搜狗微信采集 —— python爬虫系列一

　　前言：一觉睡醒，发现原有的搜狗微信爬虫失效了，网上查找一翻发现10月29日搜狗微信改版了，无法通过搜索公众号名字获取对应文章了，不过通过搜索主题获取对应文章还是可以的，问题不大，开搞！

　　目的：获取搜狗微信中搜索主题返回的文章。

　　涉及反爬机制：cookie设置，js加密。

　　完整代码已上传本人github，仅供参考。如果对您有帮助，劳烦看客大人给个星星！

　　进入正题。

流程一：正常套路流程

　　打开搜狗微信，在搜索框输入“咸蛋超人”，这里搜索出来的就是有关“咸蛋超人”主题的各个公众号的文章列表：

 　　按照正常的采集流程，此时按F12打开浏览器的开发者工具，利用选择工具点击列表中文章标题，查看源码中列表中文章url的所在位置，再用xpath获取文章url的值，也就是这个href的值，为避免混乱，我们称之为“列表页面的文章url”。

　　可以看到“列表页面的文章url”需要拼接，一般这种情况需要在浏览器中正常访问一下这篇文章，对比观察跳转后的url（我们称之为“真实的文章url”），再缺头补头缺脚补脚即可。下面是两个url的对比：

列表页面的文章url：
/link?url=dn9a_-gY295K0Rci_xozVXfdMkSQTLW6cwJThYulHEtVjXrGTiVgSwqn5HZrcjUNFzn4G2S0Yt3MduzuCU92ulqXa8Fplpd9CqUiLuEm9hLLvBiu5ziMS196rgHYb-GzQfleG917OgwN_VAAdAZHKryCeU9lIxtWTKnLsDcsuPIjLhLEK3tbGSa3_pkMzadQg75Zhmxb9YI0psZvVepKtN4hpzQgtGa2iOlKKLwV_oxooGE6sxg1qinKxTb5VwJUcLBM1RgkzAPRtmyIGw2VAg..&type=2&query=%E5%92%B8%E8%9B%8B%E8%B6%85%E4%BA%BA&k=92&h=z

真实的文章url：
https://mp.weixin.qq.com/s?src=11&timestamp=1573092595&ver=1959&signature=FjD709D-0vHSyVgQyXCS-TUAcnT0M9Gx6JljQEb6O55zpuyyDaTHqgkRCxNDtt5ZDifDRUUBOemzxcz71FMOmO88m6RWfR0r4fFBe0VefAsjFu0pl-M0frYOnXPF5JD8&new=1

　　

　　这里很明显两个url的路径不一致，应该是中间经过了一些调转，python的requests库是带自动调转功能，我们先把域名https://mp.weixin.qq.com补上试一下访问

　　明显这里做了反爬限制，那么这里开始，我们就需要抓包分析了。这里用到的工具是Firefox浏览器的开发者工具。抓包观察的是从搜索结果页面列表文章点击跳转到文章页面的过程，这里点击文章超链接会在新窗口打开，我们只需要在网页源码中把对应a标签的target属性改为空，就可以在一个窗口中观察整个流程的数据包了。

流程二：抓包分析之跳转实现

　　抓包分析：

 

　　通过抓包我们可以找到搜索结果页面跳转到文章页面的过程，这里观察发现，“列表页面的文章url”返回的结果中就包含了“真实的文章url”的信息，这意味着我们只需要正确访问到“列表页面的文章url”，根据返回的数据就能拼接出“真实的文章url”并访问了，这样我们就实现从“列表页面的文章url”到“真实的文章url”的跳转了！

 

