码迷,mamicode.com
首页 > Web开发 > 详细

php+phantomjs实现今日头条的首页推送抓取

时间:2018-05-23 19:05:31      阅读:2136      评论:0      收藏:0      [点我收藏+]

标签:尼玛   pen   tag   abc   log   request   打开   ===   lua   

 第一次搞爬虫,经验不足,爬出来的效果也不是很好,记录一下吧。

 认识的哥们最近在爬今日头条的数据,不过他是做java的。之前也想用php做点爬数据的东西,于是直接也搞今日头条,万一有不明白的地方还能有个人商量。话不多说,上点干货。

 

 关于爬虫,我之前的认知是,curl+正则,有点模糊,下面一步一步说吧

 一、观察页面

  今日头条的首页推送数据,是通过ajax获取的,打开页面调试我们可以看到下图

  技术分享图片

  请求是每次滚动条滚动到底部触发的,然后我们右键新页面打开这个链接

  技术分享图片

 不难发现这是个接口,返回json数据,在线格式化一下,结果如下

  

 1 {
 2     "has_more": true,
 3     "message": "success",
 4     "data": [{
 5         "chinese_tag": "财经",
 6         "media_avatar_url": "//p1.pstatp.com/large/4d00054b126ceaf920",
 7         "is_feed_ad": false,
 8         "tag_url": "news_finance",
 9         "title": "重要里程碑!中国政府采购服务器列入“中国芯”",
10         "single_mode": false,
11         "middle_mode": false,
12         "abstract": "尽管美国对中兴销售零部件和软件的禁令将被解除。近日有媒体注意到,在中央国家机关发布的新采购名单中,服务器产品的技术要求格外引人注目。",
13         "tag": "news_finance",
14         "label": ["网络安全", "龙芯", "CPU", "信息安全", "英特尔"],
15         "behot_time": 1527057631,
16         "source_url": "/group/6558562819279684109/",
17         "source": "环球网",
18         "more_mode": false,
19         "article_genre": "article",
20         "comments_count": 628,
21         "group_source": 2,
22         "item_id": "6558562819279684109",
23         "has_gallery": false,
24         "group_id": "6558562819279684109",
25         "media_url": "/c/user/5954781019/"
26     }, {
27         "single_mode": true,
28         "abstract": "一个动作,一句话语,一个眼神,这些看似微小的细节,有时都有着丰富的内涵,传递出意味深长的信号。中美华盛顿磋商过去已有几天,但美方最近释放的两个小细节,感觉拼出了一个更完整的中美谈判成果。",
29         "middle_mode": true,
30         "more_mode": true,
31         "tag": "news_world",
32         "label": ["中美关系", "中兴", "国际"],
33         "comments_count": 233,
34         "tag_url": "news_world",
35         "title": "这两个小细节,拼出一个更完整的中美谈判成果",
36         "chinese_tag": "国际",
37         "source": "牛弹琴",
38         "group_source": 2,
39         "has_gallery": false,
40         "media_url": "/c/user/3647305700/",
41         "media_avatar_url": "//p2.pstatp.com/large/1566/2791711243",
42         "image_list": [{
43             "url": "//p3.pstatp.com/list/pgc-image/15269858649775498ea28fe"
44         }, {
45             "url": "//p3.pstatp.com/list/pgc-image/15269858650368af9b6b970"
46         }, {
47             "url": "//p3.pstatp.com/list/pgc-image/1526985864933a9921fd8d0"
48         }],
49         "source_url": "/group/6558354654705484295/",
50         "article_genre": "article",
51         "item_id": "6558354654705484295",
52         "is_feed_ad": false,
53         "behot_time": 1527057631,
54         "image_url": "//p3.pstatp.com/list/190x124/pgc-image/15269858649775498ea28fe",
55         "group_id": "6558354654705484295",
56         "middle_image": "http://p3.pstatp.com/list/pgc-image/15269858649775498ea28fe"
57     }, {
58         "single_mode": true,
59         "abstract": "这个小品还有一个插曲就是原定的女主本来是闫妮,但是在春晚前3天临时换成了金玉婷,登上春晚后,她还被称为是“春晚第一美女”。",
60         "middle_mode": true,
61         "more_mode": true,
62         "tag": "news_entertainment",
63         "label": ["春晚", "金玉婷", "抑郁症", "我是大侦探", "潘长江"],
64         "comments_count": 229,
65         "tag_url": "news_entertainment",
66         "title": "曾5次上春晚,患抑郁症淡出,如今做主播没人看,四处走穴很凄凉",
67         "chinese_tag": "娱乐",
68         "source": "猫眼娱乐",
69         "group_source": 2,
70         "has_gallery": false,
71         "media_url": "/c/user/64781639962/",
72         "media_avatar_url": "//p3.pstatp.com/large/2c6b001dd55cf954a3f6",
73         "image_list": [{
74             "url": "//p3.pstatp.com/list/pgc-image/15270494556167c19bc847f"
75         }, {
76             "url": "//p3.pstatp.com/list/pgc-image/1527049455588fe78498ed1"
77         }, {
78             "url": "//p3.pstatp.com/list/pgc-image/152704945540787d17fdfb9"
79         }],
80         "source_url": "/group/6558629445270241805/",
81         "article_genre": "article",
82         "item_id": "6558629445270241805",
83         "is_feed_ad": false,
84         "behot_time": 1527057631,
85         "image_url": "//p3.pstatp.com/list/190x124/pgc-image/15270494556167c19bc847f",
86         "group_id": "6558629445270241805",
87         "middle_image": "http://p3.pstatp.com/list/pgc-image/15270494556167c19bc847f"
88     }],
89     "next": {
90         "max_behot_time": 1527057631
91     }
92 }

