前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >在Mac上用手机抓包软件Charles抓取微信小程序中的高清无水印视频

在Mac上用手机抓包软件Charles抓取微信小程序中的高清无水印视频

作者头像
用户9127725
发布于 2022-08-08 02:41:13
发布于 2022-08-08 02:41:13
2.3K00
代码可运行
举报
运行总次数:0
代码可运行

    手机抓包是一名测试工程师常备的技能,比如我想查看一个接口请求的参数、返回值,还有移动设备上的http请求、https请求,这一次的背景是我们想要在app端和小程序端抓取一些视频,这里用腾讯视频作为例子,使用mac系统的Charles软件(有点类似win系统中的fiddler,使用方式上大同小异)来进行视频接口与地址的抓包和嗅探。

    同时抓包工具也有利于线上生产环境问题的分析,前几天有个做服务端的同学跟我说他不用抓包工具,遇到问题直接debug代码,那我问他,如果线上服务的话,你怎么调?在实际项目中,没有遇到跟客户端相互扯皮的事情吗?客户端说他没问题,服务端也说他没问题,到底谁有问题?这时候没必要相互推脱,拿数据出来说话才是王道。抓包工具做了什么?它把客户端的请求数据,以及服务端返回的数据完完整整的抓取下来,供攻城狮分析问题。所以首先分析问题才是最重要的,而不是一上来就跟踪代码debug

    Charles是一个HTTP代理服务器,HTTP监视器,反转代理服务器,当浏览器连接Charles的代理访问互联网时,Charles可以监控浏览器发送和接收的所有数据。它允许一个开发者查看所有连接互联网的HTTP通信,这些包括request, response和HTTP headers (包含cookies与caching信息)

    首先安装Charles,直接去官网下载即可 https://www.charlesproxy.com/latest-release/download.do  最新版本号是4.5.1,值得一提的是Charles也支持64位的win系统

    安装好后,打开Charles,在菜单中打开代理

    这样,Charles就在本地直接起了一个代理服务,默认端口号是8888

    此时打开命令行,输入ifconfig(win下输入ipconfig),查看本机的局域网ip地址

    将你的手机和电脑连入到统一局域网内,然后设置wifi连接的高级设置,将刚刚的本机ip地址和端口号填入到代理设置内

    这时,手机端的一切网络请求就都可以在电脑端的Charles界面中展示出来了

    在手机端打开腾讯视频app或者腾讯视频小程序,随便点开一个视频

    我们看到包括视频地址的一切请求都一览无遗,将地址复制到浏览器中查看

    这样我们就获取了手机端播放的视频,随后我们直接可以通过命令或者写python脚本下载到本地,这里我们使用linux命令wget

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
wget http://ugcws.video.gtimg.com/uwMROfz2r5zEYaQXGdGnC2dfDmZ8QagOBRrURGecmSBtB5p6/u0851ed5e06.mp4?vkey=2F247F5C2A6500312D6F6B52E65F53DC4770569E7A9710825CEA1DC8A0E99927E68B68C5C83D12E503C70DB9FDE136B95AD4FBA7C169FF1E334F8584173754F9E76E83D5A5A4E4D5CA182AA0E0C478B59C2AEAFBEEFF14CB2531CF18881741B1CEA42BACB9150D485459FA19B14D194D85A3EE1F34E61433

    视频已经下载到了本地,可以随时播放

    需要注意的点:

