当前位置：首页 > news >正文

专业Python爬虫实战教程：逆向加密接口与验证码突破完整案例

news 2025/8/2 7:53:36

案例背景

假设我们需要爬取一家内部测试系统的动态数据API接口。该系统前端页面使用了复杂的JavaScript混淆技术来防止接口被直接调用，同时对请求参数进行了加密签名。另外，登录环节带有图形验证码用于防护。我们的目标是：

分析JavaScript代码，逆向加密签名算法。
模拟登录过程，自动识别图形验证码并提交。
构造正确请求参数，获取动态数据。
完整实现Python爬虫，稳定批量抓取数据。

环境准备

Python 3.8+
主要依赖库：
- requests （HTTP请求）
- execjs （调用JavaScript引擎）
- Pillow & pytesseract（验证码图像处理与OCR）
- jsbeautifier（JS格式化辅助阅读）
- lxml（HTML解析）
- selenium & webdriver-manager（动态交互及验证码抓取，可选）

Step 1：分析网页结构和JavaScript代码

模拟环境下，打开前端页面，按F12打开开发者工具：

页面HTML框架简单，核心数据通过POST提交参数调用 /api/v1/getData 接口，返回JSON。
POST请求中的参数均为加密后的签名串，且请求头带有特殊字段 X-Custom-Token。
登录页带有断码的图形验证码，图片URL是 /captcha/image，验证码刷新时参数带时间戳。

1.1 网络数据初探

使用Chrome Network面板，关注XHR请求：

POST https://internal.test/api/v1/getData
Request Payload:
{"param": "EncryptedStringHere","sign": "GeneratedSignature"
}
Response:
{"code": 0,"data": [ ... ]
}

1.2 找到加密签名函数

通过Sources面板，加载执行的JS文件（例如main.min.js，经过混淆压缩），使用jsbeautifier进行格式化，定位请求相关代码片段。

逆向发现关键函数generateSign(params)：

function generateSign(params) {var a = btoa(encodeURIComponent(JSON.stringify(params)));var b = someObfuscatedFunction(a);return md5(b + secretKey);
}

大致逻辑是：

将参数JSON字符串化，编码成URI，再做Base64编码。
经过部分混淆函数处理（someObfuscatedFunction）。
最后加上固定密钥用MD5加密。

Step 2：JavaScript逆向与关键代码还原

2.1 还原混淆函数

原始混淆函数结构类似：

function someObfuscatedFunction(str) {var res = '';for (var i = 0; i < str.length; i++) {res += String.fromCharCode(str.charCodeAt(i) ^ 123); // 按位异或123}return res;
}

这是典型的异或加密，解密时再次异或同样的数字即可还原。

2.2 Python实现等效签名函数

利用Python的base64，hashlib和自定义异或函数实现：

import base64
import hashlib
import urllib.parsesecret_key = 'FixedSecretKey123'  # 从JS中提取的密钥def xor_str(s, key=123):return ''.join(chr(ord(c) ^ key) for c in s)def generate_sign(params):# JSON序列化import jsonparam_str = json.dumps(params, separators=(',', ':'), ensure_ascii=False)# URI编码encoded = urllib.parse.quote(param_str)# Base64编码b64 = base64.b64encode(encoded.encode('utf-8')).decode('utf-8')# 异或处理xor_result = xor_str(b64)# 计算MD5签名sign_str = xor_result + secret_keymd5_hash = hashlib.md5(sign_str.encode('utf-8')).hexdigest()return md5_hash

Step 3：验证码识别技术

3.1 获取验证码图片

验证码在登录过程中返回，URL例子：

https://internal.test/captcha/image?_t=时间戳

3.2 图片预处理与OCR识别

验证码为简单断码数字。使用Pillow处理，pytesseract识别。

示例预处理代码：

from PIL import Image, ImageFilter
import pytesseract
import io
import requestsdef get_captcha(session):url = f'https://internal.test/captcha/image?_t={int(time.time()*1000)}'response = session.get(url)img = Image.open(io.BytesIO(response.content))# 灰度化img = img.convert('L')# 二值化img = img.point(lambda x: 0 if x < 140 else 255, '1')# 去噪img = img.filter(ImageFilter.MedianFilter())return imgdef recognize_captcha(img):text = pytesseract.image_to_string(img, config='--psm 7 digits')text = text.strip().replace(' ', '')return text

Step 4：登录流程模拟

登录时需提交用户名、密码、验证码。

def login(session, username, password):# 获取验证码并识别captcha_img = get_captcha(session)captcha_text = recognize_captcha(captcha_img)login_data = {'username': username,'password': password,'captcha': captcha_text,}response = session.post('https://internal.test/api/login', data=login_data)result = response.json()if result['code'] == 0:print('登录成功')else:print('登录失败:', result['msg'])raise Exception('登录失败')

Step 5：核心数据接口调用

构造请求参数，调用数据接口：

def fetch_data(session, params):sign = generate_sign(params)post_data = {'param': params,    # 通常是原始参数JSON对象，部分实现会转换为字符串，请按实际情况调整'sign': sign,}headers = {'X-Custom-Token': 'token-from-cookie-or-js', # 需要通过登录等动态获取'Content-Type': 'application/json',}resp = session.post('https://internal.test/api/v1/getData', json=post_data, headers=headers)data = resp.json()if data['code'] == 0:return data['data']else:raise Exception(f"接口调用失败: {data['msg']}")

Step 6：整体爬虫流程整合

import requests
import timedef main():session = requests.Session()# 登录login(session, 'test_user', 'test_password')# 伪装UA头session.headers.update({'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 \(KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'})# 请求示例参数params = {'type': 'recent', 'limit': 20, 'timestamp': int(time.time())}# 调用接口data = fetch_data(session, params)print('获取数据:', data)if __name__ == '__main__':main()