前言
应该也有一年了吧，之前也在简书，CSDN上写过爬取喜马拉雅音频的文章，经历了一次喜马拉雅的改版，同时也更新了一波代码
最近为了喜欢的雪中，回去重新打算跑一下代码下载音频，这一跑不要紧，结果就发现喜马拉雅又改版了
得，又得重新写代码，且这次还加了JS反扒的手段，让我也好好学习了一把，嗯，下面进入正题
分析
初步分析
老样子，首先来看看我们要爬取的目标https://www.ximalaya.com/youshengshu/2684034/
像这样的882个音频，共计30页，每页一般标准的有30个，最后要将这882个音频保存到本地，那么我们最需要的是找到音频的源播放地址，我们不妨打开一个音频来看看，同时按F12打开开发者工具
首先我看了看https://www.ximalaya.com/youshengshu/2684034/2725352的网页源代码中，并没有相关的播放地址，所以我开始在开发者工具中找
页面刷新完之后的XHR中我没有找到明显的播放地址，然后我点了一下页面的播放按钮，之后XHR又跳出来好几条信息，随后我找到了
可以看到，src对应的m4a链接就是音频的源播放地址，我们只要拿到这个链接就行了
那么我们接下来就应该要访问上面这个链接，从而拿到音频的播放地址，但是当我们复制链接后去打开时会发现
[SIGN] no sign or wrong sign，是的，你很大几率会看到这个，没有sign或错误的sign，那么也就是说这个链接是打不开的？那么带上请求头试试？后来我用postman访问这个链接，带上请求头后还是没有得到结果，然后想了想，返回给我们的提示是sign
正好请求头中就有这个xm-sign，于是我重新试了一下，只带上这个xm-sign去访问，发现在一次尝试中拿到了之前看到的带有播放链接的response
xm-sign: dcf3736db17584cb0b7260c1fcb1f05f(45)1569231095030(64)1569231094006
那么下一步要解决的就是如何获得这个xm-sign
进阶分析
xm-sign并不在XHR中能够找到，所以我下一步的目标是在JS文件中找
找啊找，终于在上面的js文件中，找到了点头绪，出现了同样的xm-sign，这个过程对我来说是比较漫长的，因为需要在js文件中一个个的浏览过去，当然你通过fiddler抓包去找也是差不多的
然后为了明确知道xm-sign是怎么来的，我们就需要对这个js文件进行打断点调试，在控制台的Source中打开该Js文件
右键该JS文件，点击Open in Sources panel，或者鼠标轻放在该文件上，会出现该文件的路径，到控制台Source中找到它
找到该文件后点击打开，然后点击下方的花括号按钮，美化代码，再按ctrl + f搜索xm-sign，就可以定位到xm-sign
我们需要知道对应xm-sign的值t到底是怎么样的，接着在return e上打上断点，这样一来，当页面刷新运行到这里的时候会自动停止之后的JS代码，可以让我们来进行调试，如何通过Chrome调试可以参考这篇文章
打好断点后，刷新页面，等待一会，不用动别的，然后就可以看到下图
图中所示的xm-sign的值就是t的值，再往上一点，t的值就是由o.default产生的
n.interceptors.request.use(function(e) {
if (e.url.indexOf("/revision") > -1) {
var t = (0,
o.default)(); // 然后点击 o.default 进入该方法中
e.headers = function(e) {
for (var t = 1; t < arguments.length; t++) {
var r = null != arguments[t] ? arguments[t] : {};
t % 2 ? i(r, !0).forEach(function(t) {
u(e, t, r[t])
}) : Object.getOwnPropertyDescriptors ? Object.defineProperties(e, Object.getOwnPropertyDescriptors(r)) : i(r).forEach(function(t) {
Object.defineProperty(e, t, Object.getOwnPropertyDescriptor(r, t))
})
}
return e
}({}, e.headers, {
"xm-sign": t
})
}
return e
});
接着我们点击o.default这个方法，进去看看这一串值到底如何生成，鼠标放在o.default上，点击出现的anonymous方法
我们就自动跳转到了下一个JS文件，同样格式化后我们就看到了下图所示的function部分
function() {
return function(t) {
var e = Date.now(); // 当前时间戳
return ("{ximalaya-" + t + "}(" + Le(100) + ")" + t + "(" + Le(100) + ")" + e).replace(/{([\w-]+)}/, function(t, e) {
return Ue(e)
})
}(Ne() ? Date.now() : window.XM_SERVER_CLOCK || 0)
}
这个方法最终返回的就是我们的xm-sign的值，而return部分就是
("{ximalaya-" + t + "}(" + Le(100) + ")" + t + "(" + Le(100) + ")" + e).replace(/{([\w-]+)}/, function(t, e) {return Ue(e)}
取消之前的断点，我们可以在下图中再打断点，再刷新页面，等待，调试
可以看到
这里面t就是时间戳，这个我们可以在前面的找到对应的服务器时间戳，请求这个即可https://www.ximalaya.com/revision/time
Le(100)是上面的一个函数，能生产100以内的随机数，如下，e就是当前的时间戳
function Le(t) {
return ~~(Math.random() * t)
// ~~ 代表双非按位取反运算符，对于正数，它向下取整；对于负数，向上取整；非数字取值为0
}
replace(/{([\w-]+)}/, function(t, e) {return Ue(e)}，replace就是把{ximalaya-" + t + "}部分替换成Ue(e)的值
我们接着看Ue()，同样鼠标放在Ue上，点击出现的anonymous(t, n)方法
t.exports = function(t, n) {
if (null == t)
throw new Error("Illegal argument " + t);
var r = e.wordsToBytes(i(t, n));
// 以下就是返回的值
return n && n.asBytes ? r : n && n.asString ? o.bytesToString(r) : e.bytesToHex(r)