    1、当我们不抓包的时候,会将Charles关闭,这时候你的手机是访问不到网络的,因为设置了代理(就是Charles),这时候需要将Android手机中的代理关闭,这个是抓包时经常犯的错。     2、Charles抓取,必须保持电脑端和手机端连接的wifi,是在同一个网络环境下。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019-10-29 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
深度学习之序列建模的核心技术:LSTM架构深度解析与优化策略
在深度学习领域,循环神经网络(RNN)在处理序列数据方面具有独特的优势,例如语音识别、自然语言处理等任务。然而,传统的 RNN 在处理长序列数据时面临着严重的梯度消失问题,这使得网络难以学习到长距离的依赖关系。LSTM 作为一种特殊的 RNN 架构应运而生,有效地解决了这一难题,成为了序列建模领域的重要工具。
Undoom
2025/05/22
6050
深度学习之序列建模的核心技术:LSTM架构深度解析与优化策略
递归模型的语言处理入门:双向rnn,编码器和词嵌入
双向RNN是RNN的一种变体,它对于自然语言处理任务特别有用,并且有时可以提高性能。
deephub
2021/03/25
5590
递归模型的语言处理入门:双向rnn,编码器和词嵌入
深度学习之RNN循环神经网络(理论+图解+Python代码部分)[通俗易懂]
前段时间实验室人手一本《Deep Learning》,本文章结合这本圣经和博客上各类知识以及我自己的理解和实践,针对RNN循环神经网络作出总结。
全栈程序员站长
2022/11/03
8.3K0
Keras框架速查手册(Python For Data Science Cheat Sheet Keras)
Keras框架速查表 1 Keras 1.1 一个基本示例 2 数据 2.1 Keras数据设置 3 模型结构 3.1 Sequential模型 3.2 多层感知器(MLP) 3.2.1 二元分类 3.2.2 多类别分类 3.2.3 回归 3.3 卷积神经网络(CNN) 3.4 循环神经网络(RNN) 4 预处理 4.1 序列填充 4.2 创建虚拟变量 4.3 训练集、测试集分离 4.4 标准化/归一化 5 模型细节提取 5.1 模型输出形状 5.2 模型总结 5.3 get模型参数 5.4 g
荣仔_最靓的仔
2022/01/05
3930
Keras框架速查手册(Python For Data Science Cheat Sheet Keras)
《Python深度学习》 Part 1
全部内容来源于《Python深度学习》,以练习为主,理论知识较少,掺杂有一些个人的理解,虽然不算很准确,但是胜在简单易懂,这本书是目前看到最适合没有深度学习经验的同学们入门的书籍了,不妨试试,该书作者:Francois Chollet,即Keras之父,该书译者:张亮;
HoLoong
2021/05/24
4350
《Python深度学习》 Part 1
Tensorflow2.0实现简单的RNN文本分析
前面我们介绍的全连接神经网络以及卷积神经网络都只能单独处理一个个输入,并且前一个输入和后一个输入往往是没有直接联系。但是,在某些情况下我们需要很好地处理序列信息,即前一个输入与后一个输入是有关系的。比如我们理解一句话的时候,往往需要联系前后的句子才能得到这句话表达的准确含义。序列问题有很多,例如语音对话、文本理解以及视频/音频分析等。今天老shi将给大家介绍深度学习中另外一种非常重要的神经网络类型——循环神经网络RNN,它最擅长处理序列问题!
用户7569543
2020/07/19
8590
关于深度学习系列笔记十五(循环神经网络)
‰ 提取单词或字符的 n-gram,并将每个 n-gram 转换为一个向量。n-gram 是多个连续单词或字符的集合(n-gram 之间可重叠)。
python与大数据分析
2022/03/11
6600
关于深度学习系列笔记十五(循环神经网络)
Deep learning with Python 学习笔记(7)
卷积神经网络能够进行卷积运算,从局部输入图块中提取特征,并能够将表示模块化,同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异,同样也让它对序列处理特别有效。对于某些序列处理问题,这种一维卷积神经网络的效果可以媲美 RNN,而且计算代价通常要小很多,并且,对于文本分类和时间序列预测等简单任务,小型的一维卷积神经网络可以替代 RNN,而且速度更快
范中豪
2019/09/10
7490
Deep learning with Python 学习笔记(7)
[Deep-Learning-with-Python]基于Kears的Reuters新闻分类
构建神经网络将路透社新闻分类,一共有46个类别。因为有多个类别,属于多分类问题,而每条数据只属于一个类别,所以是单标签多分类问题;如果每条数据可以被分到多个类别中,那问题则属于多标签多分类问题。 完整代码 欢迎Fork、Star
用户1631856
2018/08/01
1.2K0
[Deep-Learning-with-Python]基于Kears的Reuters新闻分类
Keras 系列 (三) Seq-Seq 与自编码器
最近铁柱一直在思考一个问题 , 如何在Keras中实现RNN序列到序列(sequence-to-sequence)的预测?网上大多数资料都是做的自然语言处理方向,时序方向的开源代码大多是基于TensorFlow,看得铁柱头昏脑胀。在查阅文献时,基于Seq-Seq的双向LSTM时序多步预测表现抢眼,也不知道是不是在往SCI灌水