  我们看这个json的结构,data里的就是我们想要的数据,好了我们只要仿造地址然后 curl模拟请求获取数据就得了。

 

 二、爬虫研发

  分析数据接口

    地址:‘https://www.toutiao.com/api/pc/feed/?max_behot_time=1527057712&category=__all__&utm_source=toutiao&widen=1&tadrequire=true&as=A1656B107572ABC&cp=5B05529AAB2CEE1&_signature=PNjkzBAeZ-Tys2Ie-4uYMTzY5N‘

  

  对比之后发现,每次触发的ajax地址只有max_behot_time、as、cp、_signature这4个参数有变化。max_behot_time有点像时间戳,格式化一下,果然是。然后就是as、cp、_signature三个变参,百度了下是js对时间戳的加密出来的。

  知乎上对as、cp有一些文章,_signature百度出来的结果很少。

  

  再次打开页面调试

  技术分享图片

 找到参数生成的js,格式化js代码找到如下代码

  片段一:返回3个参数

  

{
            key: "_setParams",
            value: function(t) {
                var e = (0, h.
            default)(),
                i = 0;
                this.url = this._url,
                "refresh" === t ? (i = this.list.length > 0 ? this.list[0].behot_time: 0, this.url += "min_behot_time=" + i) : (i = this.list.length > 0 ? this.list[this.list.length - 1].behot_time: 0, this.url += "max_behot_time=" + i);
                var n = (0, _.sign)(i + ""); (0, a.default)(this.params, {
                    as: e.as,
                    cp: e.cp,
                    _signature: n
                })
            }
        }

 

  片段二:as、cp 时间戳加密逻辑,对照知乎上那片文章,这个可以用php的逻辑写,easy

 

 1 function s() {
 2         var t = Math.floor((new Date).getTime() / 1e3),
 3         e = t.toString(16).toUpperCase(),
 4         i = (0, o.
 5     default)(t).toString().toUpperCase();
 6         if (8 != e.length) return {
 7             as: "479BB4B7254C150",
 8             cp: "7E0AC8874BB0985"
 9         };
10         for (var n = i.slice(0, 5), s = i.slice( - 5), a = "", r = 0; r < 5; r++) a += n[r] + e[r];
11         for (var l = "",
12         u = 0; u < 5; u++) l += e[u + 3] + s[u];
13         return {
14             as: "A1" + a + e.slice( - 3),
15             cp: e.slice(0, 3) + l + "E1"
16         }
17     }