}
我们在这里也可以打个断点看看返回的是什么，并且右键编辑断点时要打印的数据，我在这里就设置在控制台打印当前返回的内容
然后这个箭头就会变橙色，我们取消其他的断点，再次刷新页面，等待一会，调试
可以看到t = "ximalaya-1569237828683", n = undefined，并且控制台打印有15de4b221c3cb112d4d8200ccf094a8e这样的一串字符
根据经验猜测这可能是md5码，于是我们尝试使用在线转换工具，将ximalaya-1569237828683转换为MD5编码格式的内容，结果如下
结果正确，现在我们可以得出结论，参数xm-sign的值其实就是
<span id="inline-purple">MD5(ximalaya-服务器时间戳) + (100以内的随机数) + 服务器时间戳 + (100以内的随机数) + 现在的时间戳</span>
代码
解决了上面的JS反爬问题，我们来看看实际代码，这是主要的爬取起始部分
# 传入专辑的ID，xm_fm_id
def get_fm(self, xm_fm_id):
# 根据有声书ID构造url
fm_url = self.base_url + '/youshengshu/{}'.format(xm_fm_id)
print(fm_url)
r_fm_url = self.s.get(fm_url, headers=self.header)
# 获取书名
fm_title = re.findall('<h1 class="title _leU">(.*?)</h1>', r_fm_url.text, re.S)[0]
print('书名：' + fm_title)
# 新建有声书ID的文件夹
fm_path = self.make_dir(xm_fm_id)
# 取最大页数
max_page = re.findall(r'<input type="number" placeholder="请输入页码" step="1" min="1" '
r'max="(\d+)" class="control-input _bfuk" value=""/>', r_fm_url.text, re.S)
if max_page and max_page[0]:
for page in range(1, int(max_page[0]) + 1):
print('第' + str(page) + '页')
# 获取当前时间对应的 xm-sign 添加到请求头中
self.get_sign()
# 访问链接
r = self.s.get(self.base_api.format(xm_fm_id, page), headers=self.header)
# print(json.loads(r.text))
r_json = json.loads(r.text)
for audio in r_json['data']['tracksAudioPlay']:
# 获取json中的每个音频的标题以及播放源地址
audio_title = str(audio['trackName']).replace(' ', '')
audio_src = audio['src']
# 交给下载的方法
self.get_detail(audio_title, audio_src, fm_path)
# 每爬取1页，30个音频，休眠3秒
time.sleep(3)
else:
print(os.error)
这是构造xm-sign的方法，用到了Python的hashlib包
def __init__(self):
self.base_url = 'https://www.ximalaya.com'
self.base_api = 'https://www.ximalaya.com/revision/play/album?albumId={}&pageNum={}&sort=0&pageSize=30'
self.time_api = 'https://www.ximalaya.com/revision/time'
self.header = {
'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:63.0) Gecko/20100101 Firefox/63.0'
}
self.s = requests.session()
def get_time(self):
"""
获取服务器时间戳
:return:
"""
r = self.s.get(self.time_api, headers=self.header)
return r.text
def get_sign(self):
"""
获取sign： md5(ximalaya-服务器时间戳)(100以内随机数)服务器时间戳(100以内随机数)现在时间戳
:return: xm_sign
"""
nowtime = str(round(time.time() * 1000))
# 得到服务器时间戳
servertime = self.get_time()
# 构造 xm-sign
sign = str(hashlib.md5("ximalaya-{}".format(servertime).encode()).hexdigest()) + "({})".format(
str(round(random.random() * 100))) + servertime + "({})".format(str(round(random.random() * 100))) + nowtime
# 添加到请求头
self.header["xm-sign"] = sign
# print(sign)
# return sign
这是保存音频的部分
def get_detail(self, title, src, path):
# 请求源地址的链接，得到response
r_audio_src = self.s.get(src, headers=self.header)
# 构造保存路径
m4a_path = path + title + '.m4a'
if not os.path.exists(m4a_path):
with open(m4a_path, 'wb') as f:
# 写入
f.write(r_audio_src.content)
print(title + '保存完毕...')
else:
print(title + 'm4a已存在')
成果
后续
当然这只是喜马拉雅非付费的音频专辑，如果是付费后的专辑则需要另一套更加复杂的JS破解方法，我搞了半天，先拿手机抓包试了试，到最后发现还是得破解如何构造最后的下载地址
网上也有那种软件，这个就不多说了
需要代码的可以去我的GitHub，传送门
参考
python模拟喜马拉雅js，全过程突破xm-sign，轻松爬取音频数据
python爬取喜马拉雅音频，突破xm-sign校验反爬（爬虫）
爬虫之突破xm-sign校验反爬
喜马拉雅音频下载工具
Chrome 开发者工具代码行断点调试
js中~~和 | 的妙用
