畢業，是一首離別的歌

前言

炎炎夏季，又快到了我們該說畢業的時候。都說分開是為了更好的相聚，讓我們彼此珍惜！

在這個炎熱的空檔期，對于技術渴望的宅男腐女們我們該做點什么呢？那最好的方式就是用編程來填補我們內心的空虛。

編程難不難？那可不是鬧著玩的。不從事這一行的永遠不知道這行的艱辛。

俗話說的好；爬蟲在手天下我有，自從學習了爬蟲；看到什么都想盤它一番直到遇到JS反爬

不知大家有沒有遇到過這種情況；就是你在網上不管是查閱資料也好還是做什么，你會發現其實很多人寫的反爬一類的都只給你看結果，你根本不知道這個突破過程是怎么樣的，哪怕獲取到了代碼又有何用；下次再給你一道題你同樣還是不會。你品,你細品......

我覺得做任何事情一定有在短期內簡單可行的方法。學習不應該是苦差事，而應該是快樂的，重要的是找到適合自己的學習方法

實戰

開始之前咱們先看一下要爬取的數據內容~

分析網頁結構

通過鼠標選擇器；選中文本之后在右側的元素面板中可以看到數據是包含在p標簽中的，我在想是否能夠通過re正則表達式直接獲取對應的text文本。~~~哈哈,想簡單了 因為在仔細對比之后發現，class所對應的屬性是不規則的。

就算將文本獲取下來了，文字也是那種七拼八湊沒有排好版的；這樣的文章要來也沒有任何用呀；所以繼續分析唄......

一般像這種文章一類的；它的api確實很難逆向......自己埋得坑得給填平

經過一番查找;發現這個VIP文庫好像是通過js文件然后生成了屬于自己獨有的api地址 ？

在不確定對不對的情況下，也沒有其他數據驗證的情況下；先解析排序一番 看是否能夠拿到數據。

代碼演示

第一步 請求網絡鏈接獲取網絡返回的數據

import?requests
import?re

#?設置會話列表
session?=?requests.session()
#?請求網址
def?get_content_url(url):
????return?session.get(url).content.decode('gbk')

def?main():
????url?=?input('請輸入你要下載文庫的URL地址：')
????content?=?get_content_url(url)
????print(content)