  还差一个参数_signature,这个参数有点难找,结合百度找到了js文件

 技术分享图片

  相关代码片段:

  

 1 function(t, e) {
 2     Function(function(t) {
 3         return ‘e(e,a,r){(b[e]||(b[e]=t("x,y","x "+e+" y")(r,a)}a(e,a,r){(k[r]||(k[r]=t("x,y","new x[y]("+Array(r+1).join(",x[y]")(1)+")")(e,a)}r(e,a,r){n,t,s={},b=s.d=r?r.d+1:0;for(s["$"+b]=s,t=0;t<b;t)s[n="$"+t]=r[n];for(t=0,b=s=a;t<b;t)s[t]=a[t];c(e,0,s)}c(t,b,k){u(e){v[x]=e}f{g=,ting(bg)}l{try{y=c(t,b,k)}catch(e){h=e,y=l}}for(h,y,d,g,v=[],x=0;;)switch(g=){case 1:u(!)4:f5:u((e){a=0,r=e;{c=a<r;c&&u(e[a]),c}}(6:y=,u((y8:if(g=,lg,g=,y===c)b+=g;else if(y!==l)y9:c10:u(s(11:y=,u(+y)12:for(y=f,d=[],g=0;g<y;g)d[g]=y.charCodeAt(g)^g+y;u(String.fromCharCode.apply(null,d13:y=,h=delete [y]14:59:u((g=)?(y=x,v.slice(x-=g,y:[])61:u([])62:g=,k[0]=65599*k[0]+k[1].charCodeAt(g)>>>065:h=,y=,[y]=h66:u(e(t[b],,67:y=,d=,u((g=).x===c?r(g.y,y,k):g.apply(d,y68:u(e((g=t[b])<"<"?(b--,f):g+g,,70:u(!1)71:n72:+f73:u(parseInt(f,3675:if(){bcase 74:g=<<16>>16g76:u(k[])77:y=,u([y])78:g=,u(a(v,x-=g+1,g79:g=,u(k["$"+g])81:h=,[f]=h82:u([f])83:h=,k[]=h84:!085:void 086:u(v[x-1])88:h=,y=,h,y89:u({e{r(e.y,arguments,k)}e.y=f,e.x=c,e})90:null91:h93:h=0:;default:u((g<<16>>16)-16)}}n=this,t=n.Function,s=Object.keys||(e){a={},r=0;for(c in e)a[r]=c;a=r,a},b={},k={};r‘.replace(/[-]/g,
 4         function(e) {
 5             return t[15 & e.charCodeAt(0)]
 6         })
 7     } ("v[x++]=v[--x]t.charCodeAt(b++)-32function return ))++.substrvar .length(),b+=;break;case ;break}".split("")))()(‘gr$Daten Иb/s!l y?y?g,(lfi~ah`{mv,-n|jqewVxp{rvmmx,&effkx[!cs"l".Pq%widthl"@q&heightl"vr*getContextx$"2d[!cs#l#,*;?|u.|uc{uq$fontl#vr(fillTextx$$龘???2<[#c}l#2q*shadowBlurl#1q-shadowOffsetXl#$$limeq+shadowColorl#vr#arcx88802[%c}l#vr&strokex[ c}l"v,)}eOmyoZB]mx[ cs!0s$l$Pb<k7l l!r&lengthb%^l$1+s$jl  s#i$1ek1s$gr#tack4)zgr#tac$! +0o![#cj?o ]!l$b%s"o ]!l"l$b*b^0d#>>>s!0s%yA0s"l"l!r&lengthb<k+l"^l"1+s"jl  s&l&z0l!$ +["cs\‘(0l#i\‘1ps9wxb&s() &{s)/s(gr&Stringr,fromCharCodes)0s*yWl ._b&s o!])l l Jb<k$.aj;l .Tb<k$.gj/l .^b<k&i"-4j!+& s+yPo!]+s!l!l Hd>&l!l Bd>&+l!l <d>&+l!l 6d>&+l!l &+ s,y=o!o!]/q"13o!l q"10o!],l 2d>& s.{s-yMo!o!]0q"13o!]*Ld<l 4d#>>>b|s!o!l q"10o!],l!& s/yIo!o!].q"13o!],o!]*Jd<l 6d#>>>b|&o!]+l &+ s0l-l!&l-l!i\‘1z141z4b/@d<l"b|&+l-l(l!b^&+l-l&zl\‘g,)gk}ejo{cm,)|yn~Lij~em["cl$b%@d<l&zl\‘l $ +["cl$b%b|&+l-l%8d<@b|l!b^&+ q$sign ‘, [Object.defineProperty(e, "__esModule", {
 8         value: !0
 9     })])
10 }

