Python3爬虫：利用Fidder抓取手机APP的数据

　　1、什么是Fiddler?

　　　　Fiddler是一个http协议调试代理工具，它能够记录并检查所有你的电脑和互联网之间的http通讯，设置断点，查看所有的“进出”Fiddler的数据（指cookie,html,js,css等文件）。

　　 Fiddler 要比其他的网络调试器要更加简单，因为它不仅仅暴露http通讯还提供了一个用户友好的格式。同类的工具有: httpwatch, firebug, wireshark。

　　　　Fiddler使用，参考：https://www.cnblogs.com/miantest/p/7289694.html

　　　　Fiddler下载：https://www.telerik.com/fiddler

　　　　傻瓜式安装，一键到底。

　　2、手机APP抓包设置

　　 2.1 、Fiddler设置

　　　　打开Fiddler软件，打开工具的设置。(Fiddler软件菜单栏：Tools->Options)

　　　　

　　　　在HTTPS中设置如下：

　　　　

　　　　在Connections中设置如下，这里使用默认8888端口，当然也可以自己更改，但是注意不要与已经使用的端口冲突：

　　　　

　　

　　　　载后在手机里打开，命名。安装

　　　

　　局域网设置

　　　　使用Fiddler进行手机抓包，首先要确保手机和电脑的网络在一个内网中，可以使用让电脑和手机都连接同一个路由器。当然，也可以让电脑开放WIFI热点，手机连入。

　　这里，我使用的方法是，让手机和电脑同时连入一个路由器中。最后，让手机使用电脑的代理IP进行上网。

   　　 首先，查看电脑的IP地址，在cmd中使用命令ipconfig查看电脑IP地址。找到无线局域网WLAN的IPv4地址，记下此地址。

　　　　　

　　　　在手机上，点击连接的WIFI进行网络修改，添加代理。进行手动设置，主机名即为上图中找到的IP地址，端口号即为Fiddler设置中的端口号8888：

　　　　

　　

　　2.2 、安全证书下载

　　

　　在手机浏览器中输入地址：http://localhost:8888/，点击FiddlerRoot certificate，下载安全证书：

　　　　

　

　　2.3、 安全证书安装

　　　　以华为手机为例：

　　　　在手机设置--->高级设置-->安全---->显示受信任的CA证书--->用户

　　　　

　　　　

　　　　

　　　　安装成功后，显示如下：

　　　　

　　

 

　　　　

　　3、Fiddler手机抓包测试

    　　上述步骤都设置完成之后，用手机打开今日头条app，截图如下：

　　　

　　　　　

　　　我们再来看fidder抓取的数据情况：

　　

　　

　可以复制url和head内容

GET http://cards.iqiyi.com/views_search/3.0/search?card_v=3.0&scrn_res=1080,1788&keyword=%E5%8E%A6%E9%97%A8%E8%A7%86%E9%A2%91%E5%A4%B4%E6%9D%A1&source=suggest&qr=0&mode=1&duration_level=0&publish_date=0&bitrate=0&need_qc=0&s_sr=1&from_rpage=qy_home&origin=0&psp_vip=0&s_token=main%23%E5%8E%A6%E9%97%A8%E8%A7%86%E9%A2%91&app_k=3179f25bc69e815ad828327ccf10c539&app_v=10.3.5&platform_id=10&dev_os=7.0&dev_ua=HUAWEI+CAZ-AL10&net_sts=1&qyid=864590038380239&cupid_v=3.35.002&psp_uid=1732414636&psp_cki=03RdTbm2uf4Km2X6Mvs1lAVDAg4l6om2Uf0HWm32122YH5VCFgxKvr4m2UFiOwCwBuvlcCu9c&imei=c0497fcececef4b5a2a4f4156d6fd726&aid=47628a3804ad50be&mac=14:5F:94:B3:E0:AD&scrn_scale=3&secure_p=GPhone&secure_v=1&core=1&api_v=8.8&profile=%7B%22group%22%3A%221%2C2%22%2C%22counter%22%3A2%7D&province_id=2007&service_filter=&service_sort=&layout_v=44.115&device_type=0&cupid_uid=864590038380239&psp_status=1&app_gv=&gps=116.373202,39.962811&bdgps=116.385157,39.970314&lang=zh_CN&app_lm=cn&req_times=0&req_sn=1556011726525 HTTP/1.1

qyid: 864590038380239_47628a3804ad50be_14Z5FZ94ZB3ZE0ZAD
Connection: Keep-Alive
t: 512025323
sign: 04876862c652470b54dd1add698631d5
Host: cards.iqiyi.com
Accept-Encoding: gzip

 