流程三：抓包分析之手动获取的“列表页面的文章url”无法访问分析

　　此时我们的目标就从获取“真实的文章url”转变到正确的访问“列表页面的文章url”了，继续分析抓包数据中的“列表页面的文章url”信息：　　

抓包数据：
　　url：https://weixin.sogou.com/link?url=dn9a_-gY295K0Rci_xozVXfdMkSQTLW6cwJThYulHEtVjXrGTiVgSwqn5HZrcjUNEnNekGBXt9LMduzuCU92ulqXa8Fplpd9CqUiLuEm9hLLvBiu5ziMS196rgHYb-GzQfleG917OgwN_VAAdAZHKryCeU9lIxtWTKnLsDcsuPIjLhLEK3tbGaBLLLEV3E0vo604DcwbvX2VNudQZNnBemevd34BJP94ZL5zUiA49LgzIjRlpGxccVxTTaLhHZKstaeqw41upSVAe0f8bRARvQ..&type=2&query=%E5%92%B8%E8%9B%8B%E8%B6%85%E4%BA%BA&k=60&h=U
　　method：GET
　　请求参数：{"url":"dn9a_-gY295K0Rci_xozVXfdMkSQTLW6cwJThYulHEtVjXrGTiVgSwqn5HZrcjUNEnNekGBXt9LMduzuCU92ulqXa8Fplpd9CqUiLuEm9hLLvBiu5ziMS196rgHYb-GzQfleG917OgwN_VAAdAZHKryCeU9lIxtWTKnLsDcsuPIjLhLEK3tbGaBLLLEV3E0vo604DcwbvX2VNudQZNnBemevd34BJP94ZL5zUiA49LgzIjRlpGxccVxTTaLhHZKstaeqw41upSVAe0f8bRARvQ..","type":"2","query":"咸蛋超人","k":"60","h":"U"}
　　headers：
　　　　Host: weixin.sogou.com
　　　　User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0
　　　　Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
　　　　Accept-Language: zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2
　　　　Accept-Encoding: gzip, deflate, br
　　　　Connection: keep-alive
　　　　Referer: https://weixin.sogou.com/weixin?type=2&query=%E5%92%B8%E8%9B%8B%E8%B6%85%E4%BA%BA&ie=utf8&s_from=input&_sug_=n&_sug_type_=1&w=01015002&oq=&ri=1&sourceid=sugg&sut=750912&sst0=1573092594229&lkt=0%2C0%2C0&p=40040108
　　　　Cookie: 见下
　　Cookie：{"ABTEST":"4|1573094886|v1","IPLOC":"CN4401","JSESSIONID":"aaa3VBk4eXnIf8d4bdx4w","SNUID":"57A28ED20A0F9FB2BBE3E0180AF00D25","SUID":"5EAB87DB2613910A000000005DC385E6","SUV":"00F221C2DB87AB5E5DC385E7BC43F633"}

 　　

　　这里的重点有三个：

1. 1. 请求参数：对比我们获取的“列表页面的文章url”分析可以发现，这里多了两个参数“k”、“h”，这是需要我们设法获取的。
   2. headers：经过测试该网站对User-Agent敏感，一次访问前后User-Agent需要一致。
   3. Cookie：Cookie中参数需要获取才能正确访问该url。这些参数分别是：ABTEST、IPLOC、JSESSIONID、SNUID、SUID、SUV。

　　3.1：获取参数“k”、“h”

　　按照经验，从一个url转变成另一个url有两种情况：跳转和javascript字符串处理。经过多次抓包分析发现，搜索结果页面点击文章超链接到我们现在的目标url并没有存在跳转情况，抓包数据中的“列表页面的文章url”和我们获取的“列表页面的文章url”可以判定为同一个url，所以猜测为javascript字符串处理。经过一番搜寻，发现搜索结果页面的源码中有一段非常可疑的代码：

<script>
    (function(){$("a").on("mousedown click contextmenu",function(){var b=Math.floor(100*Math.random())+1,a=this.href.indexOf("url="),c=this.href.indexOf("&k=");-1!==a&&-1===c&&(a=this.href.substr(a+4+parseInt("21")+b,1),this.href+="&k="+b+"&h="+a)})})();
</script>

