淘寶直播彈幕爬蟲

xiaozhong發表於2017-12-10
爬蟲

背景說明

公司有通過淘寶直播間短連結來爬取直播彈幕的需求, 奈何即便google上面也僅找到一個相關的話題, 還沒有答案. 所以只能自食其力了.

爬蟲的github倉庫地址在文末, 我們先看一下爬蟲的最終效果:

淘寶直播彈幕爬蟲

下面我們來抽絲剝繭, 重現一下調研過程.

頁面分析

直播間地址在分享直播時可以拿到:

淘寶直播彈幕爬蟲

彈幕一般不是websocket就是socket. 我們開啟dev tools過濾ws的請求即可看到websocket地址:

淘寶直播彈幕爬蟲

提一下鬥魚: 它走的是flash的socket, 我們就算開啟dev tools也是懵逼, 好在鬥魚官方直接開放了socket的API.

我們繼續檢視收到的訊息, 發現訊息的壓縮型別compressType有兩種: COMMON和GZIP. data的值肯定就是目標訊息了, 看起來像經過了base64編碼, 解密過程後面再說.

淘寶直播彈幕爬蟲

現在我們首先要解決的問題是如何拿到websocket地址. 分析一下html source, 發現可以通過其中不變的部分查詢到指令碼:

淘寶直播彈幕爬蟲
然鵝, 拿到這塊整個的指令碼格式化之後發現, 原始程式碼明顯是模組化開發的, 經過了打包壓縮. 所以我們只能分析模組內一小塊程式碼, 這是沒有意義的.

但是我們可以觀察到不同的直播間websocket地址唯一不同的只有token, 所以我們可以想辦法拿到token. 當然這是很噁心的環節, 完全沒有頭緒, 想到的各種可能性都失敗了. 後面像無頭蒼蠅一樣看頁面發起的請求, 竟然給找到了...
token是通過api請求獲取的, api地址是:

http://h5api.m.taobao.com/h5/mtop.mediaplatform.live.encryption/1.0/
複製程式碼

淘寶直播彈幕爬蟲

好了那websocket地址的問題解決了, 我們開始寫爬蟲吧.

編寫爬蟲

看看api的query string那一堆動態引數, 普通爬蟲就別想了, 我們祭出神器: puppeteer.

puppeteer是谷歌推出的開放Node API的無頭瀏覽器, 理論上可以可程式設計化地控制瀏覽器的各種行為, 對於我們的場景來說就是: 直播頁面載入完之後, 攔截獲取websocket token的api請求, 解析結果拿到token. 這部分的程式碼如下:

    const browser = await puppeteer.launch()
    const page = (await browser.pages())[0]
    await page.setRequestInterception(true)
    const api = 'http://h5api.m.taobao.com/h5/mtop.mediaplatform.live.encryption/1.0/'
    const { url } = message

    // intercept request obtaining the web socket token
    page.on('request', req => {
        if (req.url.includes(api)) {
            console.log(`[${url}] getting token`)
        }
        req.continue()
    })
    page.on('response', async res => {
        if (!res.url.includes(api)) return

        const data = await res.text()
        const token = data.match(/"result":"(.*?)"/)[1]
        const url = `ws://acs.m.taobao.com/accs/auth?token=${token}`
    })

    // open the taobao live page
    await page.goto(url, { timeout: 0 })
    console.log(`[${url}] page loaded`)
複製程式碼

這裡有個效能優化的小技巧. puppeteer官方示例中獲取page例項會開啟一個新頁面: const page = await browser.newPage(), 實際上瀏覽器啟動本來就預設有個about:blank頁面開啟, 我們的程式碼中直接是獲取這個開啟的例項來跳轉直播頁面, 這樣就可以少一個程式.
可以ps ax|grep puppeteer觀察啟動的程式數來進行對比, 預設有兩個主程式, 剩餘的都是頁面程式.

