Discuz X3防採集開啟時的解決辦法 ; 論野生技術&二次元

Discuz在X3中增加了防採集功能，具體見Discuz x3.0防採集設置圖文教程

開啟防採集後，訪問DZ站點的偽靜態鏈接如http://www.discuz.net/thread-3275423-1-1.html後面會跟上一個?_dsign=xxxxxx，正常鏈接如http://www.discuz.net/forum.php?mod=viewthread&tid=3305274會加上&_dsign=xxxxxx。這讓人很不爽 (o#゜曲゜)o

使用httplib2訪問原帖子頁面（下面以http://www.dz.net/forum.php?mod=viewthread&tid=768為例），返回的是一段混淆過的js，如：

<script type="text/javascript">RKbW=function(){'RKbW';var _R=function(){return '=76'}; return _R();};function AIV(AIV_){function _A(AIV_){function ph(){return getName();}function AIV_(){}return ph();return AIV_}; return _A(AIV_);}DmZP='iew';_IX161 = 'assign';function zoQ(zoQ_){function ti(){return getName();};return ti();return 'zoQ'}function r2oe(){'return r2oe';return 'ad&'}_eloda = 'replace';F59s=function(){'return F59s';return 'p?m';};HP=function(){'return HP';return 'n';};function getName(){var caller=getName.caller;if(caller.name){return caller.name} var str=caller.toString().replace(/[\s]*/g,"");var name=str.match(/^function([^\(]+?)\(/);if(name && name[1]){return name[1];} else {return '';}}uM=function(){'return uM';return '9';};eG9=function(eG9_){'return eG9';return eG9_;};function kp(kp_){function _k(kp_){function o(){return getName();}function kp_(){}return o();return kp_}; return _k(kp_);}vD='1';BN=function(){'BN';var _B=function(){return 'r'}; return _B();};HALw='rum';_RZnE9 = 'href';o5y=function(o5y_){'return o5y';return o5y_;};function PH(){'return PH';return '.'}_BDkwZ = location;function w2(){'return w2';return '_'}KTI4=function(){'return KTI4';return '910';};_NUuAJ = window;wX=function(){'wX';var _w=function(){return 'd'}; return _w();};iyL=function(iyL_){'return iyL';return iyL_;};location.replace((function(){'return Q8mM';return '/fo'})()+HALw+PH()+AIV('Gs8')+F59s()+kp('nm')+(function(){'return njFH';return (function(){return 'd=v';})();})()+DmZP+eG9('th')+BN()+(function(){'return XD';return 'e'})()+r2oe()+zoQ('yKM')+wX()+RKbW()+'8&'+w2()+o5y('ds')+iyL('ig')+HP()+(function(){'return l26W';return '=6f'})()+uM()+(function(){'return by';return (function(){return '7';})();})()+KTI4()+vD);_NUuAJ['href']=(function(){'return Q8mM';return '/fo'})()+HALw+PH()+AIV('Gs8')+F59s()+kp('nm')+(function(){'return njFH';return (function(){return 'd=v';})();})()+DmZP;</script>

顯然這樣人類是無法理解的……不過使用notepad++的JSFormat插件格式化後還是能看懂的嗯-v-

實際上這是一個字元串替換然後重定向的腳本，生成原理如下(不完全按照上面的例子)：

原始字元串為location.href=forum.php?mod=viewthread&tid=768&_dsign=6f979101
隨機分割這個這個串，如分成l, oc, a, tio, n., ……
對每一個子串替換成一個隨機命名的函數，如l替換成_Oc9S()，則在腳本里加一句function _Oc9S(){return ‘l’;}以此類推
每個function都可能加入奇怪的例如’return l;’這樣毫無意義的混淆
最後在末尾加上window.href=yyy，yyy為取forum.php?mod=viewthread&tid=768&_dsign=6f979101的前x個字元後得到一個子串

我大概寫得不清楚……就……這麼個意思……

毫無疑問要使用PyV8了，本來想自己寫個解釋器，但是演算法太渣只能嗚呼哀哉QAQ
這裡有個問題，PyV8隻是一個js解釋器的包裝，不是瀏覽器的js運行時，因此location啊window啊都是undefined的，所以要手動把這些都去掉。（有一點要說明，就是由於js很騷，location.href有時會被寫成location[‘href’]，或者用location.assign或者location.replace，而assign和replace都可能被一個隨機命名的變數替換掉了）

直接看代碼吧

import PyV8
import re
js='''<script type="text/javascript">.........</script>'''
#去掉<script>標籤
js=js[31:-9]
for st in ['window','location',"'assign'","'href'","'replace'"]:
	equal=re.findall('[_A-Za-z0-9 =]+%s;'%st,js)#找到變數賦值等式
	if equal==[]:#有可能沒有
		continue
	else:
		equal=equal[0]
	var=equal.split('=')[0].strip()#找出變數名
	#把等式幹掉
	js=js.replace(equal,'')
	#把變數替換成它真正的意思
	js=js.replace(var,st)
	#把['xx'] 替換成 .xx
	js=js.replace("['%s']"%st.strip("'"),'.%s'%st.strip("'"))
#將 window.href= 後的內容踢掉，因為當PyV8隻輸出最後一個等式的值
if re.findall('window\.href=.+',js)!=[]:
	js=js.replace(re.findall('window\.href=.+',js)[0],'')
#刪掉location.xxx=
js=js.replace('location.href=','').replace('location.replace','').replace('location.assign','')
#交給你了-v-
ctxt2 = PyV8.JSContext()
ctxt2.enter()
print ctxt2.eval(js)

import PyV8

import re

js='''<script type="text/javascript">.........</script>'''

#去掉<script>標籤

js=js[31:-9]

for st in ['window','location',"'assign'","'href'","'replace'"]:

equal=re.findall('[_A-Za-z0-9 =]+%s;'%st,js)#找到變數賦值等式

if equal==[]:#有可能沒有

continue

else:

equal=equal[0]

var=equal.split('=')[0].strip()#找出變數名

#把等式幹掉

js=js.replace(equal,'')

#把變數替換成它真正的意思

js=js.replace(var,st)

#把['xx'] 替換成 .xx

js=js.replace("['%s']"%st.strip("'"),'.%s'%st.strip("'"))

#將 window.href= 後的內容踢掉，因為當PyV8隻輸出最後一個等式的值

if re.findall('window\.href=.+',js)!=[]:

js=js.replace(re.findall('window\.href=.+',js)[0],'')

#刪掉location.xxx=

js=js.replace('location.href=','').replace('location.replace','').replace('location.assign','')

#交給你了-v-

ctxt2 = PyV8.JSContext()

ctxt2.enter()

print ctxt2.eval(js)

這樣就得到了包含dsign的新url，可以繼續爬了

最後對DZ的防採集再說幾句

防採集是對IP不對用戶的
而且要看站長的設置，有可能只對帖子或日誌等開啟；你們可以到Discuz x3.0防採集設置圖文教程感受一下
_dsign的值是固定的，計算完一次js後可以考慮保存起來，以後可以直接訪問加上_dsign的url
防採集是針對不支持js的機器人的，如果用python直接控制瀏覽器的話，可以無視之
如果mechanize和PyV8能合體那該多好~ o(*￣▽￣*)o

Done，繼續去抓ラブリーマイエンジェルあやせたん♪的寫真了嗯哼哼哼