 　这其中最重要的代码就是：this.href+="&k="+b+"&h="+a，这代码就是在点击事件发生时给a标签href属性的内容添加"&k="、"&h="，正是用这段代码对该url的参数进行js加密和添加的。我们只需要把这段代码用python实现就可以解决这个问题了，下面是实现python实现代码：

def get_k_h(url):     
　　b = int(random.random() * 100) + 1
   a = url.find("url=")
   url = url + "&k=" + str(b) + "&h=" + url[a + 4 + 21 + b: a + 4 + 21 + b + 1]
　　reuturn url

　  3.2：获取Cookie的参数

　　观察抓包数据可以发现，当我们一开始访问时并没有带任何cookie，但经过一系列请求，到我们的目标请求时候，浏览器已经通过前面请求的返回数据包的Set-Cookie属性把Cookie构造出来了，而我们要做的就是在Cookie构造从无到有这个过程中找到所有ResponseHeaders中带SetCookie属性的而且参数是我们需要的参数的请求，并模拟访问一遍，就能得到所有参数并构建出我们需要的Cookie了。

　　例如搜狗微信搜索接口的请求的ResponseHeaders就有5个Set-Cookie字段，其中ABTEST、SNUID、IPLOC、SUID都是我们最终构造Cookie所需的参数（和最后的Cookie值对比可以发现，这里的SUID值还不是我们最终需要的，要在后面的数据包中继续发掘）。

　　经过分析，经过四个请求获取到的ResponseHeaders后我们就能正确构建Cookie了：

1. 得到ABTEST、SNUID、IPLOC、SUID：
　　https://weixin.sogou.com/weixin?type=2&query=%E5%92%B8%E8%9B%8B%E8%B6%85%E4%BA%BA&ie=utf8&s_from=input&_sug_=n&_sug_type_=1&w=01015002&oq=&ri=1&sourceid=sugg&sut=750912&sst0=1573092594229&lkt=0%2C0%2C0&p=40040108
2. 需要IPLOC、SNUID，得到SUID：
　　https://www.sogou.com/sug/css/m3.min.v.7.css
3. 需要ABTEST、IPLOC、SNUID、SUID，得到JSESSIONID：
　　https://weixin.sogou.com/websearch/wexinurlenc_sogou_profile.jsp
4. 需要IPLOC、SNUID、SUID，得到SUV
　　https://pb.sogou.com/pv.gif

 　　这四个请求都能根据前面请求获取到的Cookie参数来构造自己需要的Cookie去正确访问。值得注意的是最后一个请求，除了需要正确拼接Cookie外，还需要获取正确的请求参数才能正常访问：

 　　这种找参数的活可以利用浏览器的全局搜索功能，一番搜寻后，就会发现在搜索结果页面的源代码中已经返回了这里所需的所有参数，用正则把这些参数解析出来即可：

　　那么根据这些解析出来的参数和前面三个请求得到的Cookie参数就能正确访问第四个请求并得到所需的所有Cookie参数啦！

流程四：构造正确的请求信息

　　此时，我们已经分析出所有正确模拟请求的流程了，梳理一下：

1. 获取“k”、“h”参数，传入搜索结果页面得到的“列表页面的文章ur”，调用get_k_h()即可。
2. 获取所需Cookie参数，构造正确的Cookie，按照流程三给出的4个url，分别构造请求获取ResponseHeaders中的SetCookie即可。
3. 构造正确的请求访问“列表页面的文章url”。
4. 根据3中请求返回的数据，拼接出“真实的文章url”，也就是流程二。
5. 请求“真实的文章url”，得到真正的文章页面数据。

　　至此，所有分析结束，可以愉快的码代码啦！

　　

结语：此次采集涉及到的反爬技术是Cookie构造和简答的js加密，难度不大，最重要的是耐心和细心。此外提醒各位看客大人遵循爬虫道德，不要对他人网站造成伤害，peace！