  

  我槽,第一眼看,这代码好尼玛长,php怎么搞啊!

  然后有个想法,我直接用js跑出这个 参数来不就得了吗,easy

  代码实现:(注意sign这个算法的编码,我被搞过) 从这个链接里去复制:https://bbs.125.la/thread-14108290-1-1.html

 1 <!DOCTYPE html>
 2 <html>
 3     <head>
 4         <title>check</title>
 5     </head>
 6     <body>
 7         <script type="text/javascript" src="{{ URL::asset(‘/assets/js/md5.js‘) }}"></script>
 8         <script type="text/javascript">
 9             function xx(t){
10                 var e = t.toString(16).toUpperCase(),
11                 i = md5(t.toString()).toUpperCase(),
12                 str = ‘‘;
13                 if (8 != e.length){
14                     str = ‘http://www.toutiao.com/api/pc/feed/?max_behot_time=‘+t+‘&category=__all__&utm_source=toutiao&widen=1&tadrequire=true&as=479BB4B7254C150&cp=7E0AC8874BB0985&_signature=‘+TAC.sign(t);
15                     return str;
16                 }
17                 for (var n = i.slice(0, 5), s = i.slice( - 5), a = "", r = 0; r < 5; r++) {
18                     a += n[r] + e[r];
19                 }
20                 for (var l = "",u = 0; u < 5; u++) {
21                     l += e[u + 3] + s[u];
22                 }
23                 str = ‘http://www.toutiao.com/api/pc/feed/?max_behot_time=‘+t+‘&category=__all__&utm_source=toutiao&widen=1&tadrequire=true&as=‘+"A1" + a + e.slice( - 3)+‘&cp=‘+e.slice(0, 3) + l + "E1"+‘&_signature=‘+TAC.sign(t);
24                 return str;
25             }
26             Function(function(t) {
    return ‘e(e,a,r){(b[e]||(b[e]=t("x,y","x "+e+" y")(r,a)}a(e,a,r){(k[r]||(k[r]=t("x,y","new x[y]("+Array(r+1).join(",x[y]")(1)+")")(e,a)}r(e,a,r){n,t,s={},b=s.d=r?r.d+1:0;for(s["$"+b]=s,t=0;t<b;t)s[n="$"+t]=r[n];for(t=0,b=s=a;t<b;t)s[t]=a[t];c(e,0,s)}c(t,b,k){u(e){v[x]=e}f{g=,ting(bg)}l{try{y=c(t,b,k)}catch(e){h=e,y=l}}for(h,y,d,g,v=[],x=0;;)switch(g=){case 1:u(!)4:f5:u((e){a=0,r=e;{c=a<r;c&&u(e[a]),c}}(6:y=,u((y8:if(g=,lg,g=,y===c)b+=g;else if(y!