我們在獲取到該文章的url之后，查看該url對應的網頁數據時，在這個網頁數據中發現它同時蘊含著真正文章的地址

htmlUrls?=?'{\x22ttf\x22:[{\x22pageIndex\x22:1,\x22param\x22:\x22&md5sum=b1f8fa5aeb9b6fed68ad32e063bfb0e5&range=0-31101&sign=7515dbae11\x22},{\x22pageIndex\x22:2,\x22param\x22:\x22&md5sum=b1f8fa5aeb9b6fed68ad32e063bfb0e5&range=31102-55306&sign=7515dbae11\x22},{\x22pageIndex\x22:3,\x22param\x22:\x22&md5sum=b1f8fa5aeb9b6fed68ad32e063bfb0e5&range=55307-93048&sign=7515dbae11\x22},{\x22pageIndex\x22:4,\x22param\x22:\x22&md5sum=b1f8fa5aeb9b6fed68ad32e063bfb0e5&range=93049-132192&sign=7515dbae11\x22},{\x22pageIndex\x22:5,\x22param\x22:\x22&md5sum=b1f8fa5aeb9b6fed68ad32e063bfb0e5&range=132193-&sign=7515dbae11\x22}],\x22json\x22:[{\x22pageIndex\x22:1,\x22pageLoadUrl\x22:\x22https:\\\/\\\/wkbjcloudbos.bdimg.com\\\/v1\\\/docconvert5004\\\/\\\/wk\\\/b1f8fa5aeb9b6fed68ad32e063bfb0e5\\\/0.json?responseCacheControl=max-age%3D3888000&responseExpires=Sun%2C%2014%20Jun%202020%2014%3A46%3A09%20%2B0800&authorization=bce-auth-v1%2Ffa1126e91489401fa7cc85045ce7179e%2F2020-04-30T06%3A46%3A09Z%2F3600%2Fhost%2F9e582203d432a9f847b718dab571a08017108e768f72ade5237ff652a7155251&x-bce-range=0-10894&token=eyJ0eXAiOiJKSVQiLCJ2ZXIiOiIxLjAiLCJhbGciOiJIUzI1NiIsImV4cCI6MTU4ODIzMjc2OSwidXJpIjp0cnVlLCJwYXJhbXMiOlsicmVzcG9uc2VDYWNoZUNvbnRyb2wiLCJyZXNwb25zZUV4cGlyZXMiLCJ4LWJjZS1yYW5nZSJdfQ%3D%3D.ErP4NzQSHI7omb0fL0PCVfgvk0ze0w0JUfZLWMMYDlM%3D.1588232769\x22},{\x22pageIndex\x22:2,\x22pageLoadUrl\x22:\x22https:\\\/\\\/wkbjcloudbos.bdimg.com\\\/v1\\\/docconvert5004\\\/\\\/wk\\\/b1f8fa5aeb9b6fed68ad32e063bfb0e5\\\/0.json?responseCacheControl=max-age%3D3888000&responseExpires=Sun%2C%2014%20Jun%202020%2014%3A46%3A09%20%2B0800&authorization=bce-auth-v1%2Ffa1126e91489401fa7cc85045ce7179e%2F2020-04-30T06%3A46%3A09Z%2F3600%2Fhost%2F9e582203d432a9f847b718dab571a08017108e768f72ade5237ff652a7155251&x-bce-range=10895-28260&token=eyJ0eXAiOiJKSVQiLCJ2ZXIiOiIxLjAiLCJhbGciOiJIUzI1NiIsImV4cCI6MTU4ODIzMjc2OSwidXJpIjp0cnVlLCJwYXJhbXMiOlsicmVzcG9uc2VDYWNoZUNvbnRyb2wiLCJyZXNwb25zZUV4cGlyZXMiLCJ4LWJjZS1yYW5nZSJdfQ%3D%3D.9i8HdDDmUge8YbVEMtZAnelm%2FDSLDfBfgI2Jx7P16aE%3D.1588232769\x22},{\x22pageIndex\x22:3,\x22pageLoadUrl\x22:\x22https:\\\/\\\/wkbjcloudbos.bdimg.com\\\/v1\\\/docconvert5004\\\/\\\/wk\\\/b1f8fa5aeb9b6fed68ad32e063bfb0e5\\\/0.json?responseCacheControl=max-age%3D3888000&responseExpires=Sun%2C%2014%20Jun%202020%2014%3A46%3A09%20%2B0800&authorization=bce-auth-v1%2Ffa1126e91489401fa7cc85045ce7179e%2F2020-04-30T06%3A46%3A09Z%2F3600%2Fhost%2F9e582203d432a9f847b718dab571a08017108e768f72ade5237ff652a7155251&x-bce-range=28261-38549&token=eyJ0eXAiOiJKSVQiLCJ2ZXIiOiIxLjAiLCJhbGciOiJIUzI1NiIsImV4cCI6MTU4ODIzMjc2OSwidXJpIjp0cnVlLCJwYXJhbXMiOlsicmVzcG9uc2VDYWNoZUNvbnRyb2wiLCJyZXNwb25zZUV4cGlyZXMiLCJ4LWJjZS1yYW5nZSJdfQ%3D%3D.4SABpIpgQ%2BnueqTBSwfTo3nLieKfUcGU%2FZU9OZ%2F4nk0%3D.1588232769\x22},{\x22pageIndex\x22:4,\x22pageLoadUrl\x22:\x22https:\\\/\\\/wkbjcloudbos.bdimg.com\\\/v1\\\/docconvert5004\\\/wk\\\/b1f8fa5aeb9b6fed68ad32e063bfb0e5\\\/0.json?responseContentType=application%2Fjavascript&responseCacheControl=max-age%3D3888000&responseExpires=Sun%2C%2014%20Jun%202020%2014%3A46%3A09%20%2B0800&authorization=bce-auth-v1%2Ffa1126e91489401fa7cc85045ce7179e%2F2020-04-30T06%3A46%3A09Z%2F3600%2Fhost%2F5a356ec62775deff7aa1b5b5b4937945c319efe9126778be6254387b75ca1626&x-bce-range=38550-52301&token=eyJ0eXAiOiJKSVQiLCJ2ZXIiOiIxLjAiLCJhbGciOiJIUzI1NiIsImV4cCI6MTU4ODIzMjc2OSwidXJpIjp0cnVlLCJwYXJhbXMiOlsicmVzcG9uc2VDb250ZW50VHlwZSIsInJlc3BvbnNlQ2FjaGVDb250cm9sIiwicmVzcG9uc2VFeHBpcmVzIiwieC1iY2UtcmFuZ2UiXX0%3D.L5iFcYymhKwKiOA3dVRyBtUXFG9QRfohHiaIzS2MpQU%3D.1588232769\x22},{\x22pageIndex\x22:5,\x22pageLoadUrl\x22:\x22https:\\\/\\\/wkbjcloudbos.bdimg.com\\\/v1\\\/docconvert5004\\\/\\\/wk\\\/b1f8fa5aeb9b6fed68ad32e063bfb0e5\\\/0.json?responseCacheControl=max-age%3D3888000&responseExpires=Sun%2C%2014%20Jun%202020%2014%3A46%3A09%20%2B0800&authorization=bce-auth-v1%2Ffa1126e91489401fa7cc85045ce7179e%2F2020-04-30T06%3A46%3A09Z%2F3600%2Fhost%2F9e582203d432a9f847b718dab571a08017108e768f72ade5237ff652a7155251&x-bce-range=52302-&token=eyJ0eXAiOiJKSVQiLCJ2ZXIiOiIxLjAiLCJhbGciOiJIUzI1NiIsImV4cCI6MTU4ODIzMjc2OSwidXJpIjp0cnVlLCJwYXJhbXMiOlsicmVzcG9uc2VDYWNoZUNvbnRyb2wiLCJyZXNwb25zZUV4cGlyZXMiLCJ4LWJjZS1yYW5nZSJdfQ%3D%3D.9VimXbBUqMM9a8uJUhZFYjWxNzEnd0X485v%2FiCIHO24%3D.1588232769\x22}],\x22png\x22:[]}'

