背景
背景是这样的：前2天在网上搜技术类电子书，结果发现CSDN某博客更新了大量技术类PDF电子书（链接在这里程序员成长思路-电子书），考虑到他这个应该是为网盘导流，文件有可能是临时存储的，所以保险起见得下到自己本地来，常规下载如下图，感觉操作和跳转步骤太多，懒筋作祟，于是想怎么不写个爬虫把它全搞下来！
分析页面
在CSDN博客页面，查看跳转及网络请求，没有发现什么可利用的点，于是转到网盘下载页面，看下页面HTML结构如下图：
对于分析页面我就关注下面两个点：
- 下载链接的本身，发现是通过一个点击事件去处理下载逻辑的，应该是通过传入的参数生成了对应的文件下载链接以及权限验证等，搜了一下那个free_down()函数，在所有暴露的js里面都木有找到（js被混淆压缩处理了），所以破解free_down函数的方法只能暂时放弃了。
-
页面其他可利用的链接，发现有导航链接，期望可以通过导航链接能找到一个汇总的下面home页面，在尝试到第二个导航链接的时候，终于发现有用的东西了，这是用户在网盘上的上传文件汇总页面，如下图所示：
看上图，发现有批量下载和打包下载两个按钮，点进去发现都是要注册改网盘用户后才可以使用的，其实正常情况下注册后打包下载就结束了，可是今天是要将技术实现的，所以不想整这个注册，到这个页面后，我只需要拿到这些文件的下载链接就行。可是链接点进去还是回到前面的选择下载页面，看来还是得读到那个free_down()函数才行，下面给大家介绍一个简单的前端调试方法，使用chrome浏览器，按下F12进入开发者控制台，进入sources页签，找到这个页面，找到你要调试的位置，在位置对应的代码左侧的行号上点一下即可（打上debug标识的行会有一个蓝色的标志）：
然后按F9一步步调试，然后就会跳到相关js中执行，调试发现那个js文件默认是blackboxed in debugger，难怪前端找不到，哈哈，这样就发现这个函数了，就这么简单，把那个函数提取出来：
function free_down(file_id, folder_id, file_chk, mb, app, verifycode) {
verifycode = typeof verifycode !== 'undefined' ? verifycode: "";
$.getJSON("/get_file_url.php?uid=" + userid + "&fid=" + file_id + "&folder_id=" + folder_id + "&fid=" + file_id + "&file_chk=" + file_chk + "&mb=" + mb + "&app=" + app + "&verifycode=" + verifycode + '&rd=' + Math.random(),
function(data) {
if (data.code == 503) {
if (mb) {
window.location = "/iajax_guest.php?item=file_act&action=verifycode&uid=" + userid + "&fid=" + file_id + "&folder_id=" + folder_id + "&fid=" + file_id + "&file_chk=" + file_chk + "&mb=" + mb + "&app=" + app;
} else {
$(ctmodal).load("/iajax_guest.php?item=file_act&action=verifycode&uid=" + userid + "&fid=" + file_id + "&folder_id=" + folder_id + "&fid=" + file_id + "&file_chk=" + file_chk + "&mb=" + mb + "&app=" + app).modal().draggable();
}
}
if (data.code == 200) {
if ($("#clickcount_log").size() > 0 && $("#clickcount_log").attr("src").length > 50) {
$("#clickcount_log").attr("src", data.confirm_url);
}
if (app) {
if (!mb) {
$(ctmodal).load("/iajax_guest.php?item=file_act&action=xt_downlink&xtlink=" + data.xt_link).modal().draggable();
} else {
window.location.href = "ctfile://inapp.ctfile.com/app.php?||xt||" + data.xt_link;
$("#xtlink_input").val(data.xt_link);
$("#xtlink_copy_alert").show();
}
} else {
if (!mb) {
setTimeout(function() {
free_vip_upgrade(data.file_size)
},
1000);
window.location.href = data.downurl + "&mtd=1";
} else {
window.location.href = data.downurl;
}
}
}
});
}
先读懂它：根据请求参数请求get_file_url接口，会返回一个json数据，我们只需要关注返回code=200的情况，其他都属于异常情况，在code=200的逻辑里面看到了最后就是按downurl跳转的，那么我们拿到json里面的downurl即可……下面再把参数理一下：
file_id 文件id，页面上能拿到, folder_id 文件夹id调试发现传0就可以了, app很好理解吧，是不是在网盘客户端发起的请求，我们用httpclient来请求肯定不是了，所以app=0（注：0=false，1=true），同理，mb表示mobile，是否移动端，很明显也是0，verifycode应该是登录信息，忽视它，最后说一下file_chk，这个应该是一个文件检查码，表面看可能是md5可是验证并不是，怀疑应该是按一定规则生成的，在选择下载页面就已经生成了，估计是页面渲染的时候就在js中生成了，这不太好调试，又来一个坑。。。。暂时只能再请求一次，再请求一次到下载页面拿到这个file_chk。
实现步骤：
根据上面的分析，实现步骤渐渐明晰了：
- 解析用户的上传文件汇总页面，拿到所有的电子书下载页url；
- 请求下载页url，拿到对应的file_chk;
- 根据参数组合最终的下载url;
- 请求url，将返回数据流写入磁盘文件系统；
思路有了，下面编码实现，使用HttpClinet来处理请求、Jsoup来解析页面、FastJson来解析json，先贴上对应Maven的dependency：
<dependency>