MeteoAI
2019/07/22
1.5K0
Deep learning with Python 学习笔记(5)
用于处理序列的两种基本的深度学习算法分别是循环神经网络(recurrent neural network)和一维卷积神经网络(1D convnet) 与其他所有神经网络一样,深度学习模型不会接收原始文本作为输入,它只能处理数值张量。文本向量化(vectorize)是指将文本转换为数值张量的过程。它有多种实现方法
范中豪
2019/09/10
7130
Deep learning with Python 学习笔记(5)
Deep learning with Python 学习笔记(6)
本节介绍循环神经网络及其优化 循环神经网络(RNN,recurrent neural network)处理序列的方式是,遍历所有序列元素,并保存一个状态(state),其中包含与已查看内容相关的信息。在处理两个不同的独立序列(比如两条不同的 IMDB 评论)之间,RNN 状态会被重置,因此,你仍可以将一个序列看作单个数据点,即网络的单个输入。真正改变的是,数据点不再是在单个步骤中进行处理,相反,网络内部会对序列元素进行遍历,RNN 的特征在于其时间步函数
范中豪
2019/09/10
7680
Deep learning with Python 学习笔记(6)
教程 | 简述表征句子的3种无监督深度学习方法
选自Medium 作者:yonatan hadar 机器之心编译 参与:Nurhachu Null、路 本文介绍了三种用于表征句子的无监督深度学习方法:自编码器、语言模型和 Skip-Thought
机器之心
2018/05/08
1.1K0
教程 | 简述表征句子的3种无监督深度学习方法
深度学习之二分类问题
IMDB 数据集包含来自互联网电影数据库(IMDB)的 50 000 条严重两极分化的评论。
李小白是一只喵
2020/04/23
1.6K0
深度学习之二分类问题
使用 RNN 进行情感分析的初学者指南
情感分析可能是最常见的 自然语言处理 的应用之一。我无需去额外强调在客服工具中情感分析的重要性。本文将利用循环神经网络,训练出一个基于 IMDB 数据集的电影评论分类器。如果你想了解更多关于深度学习在情感分析中的应用,这里推荐一篇很棒的论文。
AI研习社
2018/07/26
1K0
使用 RNN 进行情感分析的初学者指南
RNN,具有记忆功能神经网络的理解与实现
我们当前掌握的网络类型,统称为feed forward网络。这种网络的特点是,当我们把很多条数据输入网络进行训练时,网络没有“记忆性”,也就是网络认为前一条输入的数据与下一条输入的数据之间没有任何联系。然而在实际运用中,输入的数据间往往存在着强联系,特别是在自然语言处理中。
望月从良
2018/09/29
1.3K0
RNN,具有记忆功能神经网络的理解与实现
深度学习在情感分析中的应用
编者按:本文选自图书《Keras快速上手:基于Python的深度学习实战》第七章,本书覆盖当前最热门的传统数据挖掘场景和四个深度学习应用场景,据调研,是目前唯一一本以应用为导向的介绍机器学习和深度学习的专业书籍,具备很高的参考价值和学术价值。 注意啦!文末活动评论赠送此书! 自然语言情感分析简介 情感分析无处不在,它是一种基于自然语言处理的分类技术。其主要解决的问题是给定一段话,判断这段话是正面的还是负面的。例如在亚马逊网站或者推特网站中,人们会发表评论,谈论某个商品、事件或人物。商家可以利用情感分析工具
用户1737318
2018/06/05
1.6K0
用深度学习实现自然语言处理:word embedding,单词向量化
前几年,腾讯新闻曾发出一片具有爆炸性的文章。并不是文章的内容有什么新奇之处,而是文章的作者与众不同,写文章的不是人,而是网络机器人,或者说是人工智能,是算法通过分析大量财经文章后,学会了人如何编写财经报道,然后根据相关模式,把各种财经数据组织起来,自动化的生成一篇文章,当人阅读时,根本无法意识到文章不是人写,而是电脑生成的。
望月从良
2018/08/16
1.3K0
用深度学习实现自然语言处理:word embedding,单词向量化
Keras-深度学习-神经网络-电影评论情感分析模型
使用到的数据集为IMDB电影评论情感分类数据集,该数据集包含 50,000 条电影评论,其中 25,000 条用于训练,25,000 条用于测试。每条评论被标记为正面或负面情感,因此该数据集是一个二分类问题。
叶茂林
2023/07/30
3810
Keras-深度学习-神经网络-电影评论情感分析模型
[Kaggle] Spam/Ham Email Classification 垃圾邮件分类(RNN/GRU/LSTM)
练习地址:https://www.kaggle.com/c/ds100fa19 相关博文 [Kaggle] Spam/Ham Email Classification 垃圾邮件分类(spacy) [Kaggle] Spam/Ham Email Classification 垃圾邮件分类(BERT)
Michael阿明
2021/02/19
7920
[Kaggle] Spam/Ham Email Classification 垃圾邮件分类(RNN/GRU/LSTM)
推荐阅读
相关推荐
深度学习之序列建模的核心技术:LSTM架构深度解析与优化策略
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档