4、python代码测试

 　　　　有了上面这些信息就可以写代码了

# -*- coding: UTF-8 -*-
import requests
from urllib import request
import time
from selenium.webdriver.chrome.options import Options
from selenium import webdriver
from pyquery import PyQuery as pq
from requests.packages.urllib3.exceptions import InsecureRequestWarning
requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
import json
class app_data:
    def __init__(self):
        self.headers = {'Accept-Charset': 'UTF-8',
                   'X-Requested-With': 'XMLHttpRequest',
                   'Host': 'lf-hl.snssdk.com',
                   'Connection': 'Keep-Alive',
                   'Accept-Encoding': 'gzip',
                   'X-SS-REQ-TICKET': '1544235590880',
                   'sdk-version': '1',
                   'User-Agent': 'Dalvik/2.1.0 (Linux; U; Android 7.0; HUAWEI CAZ-AL10 Build/HUAWEICAZ-AL10) NewsArticle/7.0.1 cronet/TTNetVersion:pre_blink_merge-277498-gd2bb364e 2018-08-24',
                   'X-SS-TC': '0'
                   }
        self.headers2 = {
            'Accept': '*/*',
            'Accept-Encoding': 'gzip,deflate',
            'Accept-Language': 'zh-CN,en-US;q=0.8',
            'User-Agent': 'Mozilla/5.0 (Linux; Android 7.0; HUAWEI CAZ-AL10 Build/HUAWEICAZ-AL10; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/56.0.2924.87 Mobile Safari/537.36 JsSdk/2 NewsArticle/7.0.1 NetType/wifi',
            'X-Requested-With': 'com.ss.android.article.news'
        }


    def catch_app_data(self,link):
        if not link:
            link=self.heros_url1
        req = requests.get(url=link, headers=self.headers,verify=False).json()

        data = req.get("data")
        name = data.get("name")
        print('账号：', name)

        verified_content = data.get("verified_content")
        print('认证：', verified_content)

        area = data.get("area")
        print('位置：', area)

        description = data.get("description")
        print('简介：', description)

        user_id = data.get("user_id")
        print('user_id：', user_id)


    def cat_app_list(self,keyword='中餐厅'):
        url = 'https://lf-hl.snssdk.com/api/search/content/?from=search_tab' 
                     '&keyword='+keyword+'' 
                     '&cur_tab_title=search_tab' 
                     '&plugin_enable=3' 
                     '&iid=53115531269' 
                     '&device_id=52727404130' 
                     '&ac=wifi' 
                     '&channel=huawei&aid=13' 
                     '&app_name=news_article' 
                     '&version_code=701' 
                     '&version_name=7.0.1' 
                     '&device_platform=android' 
                     '&ab_group=94567' 
                     '%252C102749%252C181430' 
                     '&abflag=3' 
                     '&device_type=HUAWEI%2BCAZ-AL10' 
                     '&device_brand=HUAWEI' 
                     '&language=zh' 
                     '&os_api=24' 
                     '&os_version=7.0' 
                     '&uuid=864590038380239' 
                     '&openudid=47628a3804ad50be' 
                     '&manifest_version_code=701' 
                     '&resolution=1080*1788' 
                     '&dpi=480' 
                     '&update_version_code=70108' 
                     '&_rticket=1544497762334' 
                     '&fp=DrT_L2w1cST5FlT_F2U1FYK7FrxO' 
                     '&tma_jssdk_version=1.5.4.2' 
                     '&rom_version=emotionui_5.0.4_caz-al10c00b386' 
                     '&plugin=26958&search_sug=1' 
                     '&forum=1&count=10' 
                     '&format=json' 
                     '&source=input' 
                     '&pd=synthesis' 
                     '&keyword_type=' 
                     '&action_type=input_keyword_search' 
                     '&search_position=search_tab' 
                     '&from_search_subtab=' 
                     '&offset=0' 
                     '&search_id=' 
                     '&has_count=0&qc_query='

        head = {
            'Accept': '*/*',
            'Accept-Encoding': 'gzip,deflate',
            'Accept-Language': 'zh-CN,en-US;q=0.8',
            'User-Agent': 'Mozilla/5.0 (Linux; Android 7.0; HUAWEI CAZ-AL10 Build/HUAWEICAZ-AL10; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/56.0.2924.87 Mobile Safari/537.36 JsSdk/2 NewsArticle/7.0.1 NetType/wifi',
            'X-Requested-With': 'com.ss.android.article.news'
        }
        req = requests.get(url=url, headers=head,verify=False).json()
        data = req.get("data")

        url_list = []
        for item in data:
            display_list = item.get('display')
            if display_list:
                album_group_dict = display_list.get('album_group')
                if album_group_dict:
                    extra = str(album_group_dict.get('extra'))
                    item_list = extra.split(',')
                    for e in item_list:
                        if e.find("album_group_url") > -1:
                            url = e[e.find(":") + 1:]
                            url = url.replace(""", "")
                            url_list.append(url)
                            break
                else:
                    url = display_list.get('url')
                    if url:
                        url_list.append(url)