<groupId>org.apache.httpcomponents</groupId>
<artifactId>httpclient</artifactId>
<version>4.5.2</version>
</dependency>
<dependency>
<groupId>org.apache.httpcomponents</groupId>
<artifactId>httpmime</artifactId>
<version>4.5.2</version>
<exclusions>
<exclusion>
<groupId>org.apache.httpcomponents</groupId>
<artifactId>httpclient</artifactId>
</exclusion>
</exclusions>
</dependency>
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>fastjson</artifactId>
<version>1.2.4</version>
</dependency>
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.10.3</version>
</dependency>
实现第一个步骤：
解析用户的上传文件汇总页面（这里用了界面上的一个数据分页接口），拿到所有的电子书下载页url，并存入Map中。
private Map<String, String> getDownloadPageUrls() throws Exception {
Map<String, String> urlMap = new HashMap<String, String>();
String urlFormat = "https://page74.ctfile.com/iajax_guest.php?item=file_act&action=file_list&task=file_list&folder_id=21645009&uid=" + UID + "&display_subfolders=1&t=1529909656&k=3de0d7f0ad5df1e6d6b71c4b43ce10d6&sEcho=%d&iColumns=4&sColumns=&iDisplayStart=%d&iDisplayLength=%d";
int page = 1;
int pageSize = 100;
int pageStart = 1;
int pageCount = pageSize;
while (true) {
String url = String.format(urlFormat, page, pageStart, pageSize);
HttpResponse response = new HttpRequest(url).doGet();
String responseBody = EntityUtils.toString(response.getEntity());
JSONObject data = JSONObject.parseObject(responseBody);
pageCount = data.getInteger("iTotalRecords");
JSONArray dataList = data.getJSONArray("aaData");
Document doc = null;
for (int i = 0; i < dataList.size(); i++) {
JSONArray item = dataList.getJSONArray(i);
doc = Jsoup.parse(item.get(0).toString());
Element tdId = doc.select("#file_ids").first();
String id = tdId.attr("value");
doc = Jsoup.parse(item.get(1).toString());
Element tdUrl = doc.select("a[href]").first();
String url1 = tdUrl.attr("href");
if (StringUtils.isNotEmpty(id) && StringUtils.isNotEmpty(url1)) {
url1 = MAIN_HOST + url1.replace("//", "/5a8841/");
urlMap.put(id, url1);
}
}
if (pageSize + pageStart > pageCount) {
break;
}
page++;
pageStart += pageSize;
}
System.out.println("have fetched download page url size :" + urlMap.size());
return urlMap;
}
实现第二个步骤：
请求下载页url，拿到对应的file_chk，这里请求的时候要加上header，不然会被当做非法请求。
private String getFileChk(String url) throws IOException {
Map<String, Object> headers = new HashMap<String, Object>();
headers.put("Host", new URL(url).getHost());
headers.put("Cookie", "PHPSESSID=eb2vqs2s7pgjkuuvqrq2aslov4; clicktopay=" + System.currentTimeMillis() + "; unique_id=5a8841; ua_checkmutilogin=OoDN6nCiRd;");
headers.put("User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36");
HttpResponse response = new HttpRequest(url).setHeaders(headers).doGet();
String responseBody = EntityUtils.toString(response.getEntity());
String chkStr = "";
Document doc = Jsoup.parse(responseBody);
Element link = doc.select("#free_down_link").first();
if (link != null) {
String text = link.attr("onclick");
if (StringUtils.isNotEmpty(text)) {
text = text.substring(text.indexOf("("), text.indexOf(")"));
String[] arr = text.split(",");
