Java網(wǎng)絡(luò)爬蟲精解與實(shí)踐

第 1 章 網(wǎng)絡(luò)爬蟲開(kāi)發(fā)入門實(shí)踐 1
1.1 Java 網(wǎng)絡(luò)爬蟲框架概覽1
1.2 搭建開(kāi)發(fā)環(huán)境5
1.2.1 搭建 Java 開(kāi)發(fā)環(huán)境5
1.2.2 搭建 Selenium 開(kāi)發(fā)環(huán)境6
1.3 簡(jiǎn)單 Web 爬蟲程序示例7
1.3.1 獲取網(wǎng)頁(yè)內(nèi)容并打印7
1.3.2 利用 XPath 獲取指定元素8
1.3.3 單擊搜索按鈕9
1.3.4 獲取 iframe 元素中的數(shù)據(jù) 9
1.3.5 使用更加優(yōu)雅的等待方式10
1.3.6 實(shí)現(xiàn)屏幕截圖12
1.3.7 執(zhí)行 JavaScript 腳本12
1.4 WebDriver 選項(xiàng)配置3
1.4.1 瀏覽器通用選項(xiàng)配置13
1.4.2 Chrome 瀏覽器特定選項(xiàng)配置 14
1.4.3 Chrome DevTools Protocol14
1.5 BrowserMob Proxy 18
1.6 其他主流 Web 自動(dòng)化測(cè)試框架19
1.6.1 Puppeteer20
1.6.2 Playwright20
1.7 本章小結(jié)21
1.8 本章練習(xí)21
第 2 章 網(wǎng)頁(yè)內(nèi)容解析與提取 24
2.1 Selenium 元素定位器24
2.2 基于正則表達(dá)式的內(nèi)容解析與提取27
2.2.1 正則表達(dá)式的基礎(chǔ)語(yǔ)法27
2.2.2 正則表達(dá)式的高級(jí)應(yīng)用技巧29
2.2.3 正則表達(dá)式的應(yīng)用場(chǎng)景31
2.3 基于 JsonPath 的內(nèi)容解析與提取34
2.4 本章小結(jié)36
2.5 本章練習(xí)36
 IV Java 網(wǎng)絡(luò)爬蟲精解與實(shí)踐
第 3 章 驗(yàn)證碼繞過(guò)與識(shí)別 38
3.1 驗(yàn)證碼介紹38
3.1.1 基于文本識(shí)別的驗(yàn)證碼39
3.1.2 基于圖片識(shí)別的驗(yàn)證碼39
3.1.3 基于語(yǔ)音識(shí)別的驗(yàn)證碼40
3.1.4 基于行為識(shí)別的智能驗(yàn)證碼40
3.2 避免 CAPTCHA 驗(yàn)證碼觸發(fā) 40
3.3 CAPTCHA 驗(yàn)證碼生成 42
3.3.1 文本驗(yàn)證碼的生成42
3.3.2 滑塊驗(yàn)證碼的生成43
3.3.3 點(diǎn)選驗(yàn)證碼的生成45
3.4 CAPTCHA 驗(yàn)證碼識(shí)別 47
3.4.1 文本驗(yàn)證碼識(shí)別方案 1 47
3.4.2 文本驗(yàn)證碼識(shí)別方案 2 52
3.4.3 滑塊驗(yàn)證碼的識(shí)別56
3.4.4 點(diǎn)選驗(yàn)證碼的識(shí)別59
3.5 本章小結(jié)65
3.6 本章練習(xí)66
第 4 章 網(wǎng)絡(luò)抓包與對(duì)抗 67
4.1 Fiddler 67
4.1.1 Fiddler 的安裝配置與基礎(chǔ)功能使用 67
4.1.2 Fiddler 的高級(jí)特性 70
4.2 Charles73
4.3 Wireshark 75
4.4 SSL Pinning 保護(hù)機(jī)制下的網(wǎng)絡(luò)數(shù)據(jù)抓包78
4.4.1 配置自定義 CA 證書 79
4.4.2 添加抓包軟件證書到系統(tǒng)信任的 CA 證書列表 82
4.4.3 使用 Hook 技術(shù)84
4.5 JustTrustMe 的工作原理 86
4.5.1 SSL Pinning 機(jī)制的實(shí)現(xiàn)86
4.5.2 JustTrustMe 模塊 Hook 操作的實(shí)現(xiàn)原理89
4.6 本章小結(jié)90
4.7 本章練習(xí)91
第 5 章 JavaScript 逆向分析技術(shù) 92
5.1 常見(jiàn)的反爬蟲策略及其應(yīng)對(duì)方案92
5.1.1 基于訪問(wèn)頻率的檢查與訪問(wèn)限制92
5.1.2 基于請(qǐng)求參數(shù)和請(qǐng)求頭信息的反爬蟲技術(shù)94
5.1.3 基于蜜罐機(jī)制的反爬蟲技術(shù)94
5.1.4 隱藏網(wǎng)頁(yè)的跳轉(zhuǎn)鏈接95
5.2 瀏覽器指紋識(shí)別與修復(fù)96
5.2.1 瀏覽器指紋識(shí)別的工作原理96
5.2.2 瀏覽器指紋泄露97
5.2.3 瀏覽器指紋泄露修復(fù)98
5.3 JavaScript 代碼保護(hù)技術(shù)98
5.3.1 JavaScript 代碼反調(diào)試技術(shù) 99
5.3.2 基于完整性檢測(cè)的代碼保護(hù)技術(shù)106
5.3.3 限制 JavaScript 代碼執(zhí)行環(huán)境111
5.3.4 JavaScript 代碼混淆技術(shù) 111
5.4 JavaScript 抽象語(yǔ)法樹(shù)122
5.4.1 抽象語(yǔ)法樹(shù)的結(jié)構(gòu)123