        print(url_list)

    def catchdata_sogo(self,url):
        chrome_options = Options()
        chrome_options.add_argument('--headless')
        chrome_options.add_argument('--disable-gpu')
        self.driver = webdriver.Chrome(chrome_options=chrome_options)
        self.driver.set_page_load_timeout(10)
        self.driver.maximize_window()
        # self.driver = webdriver.PhantomJS(service_args=['--load-images=false'])
        # self.driver.set_page_load_timeout(20)
        # self.driver.maximize_window()
        try:
            self.driver.get(url)
            print(url)
            # handles = self.driver.window_handles  # 获取当前窗口句柄集合（列表类型）
            # self.driver.switch_to.window(handles[2 - 1])
            time.sleep(2)

            selenium_html = self.driver.execute_script("return document.documentElement.outerHTML")
            doc = pq(selenium_html)
            elements = doc("div[class='content-txt']").find("p")
            for element in elements.items():
                print(element.text())

            elements = doc("p[class='mod-base-item']").find("span")
            for element in elements.items():
                print(element.text())



        except Exception as ex:
            print(ex)

    def catchdata_so(self, url):
        chrome_options = Options()
        chrome_options.add_argument('--headless')
        chrome_options.add_argument('--disable-gpu')
        self.driver = webdriver.Chrome(chrome_options=chrome_options)
        self.driver.set_page_load_timeout(10)
        self.driver.maximize_window()
        # self.driver = webdriver.PhantomJS(service_args=['--load-images=false'])
        # self.driver.set_page_load_timeout(20)
        # self.driver.maximize_window()
        try:
            self.driver.get(url)
            print(url)
            # handles = self.driver.window_handles  # 获取当前窗口句柄集合（列表类型）
            # self.driver.switch_to.window(handles[2 - 1])
            time.sleep(2)

            selenium_html = self.driver.execute_script("return document.documentElement.outerHTML")
            doc = pq(selenium_html)
            elements = doc("div[class='cp-info-main']")
            for element in elements.items():
                print(element('h3').text())
                # print(element("p[class='js-info-upinfo']").text())
                print(element('p').text())




        except Exception as ex:
            print(ex)
    def test(self,link):
        req = requests.get(url=link, headers=self.headers2, verify=False)
        json_str = req.content.decode()
        print(json_str)



if __name__ == '__main__':
    obj = app_data()
    # http://m.video.so.com/android/va/Zs5sb3Ny7JA4DT.html
    # https://m.douguo.com/search/trecipe/%E4%B8%AD%E9%A4%90%E5%8E%85/0?f=tt
    # https://baike.sogou.com/m/fullLemma?ch=jrtt.search.item&cid=xm.click&lid=167408303
    # obj.catch_app_data('')
    # 湖南卫视中餐厅

    # keywords = ['湖南卫视中餐厅','农广天地','看台','十年','CCTV-4远方的家','CCTV热线12']
    # for keyword in keywords:
    #     obj.cat_app_list(keyword)
    #     print('
')
    obj.cat_app_list('CCTV热线12')
    # obj.catchdata_sogo('https://baike.sogou.com/m/fullLemma?ch=jrtt.search.item&cid=xm.click&lid=167408303#lemmaHome')
    # obj.catchdata_so('http://m.video.so.com/android/va/Zs5sb3Ny7JA4DT.html')
    # obj.catchdata_so('http://m.video.so.com/android/va/YcMpcKVv82YBDz.html')
    # obj.parserurl()
    # obj.test('http://m.video.so.com/android/va/Zs5sb3Ny7JA4DT.html')

　　输出结果如下：

　　

　　5、总结

　　　　需要注意的是，必须先运行Fidder，然后再在手机上进行相关的操作，顺序不能乱，如果在不运行fidder的情况下，操作手机，将无法联网

　　　　抓不到https包，fiddler并不是支持全部协议

　　　　fiddler并不支持全部协议，目前已知的有http2、tcp、udp、websocket等，如果应用走了以上协议，那么fiddler肯定是抓不到的。

　　　　http2:因为fiddler是基于.net framework实现的，因为.net framework不支持http2，所以fiddler无法抓取http2

　　　　证书写死在app中,fiddler不能抓取

　　　　fiddler抓包的原理是中间人攻击，也就是说，两头瞒，欺骗客户端&&欺骗服务器端，如果https证书写死在app里，也就是说，app不信任fiddler颁发给它的证书，

　　　　app只信任自己的证书，fiddler没法瞒客户端了，因此fiddler也就抓取不到包了。 
　　　　再多说几句，如果是自己开发的app，开发调试方便起见，可以使用类似wireshark的工具导入服务器证书，抓包解密。

　　

　　参考：https://blog.csdn.net/memoryofyck/article/details/80955615

　　　　https://my.oschina.net/newchaos/blog/1795635