chkStr = arr[2];
chkStr = chkStr.replaceAll("'", "").trim();
}
}
return chkStr;
}
实现第三个步骤：
根据参数组合最终的下载url：
private List<String> getDownloadUrls() throws Exception {
List<String> urls = new ArrayList<String>();
Map<String, String> urlMap = getDownloadPageUrls();
int rndCode = new Random(1000).nextInt() + 100;
String urlFormat = "https://page74.ctfile.com/get_file_url.php?uid=" + UID + "&fid=%s&folder_id=0&file_chk=%s&mb=0&app=0&verifycode=&rd=" + rndCode;
for (Map.Entry<String, String> entry : urlMap.entrySet()) {
String fid = entry.getKey();
String file_chk = getFileChk(entry.getValue());
if (StringUtils.isNotEmpty(file_chk)) {
String url = String.format(urlFormat, fid, file_chk);
HttpResponse response = new HttpRequest(url).doGet();
String responseBody = EntityUtils.toString(response.getEntity());
JSONObject data = JSONObject.parseObject(responseBody);
String downurl = data.getString("downurl");
if (StringUtils.isNotEmpty(downurl)) {
urls.add(downurl);
}
}
}
return urls;
}
实现第四个步骤：
请求url，并将返回的数据流写入磁盘文件系统，刚开始我是采用多线程的处理方式，因为毕竟下载一个文件要几分钟时间，可是跑起来发现，普通下载只给支持单线程，网盘服务端限制了，暂时改成单线程处理咯（花时间钻研下，应该可以破了它）
@Test
public void crawlAll1() throws Exception {
List<String> urls = getDownloadUrls();
for (String url : urls) {
String name = getFileName(url);
try {
System.out.println("[Begin] task is begin to run with download file: " + name);
HttpRequest.doDownload(DATA_PATH, url);
System.out.println("[End] task have finished to run with download file: " + name);
} catch (Exception e) {
System.err.println("[Error] task meet error when process url: " + url);
e.printStackTrace();
}
}
}
最后还要贴一下doDownload()方法:
public static void doDownload(String path, String url) throws Exception {
HttpClient httpClient = getSSLHttpClient();
URL Url = new URL(url);
String paths = Url.getPath();
String fileName = "";
for (String param : paths.split("/")) {
if (param.toLowerCase().endsWith(".pdf")) {
fileName = URLDecoder.decode(param, "UTF-8");
break;
}
}
fileName = path + fileName;
File file = new File(fileName);
if(file.exists()) {
file.delete();
}
try {
//使用file来写入本地数据
file.createNewFile();
FileOutputStream outStream = new FileOutputStream(fileName);
//执行请求，获得响应
HttpResponse httpResponse = httpClient.execute(new HttpGet(url), new BasicHttpContext());
int code = httpResponse.getStatusLine().getStatusCode();
System.out.println("[DOWNLOADING STATUS] get response status [" + httpResponse.getStatusLine() + "] for file :" + file.getName());
if (code == 200) {
HttpEntity httpEntity = httpResponse.getEntity();
InputStream inStream = httpEntity.getContent();
while (true) {//这个循环读取网络数据，写入本地文件
byte[] bytes = new byte[1024 * 1024]; //1M
int k = inStream.read(bytes);
if (k >= 0) {
outStream.write(bytes, 0, k);
outStream.flush();
} else break;
}
inStream.close();
outStream.close();
}
} catch (IOException e){
e.printStackTrace();
}
}
跑起来，效果如下（没有多线程下载，就是慢了点点）：
PS：完整代码（包含多线程下载的实现），已上传到github的demo项目下：https://github.com/AlanYangs/demo/tree/master/pdf-spider，欢迎大家start~
原文来自下方公众号，转载请联系作者，并务必保留出处。
想第一时间看到更多原创技术好文和资料，请关注公众号：测试开发栈
网友评论