5.4.2 抽象語(yǔ)法樹(shù)的生成過(guò)程124
5.4.3 操作抽象語(yǔ)法樹(shù)126
5.4.4 操作抽象語(yǔ)法樹(shù)反混淆基礎(chǔ)實(shí)踐131
5.5 JavaScript Hook 技術(shù) 137
5.6 JavaScript 逆向工程實(shí)踐143
5.6.1 JavaScript 反混淆實(shí)戰(zhàn) 143
5.6.2 JavaScript Hook 技術(shù)實(shí)戰(zhàn) 156
5.7 本章小結(jié)160
5.8 本章練習(xí)161
第 6 章 App 數(shù)據(jù)爬取與逆向分析 162
6.1 基于抓包分析的 App 數(shù)據(jù)爬取 162
6.2 基于 Appium 自動(dòng)化框架的 App 數(shù)據(jù)采集163
6.2.1 Appium 簡(jiǎn)介 163
6.2.2 Appium 環(huán)境搭建 164
6.2.3 Appium 2.x 和 Appium 1.x166
6.2.4 移動(dòng)端 Web 爬蟲開(kāi)發(fā)實(shí)踐168
6.2.5 移動(dòng)端 Native App 爬蟲開(kāi)發(fā)實(shí)踐 171
6.2.6 移動(dòng)端 Hybrid App 爬蟲開(kāi)發(fā)實(shí)踐173
6.2.7 Appium 開(kāi)發(fā)環(huán)境的常見(jiàn)錯(cuò)誤與處理技巧 175
6.3 Android 應(yīng)用程序靜態(tài)分析 177
6.3.1 Android 應(yīng)用程序基本結(jié)構(gòu)剖析177
6.3.2 Android 應(yīng)用程序構(gòu)建過(guò)程180
6.3.3 Smali 代碼分析182
6.4 Android 應(yīng)用程序動(dòng)態(tài)分析 188
6.4.1 向 Smali 代碼中添加 debug 日志 189
6.4.2 利用 Frida 框架進(jìn)行逆向動(dòng)態(tài)分析191
6.5 二進(jìn)制文件逆向分析207
6.5.1 利用 objdump 逆向分析207
6.5.2 利用 IDA 進(jìn)行逆向靜態(tài)分析208
6.5.3 利用 IDA 進(jìn)行動(dòng)態(tài)逆向分析210
6.6 加殼與脫殼技術(shù)213
6.6.1 相關(guān)基礎(chǔ)知識(shí)214
6.6.2 加殼技術(shù)實(shí)現(xiàn)原理215
6.6.3 脫殼技術(shù)實(shí)現(xiàn)原理217
6.7 App 逆向分析實(shí)戰(zhàn)一221
6.8 App 逆向分析實(shí)戰(zhàn)二225
6.9 本章小結(jié)228
6.10 本章練習(xí) 228
第 7 章 分布式爬蟲系統(tǒng)關(guān)鍵技術(shù) 229
7.1 常用的分布式架構(gòu)模式229
7.1.1 主從模式229
7.1.2 自治模式230
7.2 任務(wù)調(diào)度策略231
7.2.1 基于數(shù)據(jù)分區(qū)的調(diào)度策略231
7.2.2 基于資源感知的調(diào)度策略234
7.2.3 基于優(yōu)先級(jí)的調(diào)度策略235
7.2.4 基于自定義規(guī)則的調(diào)度策略235
7.3 任務(wù)調(diào)度器236
7.3.1 Quartz236
7.3.2 ElasticJob 238
7.3.3 XXL-JOB 239
7.4 分布式消息隊(duì)列240
7.4.1 應(yīng)用場(chǎng)景241
7.4.2 分布式消息隊(duì)列的類型241
7.5 服務(wù)注冊(cè)與發(fā)現(xiàn)242
服務(wù)注冊(cè)與發(fā)現(xiàn)架構(gòu)類型242
7.6 完全重復(fù)內(nèi)容檢測(cè)245
7.6.1 布隆過(guò)濾器245
7.6.2 基于哈希指紋的重復(fù)性檢測(cè)247
7.7 近似重復(fù)內(nèi)容檢測(cè)248
7.7.1 基于詞特征的文本相似度計(jì)算算法248
7.7.2 基于深度學(xué)習(xí)的文本相似度計(jì)算算法249
7.7.3 近似最近鄰算法250
7.8 本章小結(jié)253
7.9 本章練習(xí)253
第 8 章 分布式爬蟲系統(tǒng)實(shí)戰(zhàn) 254
8.1 需求分析254
8.1.1 功能需求分析254
8.1.2 非功能需求分析255
8.2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)255
8.2.1 總體設(shè)計(jì)256
8.2.2 爬取任務(wù)調(diào)度模塊257
8.2.3 反爬蟲對(duì)抗組件259
8.2.4 系統(tǒng)監(jiān)控模塊261
8.2.5 重復(fù)內(nèi)容過(guò)濾模塊263
8.2.6 內(nèi)容相關(guān)性識(shí)別模塊271
8.2.7 爬取任務(wù)執(zhí)行模塊273
8.2.8 系統(tǒng)底層存儲(chǔ)設(shè)計(jì)279
8.3 本章小結(jié)281
8.4 本章練習(xí)281