爬虫完美绕过反爬
前言
大家好，我叫善念。
这是我的第二篇博客，也是第一篇技术博客，希望大家多多支持，让我更加有动力去更新一些python爬虫类的案例教程。
开始
确立目标网址：点击进入
进入到跳转页面：
可以看到出现了咱们需要的一些音乐
分析（x0）
这些音乐的源文件地址是否在咱们的网页元素中，然后再查看网页源代码中是否有咱们需要的内容。（注：网页元素与网页源代码不一定是一样的，网页元素是经过浏览器渲染后的源代码，而源代码纯粹就是服务器给咱们传送过来的原始数据）
网页元素中只有封面图片的资源，没用音频源文件地址：
网页源代码中同样没有咱们需要的内容：
分析（x1）
其实没有才正常（这种大型网站的数据不会让你这么轻易抓取）....不过是带大家走一遍流程，对别的网站也要这样分析
那么咱们开始播放音乐抓包，看是否能抓到数据：
果然是经过触发播放按钮后，服务器传给咱们客户端的。（ajax）
而咱们抓到的这个源文件地址
除了这两段外，其它的应该都是固定死的。
分析（x2）
那么我假设这两段是从我开始访问这首歌曲页面的时候生成的，比如后面那串数字为这首音乐在服务器数据库中的对应的一个ID值呢？
假设是合理的，不过由于咱们前面已经查看过源代码和网页元素中找不到这些值，我就不在这里浪费时间了。
分析（x3）
这里我和大家讲一下，咱们向服务器发送一个网址请求，服务器给咱们返回的可不止一个数据包，一般都是N个数据包。当我们看到源代码中没有时候，也许它正悄悄地通过Ajax传给我们了？
Ajax在网上有很多的解释，但是大家未必能理解。从服务器获得源代码数据，然后通过浏览器渲染执行JavaScript获得一些数据（音乐）。
这样说大家应该就懂了，那么咱们开始抓当前页面的包：
Ajax异步请求的数据，都会在XHR中。所以直接筛选就好了。这个包我已经抓到了，get请求然后看下返回的值。
果然就是这个包数据都是对应的，然后打开看看里面是否有音乐源文件地址：
并没有，但是有一个rid出现了两次。
分析（x4）
那么它是否是咱们音乐的ID（索引）值？
接着看下面的包：
这个get请求很关键，它的参数中利用到了咱们的rid这个值
而他返回值里正好有咱们的音乐源文件地址：
通过分析获取到音乐
通过咱们的分析，已经可以理清思路了。
首先抓取这个包获取到rid
然后传递rid进行这个包的请求获取到音乐文件地址
JavaScript绕过之参数冗余
可以看到这个rid获取的地址中有key值是url编码很轻松就可以解码：
import requests keywords = '%E5%BE%80%E4%BA%8B%E9%9A%8F%E9%A3%8E' print(requests.utils.unquote(keywords)) # 往事随风
而pn=1意思就是第一页嘛，30就是这一页总共30条音乐数据咯，1代表状态码请求成功，而最后reqId这个值如何获取呢？
有能力的自己去逆向JavaScript，而咱们这里直接把这里的参数都删除掉，同样可以访问到咱们的rid，为什么呢？
当你访问百度的时候
可以看到多余了很多你看不懂的参数，而这些参数实际上可以直接删除掉！
结果是一样的，这个就叫参数冗余。
CSRF攻击与防御
当咱们直接访问这个链接确出现这样的画面？
而咱们如果把请求头全部放到咱们的pycharm中利用Python模拟发送请求却可以成功（自行测试）
可以看到请求中有一个参数叫csrf，这个叫做防跨站点攻击。
这个就好理解了，当我们用浏览器直接访问的话，尽管可以带cookies，但是咱们是没法携带这个参数的。而当我们把请求头完整的复制在pycharm中Python运行的话，就可以携带这个参数，那么就可以访问。
目的就是保护此api防止任意情况下都可以随便访问。
而这个csrf参数不就是咱们cookies中的值么？那么是不是咱们首先需要获取cookies？因为cookies会过期阿，为了让你的程序永久有效，那么最好的办法就是自动获取cookies
总结
那么所有的原理都可以搞清楚了
首先访问首页获取cookies，然后绕过JavaScript删除多余的参数获取到rid，最后通过rid进行访问获取到音乐源地址（这里的参数也可以删除），最后保存数据！
全程干货，分析网站反扒手段，Python采集整站任意音乐！
代码
"""
author: 善念
date: 2021-04-12
"""
import requests
import jsonpath
from urllib.request import urlretrieve
import urllib.parse
def get_csrf():
# 保持cookies 维持客户端与服务器之间的会话
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
# 'Cookie': 'Hm_lvt_cdb524f42f0ce19b169a8071123a4797=1618229629; _ga=GA1.2.1951895595.1618229638; _gid=GA1.2.369506281.1618229638; Hm_lpvt_cdb524f42f0ce19b169a8071123a4797=1618230532; kw_token=ZOMA0RIOLV',
'Host': 'www.kuwo.cn',
'Pragma': 'no-cache',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36',
}
s.get('http://www.kuwo.cn/', headers=headers)
url = f'http://www.kuwo.cn/api/www/search/searchMusicBykeyWord?key={keyword}&pn=1&rn=30&httpsStatus=1&reqId=a3b6cb30-9b8a-11eb-bc04-b33703ed2ebb'
headers = {
'Accept': 'application/json, text/plain, */*',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
# 'Cookie': 'Hm_lvt_cdb524f42f0ce19b169a8071123a4797=1618229629; _ga=GA1.2.1951895595.1618229638; _gid=GA1.2.369506281.1618229638; Hm_lpvt_cdb524f42f0ce19b169a8071123a4797=1618229710; kw_token=UTBATXE1HY',
'csrf': s.cookies.get_dict()['kw_token'],
'Host': 'www.kuwo.cn',
'Pragma': 'no-cache',
'Referer': f'http://www.kuwo.cn/search/list?key={keyword}',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36',
}
r = s.get(url, headers=headers)
print(r.text)
rid = jsonpath.jsonpath(r.json(), '$..rid')[0]
print(rid)
return rid
def get_music_url(rid):
url = f'http://www.kuwo.cn/url?format=mp3&rid={rid}&response=url&type=convert_url3&br=128kmp3&from=web&httpsStatus=1'
headers = {
'Accept': 'application/json, text/plain, */*',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
# 'Cookie': 'Hm_lvt_cdb524f42f0ce19b169a8071123a4797=1618231398; _ga=GA1.2.52993118.1618231399; _gid=GA1.2.889494894.1618231399; Hm_lpvt_cdb524f42f0ce19b169a8071123a4797=1618231413; _gat=1; kw_token=VBM6N1XEG4P',
'Host': 'www.kuwo.cn',
'Pragma': 'no-cache',
'Referer': f'http://www.kuwo.cn/search/list?key={keyword}',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36',
}
music_url = s.get(url, headers=headers).json().get('url')
print(music_url)
return music_url
def get_music(music_url):
urlretrieve(music_url, f'{urllib.parse.unquote(keyword)}'+'.mp3')
def go():
rid = get_csrf()
music_url = get_music_url(rid)
get_music(music_url)
if __name__ == '__main__':
s = requests.session()
keyword = input('请输入您要下载的音乐名字：')
keyword = urllib.parse.quote(keyword)
go()