==l)y9:c10:u(s(11:y=,u(+y)12:for(y=f,d=[],g=0;g<y;g)d[g]=y.charCodeAt(g)^g+y;u(String.fromCharCode.apply(null,d13:y=,h=delete [y]14:59:u((g=)?(y=x,v.slice(x-=g,y:[])61:u([])62:g=,k[0]=65599*k[0]+k[1].charCodeAt(g)>>>065:h=,y=,[y]=h66:u(e(t[b],,67:y=,d=,u((g=).x===c?r(g.y,y,k):g.apply(d,y68:u(e((g=t[b])<"<"?(b--,f):g+g,,70:u(!1)71:n72:+f73:u(parseInt(f,3675:if(){bcase 74:g=<<16>>16g76:u(k[])77:y=,u([y])78:g=,u(a(v,x-=g+1,g79:g=,u(k["$"+g])81:h=,[f]=h82:u([f])83:h=,k[]=h84:!085:void 086:u(v[x-1])88:h=,y=,h,y89:u({e{r(e.y,arguments,k)}e.y=f,e.x=c,e})90:null91:h93:h=0:;default:u((g<<16>>16)-16)}}n=this,t=n.Function,s=Object.keys||(e){a={},r=0;for(c in e)a[r]=c;a=r,a},b={},k={};r‘.replace(/[-]/g, function(i) {
        return t[15 & i.charCodeAt(0)]
    })
}("v[x++]=v[--x]t.charCodeAt(b++)-32function return ))++.substrvar .length(),b+=;break;case ;break}".split("")))()(‘gr$Daten Иb/s!l y?y?g,(lfi~ah`{mv,-n|jqewVxp{rvmmx,&effkx[!cs"l".Pq%widthl"@q&heightl"vr*getContextx$"2d[!cs#l#,*;?|u.|uc{uq$fontl#vr(fillTextx$$龘???2<[#c}l#2q*shadowBlurl#1q-shadowOffsetXl#$$limeq+shadowColorl#vr#arcx88802[%c}l#vr&strokex[ c}l"v,)}eOmyoZB]mx[ cs!0s$l$Pb<k7l l!r&lengthb%^l$1+s$jl  s#i$1ek1s$gr#tack4)zgr#tac$! +0o![#cj?o ]!l$b%s"o ]!l"l$b*b^0d#>>>s!0s%yA0s"l"l!r&lengthb<k+l"^l"1+s"jl  s&l&z0l!$ +["cs\‘(0l#i\‘1ps9wxb&s() &{s)/s(gr&Stringr,fromCharCodes)0s*yWl ._b&s o!])l l Jb<k$.aj;l .Tb<k$.gj/l .^b<k&i"-4j!+& s+yPo!]+s!l!l Hd>&l!l Bd>&+l!l <d>&+l!l 6d>&+l!l &+ s,y=o!o!]/q"13o!l q"10o!],l 2d>& s.{s-yMo!o!]0q"13o!]*Ld<l 4d#>>>b|s!o!l q"10o!],l!& s/yIo!o!].q"13o!],o!]*Jd<l 6d#>>>b|&o!]+l &+ s0l-l!&l-l!i\‘1z141z4b/@d<l"b|&+l-l(l!b^&+l-l&zl\‘g,)gk}ejo{cm,)|yn~Lij~em["cl$b%@d<l&zl\‘l $ +["cl$b%b|&+l-l%8d<@b|l!b^&+ q$sign ‘, [TAC = {}]);32 var t = Math.floor((new Date).getTime() / 1e3); 33 var tmpstr = xx(t); 34 $(‘body‘).append(‘<p>‘+tmpstr+‘</p>‘); 35 </script> 36 </body> 37 </html>

  效果参见:http://58.87.108.192/check (可加时间戳参数,例:http://58.87.108.192/check/1527057712)

  

  然后是抓取数据的事了,php没办法抓取动态数据!