第二步 正則表達式解析數據

def?get_content_type(content):
????print(re.findall(r"docType.*?\:.*?\'(.*?)\'\,",?content))

是不是沒有任何發現；腦子有點懵~ 慢慢來！我已經標注出來了。既然我們發現了這個數據集，那么接下來嘗試著解析一下唄；看看隱藏這么深的究竟是何方神圣。

根據上面獲取到的數據集經過再一次的解析；我們得到了一個鏈接；好像~貌似看到希望了呀哈哈~

再解析一下；此時我們已經通過正則表達式取得該文章的地址了，這些地址不止一個；接下來讓我們把代碼先完善一下

注意：因為每個文章的類型是不同的；看下圖；所以這里只做了doc格式的解析，其他的思路都差不多，有心的同學可以參照著我這種方案自己動手試一下。

def?get_content_type(content):
????return?re.findall(r"docType.*?\:.*?\'(.*?)\'\,",?content)[0]

使用文章的地址再次向服務器發送請求時，獲取到的文章數據，但是此時的數據還并不是文章的內容，而是一個json結構的數據集，這里大家看起來可能有點懵逼，我們稍微給他處理一下

經過解析之后；這樣看起來就清晰了很多；大家看下圖的左邊?~ 然后再看右邊?解析整理之后的

不過看到這個數據集有些腦袋懵懵的，頭皮發麻有沒有；經過一番摸索之后；給大家整理一下結論。

這個數據集是基于百度文庫自己的閱讀器生成的，里面包含了非常多的信息，我們需要的文章內容就在其中，只不過它是以五維的位置參數，來標明內容出現的位置。

比如下面這樣，內容就是 c 這一串的Unicode編碼，p 就是其位置參數,什么高啊寬啊等

有種無從下手的感覺；經過一番實驗；這里我們可以根據 y 的數值對整個文檔進行簡單排列，然后設置編解碼。

不理解的同學可以根據代碼。自己實踐一下；這里就不細說了！

def?get_content_doc(content):
????result?=?''
????url_list?=?re.findall('(https.*?0.json.*?)\\\\x22}',?content)
????#?print(url_list)
????url_list?=?[addr.replace("\\\\\\/",?"/")?for?addr?in?url_list]
????for?url?in?url_list[:-5]:
????????content?=?fetch_url(url)
????????y?=?0
????????txtlists?=?re.findall('"c":"(.*?)".*?"y":(.*?),',?content)
????????for?item?in?txtlists:
????????????if?not?y?==?item[1]:
????????????????y?=?item[1]
????????????????n?=?'\n'
????????????else:
????????????????n?=?''
????????????result?+=?n
????????????result?+=?item[0].encode('utf-8').decode('unicode_escape',?'ignore')
????return?result

第三步 保存數據

def?save_file(filename,?content):
????with?open(filename,?'w',?encoding='utf-8')?as?f:
????????f.write(content)
????????print('已保存為:'?+?filename)

if?__name__?==?"__main__":
????main()

在這個浮躁的時代；竟然還有人能堅持篇篇原

如果本文對你學習有所幫助-可以點贊?+ 關注！將持續更新更多新的文章

支持原創。感謝！

總結

以上是生活随笔為你收集整理的js input复选框选中父级同时子级也选中_突破百度JS反爬获取百度文库数据下载...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。