请教一个反爬的技术
新加坡联合早报 www.zaobao.com/
新闻详情页面采用了一种没见过的技术应对复制与爬虫
例如 www.zaobao.com/news/china/story20230110-1351792
在 P 标签内加入了 data-s="yGMGEZQ===="这种标签,导致页面看起来段落顺序是正确的,但复制,或者爬取,就是错的
请大神指点一下
html 里的结构和视觉效果的结构不一致,这种你要打断点研究排序的那个方法,反向还原
参考: github.com/DIYgod/RSSHub/issues/10309
根据 data-s 标签算出来的排序, 感兴趣且有时间的可以跟进去看看, 混淆了有点费时间, o 值就是正常的顺序
这玩意儿是不是一个无头浏览器就解决了?
+1, 就是需要在获取到数据之后浏览器执行一遍 js 重新排序
所以是数组定义了一层映射来打乱段落的顺序吗,确实直接复制段落就会隔三差五的,第一次见 hhh
爬虫一般都不用浏览器的,效率极低
我尝试过了,Firefox 无法获得 html 内容,chrome 获得的同样是乱序
浏览器截图 + OCR
那这样是否意味着搜索引擎也无法收录了?
这样效率是不是太慢了 况且 ocr 还有识别不精准的问题,但确实是一种解决方法(狗头
(右键可以复制全文
没研究过但是
不妨看看 rsshub 对联合早报的 rss 爬取策略?
如果只是想获取新闻内容
不用浏览器用什么?好奇...
我只知道无头浏览器, 如果他说的不是无头浏览器的话我也很好奇这种需要执行 js 去计算 DOM 的内容要怎么抓取...
把这个老哥的函数给扣下里就好了,i.default.d 扣下来本地跑 js 代码解析 data-s
const axios = require("axios");
const cheerio = require("cheerio");
axios.get(" www.zaobao.com/news/china/story20230110-1351792").then(res => {
const $ = cheerio.load(res.data)
const context = []
$("#article-body").children().each((i, el) => {
if (i > 0 && $(el).text() !== "") {
context.push($(el).text())
}
})
console.log(context.join("\n"))
})
cmd.im/pmhr
关键代码 传入参数 data-s.substring(3)
d = function (e) {
var t, n, o, i = e["length"], s = "ABCDEFGHIJKLMNOPQRSTUVWXYZ234567=", l = 0, u = 0, c = "";
e = e["toUpperCase"]();
for (var d = 0; d < i; d += 1)
(t = s["indexOf"](e["charAt"](d))) >= 0 && t < 32 && (n = n << 5 | t, u += 5, u >= 8 && (o = 255 & n >> (u - 8), c = (c + String["fromCharCode"](o)), u -= 8));
if ((u > 0) && (o = (n << (8 - u) & 255) >> (8 - u), (o !== 0))) {
c = c + String.fromCharCode(o)
}
return c
}
大佬牛逼,能分享一下定位用的工具和思路吗
简单看了下就是 data-s 字符串截取 3 位,然后 base32 加码就行了。
比如,data-s="6qsGE3A====" 然后 base32 解码 GE3A==== 直接返回 16
随便找了个在线解码: www.usetoolbar.com/developer/base32.html
试试吧,没仔细确认
大佬你就是生产力!!!
群晖存储池损毁。联系群晖技术支持,技术支持说日志里出现过 UNC 错误,一般代表硬盘本身发生故障,需要及时更换。 删了一下文件后重启就正常了(硬盘状态良好)。查看 S.M.A.…
总结: 这是 Reuven Lerner在去年写的一篇博文,文章主要介绍了一些新兴的基于JVM的脚本语言。结合本文可以对Bruce的博文《C++和JAVA传统中积极的一面》有一…
之前为了免费服务器不被回收,升级了付费账户,没想到服务器被黑,用来挖矿,发现异常流量之后,紧急删除了所有服务器,但是账单还是收到了。扣了 2000 多刀,人都傻了,联系了信用卡…