  这块我当时很头疼,问了问同事才知道要用v8引擎的拓展去解析

  然后装v8js,资料太少装不上,gg。想别的方法,百度了一下发现抓取动态数据的时候很多人用 phantomjs,无头浏览器,咦,我那哥们也是用的这个。

  安装 phantomjs 博客网上很多,不赘述。放一个链接:https://blog.csdn.net/wanght89/article/details/78320375

  

  js代码(获取之前页面生成的 url)

  check.js

 1 var page = require(‘webpage‘).create(),
 2     system = require(‘system‘);
 3 var url = ‘http://58.87.108.192/check‘;
 4 if (system.args.length === 2){
 5    url += ‘/‘+system.args[1];
 6 }
 7 page.open(url, function(status) {
 8   if (status !== ‘success‘) {
 9     console.log(‘Unable to access network‘);
10   } else {
11     var ua = page.evaluate(function() {
12         var res = [];
13         var domres = document.getElementsByTagName(‘p‘);
14         for(var i=0;i<domres.length;i++){            
15           res.push(domres[i].textContent);        
16         }        
17         return res;    
18       });    
19       console.log(ua);
20   }
21   phantom.exit();
22   unset(page);
23 });

  

  php 代码(其实就是一个curl)

  spider.php

 1 <?php
 2 
 3 /**
 4 * 今日头条首页爬虫
 5 */
 6 class Spider
 7 {
 8     private $searchTime = false;
 9     private $stopTime = false;
10 
11     public function __construct()
12     {
13         $this->stopTime = strtotime(date(‘Y-m-d‘));
14         $this->useData();
15     }
16 
17     //curl 获取接口内容
18     public function curlRequest($url)
19     {
20         $ch = curl_init();
21         curl_setopt($ch,CURLOPT_URL,$url);
22         curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
23         curl_setopt($ch,CURLOPT_SSL_VERIFYPEER,0);
24         curl_setopt($ch,CURLOPT_SSL_VERIFYHOST,0);
25         curl_setopt($ch,CURLOPT_HEADER,0);
26         curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
27         return curl_exec($ch);
28     }
29 
30     //phantomjs 抓取地址
31     public function getUrl()
32     {
33         $commendStr = "phantomjs ****/js/check.js";//地址不让看
34         if ($this->searchTime) {
35             $commendStr .= ‘ ‘.$this->searchTime;
36         }
37         return (exec($commendStr));
38     }
39 
40     //数据处理
41     public function useData()
42     {
43         $urlStr = $this->getUrl();
44         $urlArr = explode(‘,‘, $urlStr);
45         $res = [];
46         foreach ($urlArr as $curlUrl) {
47             sleep(1);
48             $curlJsonStr = $this->curlRequest($curlUrl);
49             $curlRes = json_decode($curlJsonStr, true);
50             var_dump($curlRes);exit;
51         }
52     }
53 }
54 
55 new Spider();

 

    爬取出来的数据示例

  技术分享图片

 

关于cookie,这个数据接口没有cookie的校验,有的话,curl模拟下就行了

  

1 curl_setopt($ch,CURLOPT_COOKIE,$cookie_str);

 

数据重复问题,接口多次请求会给出很多重复数据,我的处理方法是给表里面加了个唯一索引,md5str 这个是文章标题md5出来的

 

总结一下:

  这个爬虫不是很成功啊,我现在弄一堆url然后去跑,发现第二次数据就没法获取到了,这事让我很烦躁,没找到原因

  整体的流程走了一边,数据能拿到但是效率很低。

  感觉php不适合做爬虫,静态的数据一个curl就够了,动态数据就比较棘手,phantomjs 感觉比较笨重,而且好像已经不再支持更新

 

多说一句感觉写爬虫可以有很多种方法,比如我那哥们他就是模拟一步一步点击去做,我这个直接拼接口地址然后拿数据,有点不伦不类,初体验,多多包涵吧。

  

php+phantomjs实现今日头条的首页推送抓取

标签:尼玛   pen   tag   abc   log   request   打开   ===   lua   

原文地址:https://www.cnblogs.com/jwcrxs/p/9078201.html

(0)
(2)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!