獲取到websocket地址就可以建立連線拉取訊息了:

    const url = `ws://acs.m.taobao.com/accs/auth?token=${token}`
    const ws = new WebSocket(url)

    ws.on('open', () => {
        console.log(`\nOPEN:  ${url}\n`)
    })
    ws.on('close', () => {
        console.log('DISCONN')
    })
    ws.on('message', msg => {
        console.log(msg)
    })
複製程式碼

淘寶直播彈幕爬蟲

訊息解密

現在我們能持續拉取訊息了, 這樣會方便分析. 前面我們分析頁面的時候發現compressType有兩種: COMMON和GZIP. 經過嘗試, COMMON的可以直接得到明文, 而GZIP的需要再經過一次gunzip解碼. 解碼結果大致如下, 裡面已經可以看到暱稱和彈幕內容了:

淘寶直播彈幕爬蟲

然鵝, 一切才剛剛開始...內容裡面是有亂碼的, 基於這樣的內容做正則匹配無果. 如果嘗試直接儲存buffer或者buffer.toString()到檔案會發現檔案根本打不開, 內容是無法解析的:

淘寶直播彈幕爬蟲

沒辦法, 我們只能分析原始buffer array的utf8編碼了. 這裡開了腦洞, 直接將buffer array做join得到的string拿來分析其規律 (分析程式碼見analyze.js檔案):

淘寶直播彈幕爬蟲

幾個樣本的分析結果如下, 其中不變的部分做了高亮:

淘寶直播彈幕爬蟲

這些值可能是由有效字元編碼按一定規則換算過來, 但誰又能猜得到呢, 也沒必要.

這樣我們就可以通過一個正規表示式解析出nick和barrage了:

/.*,[0-9]+,0,18,[0-9]+,(.*?),32,[0-9]+,[0-9]+,[0-9]+,[0-9]+,[0-9]+,44,50,2,116,98,[0-9]+,0,10,[0-9]+,(.*?),18,20,10,12/
複製程式碼

當然這個pattern同樣能匹配到關注主播的彈幕, 這不是我們想要的. 我們可以通過一串確定的buffer字串提前過濾掉這種訊息:

const followedPattern = '226,129,130,226,136,176,226,143,135,102,111,108,108,111,119'
複製程式碼

至此我們已經可以解析出乾乾淨淨的暱稱+彈幕了. 完整解密程式碼如下:

function decode(msg) {
    // base64 decode
    let buffer = Buffer.from(msg.data, 'base64')
    if (msg.compressType === 'GZIP') {
        // gzip decode
        buffer = zlib.gunzipSync(buffer)
    }
    const bufferStr = buffer.join(',')

    // [followed] notifications are ignored
    const followedPattern = '226,129,130,226,136,176,226,143,135,102,111,108,108,111,119'
    if (bufferStr.includes(followedPattern)) {
        return
    }

    // // print for debugging
    // console.log(bufferStr)
    // console.log(buffer.toString())

    // first match is nick name and second match is barrage content
    const barragePattern = /.*,[0-9]+,0,18,[0-9]+,(.*?),32,[0-9]+,[0-9]+,[0-9]+,[0-9]+,[0-9]+,44,50,2,116,98,[0-9]+,0,10,[0-9]+,(.*?),18,20,10,12/
    const matched = bufferStr.match(barragePattern)
    if (matched) {
        const nick = parseStr(matched[1])
        const barrage = parseStr(matched[2])
        console.log(`${nick}:  ${barrage}`)
    }
}
複製程式碼

當然可能還存在一個問題, 是關於上面分析結果表裡的barrage前, 有連續的5位固定不變, 實際上剛開始是連同前面一位共6位不變的, 結果過了一天之後前面那位從130變到了131, 而再往前的幾位變化頻率則特別高. 所以我懷疑這些值有可能是跟當前時間有關.
可能不確定的一段時間之後這5位固定值也會變掉吧, 到時正則就得調整了, 但應該可以正常執行很久了. 如有哪些同仁感興趣, 可以找找規律.

程式維護

實際使用時流程大致應該是這樣的: 收到請求之後主程式fork一個爬蟲子程式來獲取websocket url, 子程式返回結果給主程式, 在使用方建立websocket連線(搶過連線)之後, 子程式便可自殺釋放資源, 自殺的同時browser.close()殺死puppeteer相關程式.
之所以這樣做是因為測試下來: websocket斷開連線不久token會失效.

Github倉庫

記得star啊?
github.com/xiaozhongli…

相關文章