spider_demo

个人爬虫练习代码，一点点总结上传。

一、wenshu的 js hook

可以找到加密参数发送请求前的位置，从而根据debugger位置，打断点找到加密入口。具体的加密在一点点进行中。

也可以根据这个不破解加密的具体方法。

1、通过 js hook 到 XMLHttpRequest 的请求，

2、判断请求中是否有加密参数

3、取消请求

4、将获取到的加密参数以及 cookie 返回到爬虫程序。返回通过谷歌插件的形式。

5、就可以实现抓取了

还有一种思路是自己执行 XMLHttpRequest 发送请求，并执行拦截和取消。这种思路的话生成加密参数的速度应该是最快的。不过我不太清楚这种自己制造自己拦截具体是怎么操作的。如果有知道的，可以指点一下。谢谢！

增加抓取数据的处理逻辑，并将抓取的数据保存到 mongodb 数据库中。增加验证码手动处理。

需要修改优化的部分：

• 将详情处理与列表的处理分开，详情做多线程或者异步协程抓取。
• 增加 redis 处理，实现分布式增加去重抓取
• 增加代理 ip 池

加密的参数具体破解还在一步步解析中

二、wenshu app 的逆向

这个真的简单。而且网上到处都有。

三、 FaceBook js破解

四、KuGouTop500

五、duapp_unidbg 调用 so

在大佬 @zhaoboy9692 代码上做了简单的修改

六、中华人民共和国行政区划（五级）：省级、地级、县级、乡级和村级。

关于更新全国统计用区划代码和城乡划分代码的公告

使用 python 重新实现了一下，代码比较简单，由于没有代理ip，没有进行多线程也没有异步还是挺慢的，而且会有频率限制。所以建议可以上代理ip，这样会非常快。也没有保存相关的 code ,我只需要名字，所以就只保存了名字。使用 MySQL 保存。

这个数据太多了，又用 scrapy-redis重新实现了一遍。我只是单机跑，速度其实还不是很快。可以多部署几台去抓就快多了。五级的数据是在是多，四级的话会少很多。

AreaSpider 文件夹下的 area 文件夹。执行 main.py 就可以了。然后再 redis中 push 一条起始数据就 OK 了。

需要注意的问题就是一个电脑抓的太频繁就会出现一个频率太快，会禁止你的请求，可以等几秒后。还有一个就是会出现 sojson.v5 的 js,其实这个还原之后你会发现就是生成了 cookie 中的一个参数。可以选择破解 sojson.v5 也可以直接复制 cookie 控制一下请求的频率就可以。

保存的数据预览

大家可以直接下载 sql 文件。也可以直接修改代码重新自己抓取一份。sql 文件在 AreaSpider 目录下。总共数据有将近70万的数据。我对第五级的数据进行了处理，原本都是居委会等等，把居委会。。删除后保存的。

area_spider.sql 文件大小 56.9MB