目标网站:汽车之家
目标网址:/bbs/thread/2d8a42404ba24266/77486027-1.html#pvareaid=2199101
缘由:
今天原来的同事让我看一个网站:“汽车之家”,起初看了看感觉应该没有反爬措施吧,但是实际在操作中,发现原来是字体进行了反爬加密。
查看源码:
不禁惊讶,难道是UTF-8编码的文字吗?于是找一个在线转换的网址:/
,结果发现…
通过转换还是发现,获取到的竟然还是假的字体。不信邪的我重新把文章给粘贴到NotePad++上结果发现:
原来这些字体是粘贴不上去的。好吧,只能考虑字体设置了反爬。看到源码中
<span style='font-family: myfont;'></span>
那么便通过myfont
看是否能发现点东西不?结果还真有所发现
这不是..ttf
字体吗?难道是使用这种字体加密的吗?那么先下载下来这种字体看是否猜测正确,下载过字体后这边推荐一款查看..ttf
字体的一个工具:Font Creator(自行下载…)下载打开查看
上边每个字显示其字形和其字形编码,那么不禁想了想,这两种字体是怎么转换的呢?翻看好多大佬博客找到一款专门解析font的python包,fonttools。自行安装pip install fonttools
参考链接:https://darknode.in/font/font-tools-guide/
# 那么便开始通过字体库进行解析world = TTFont('./world.ttf')# 读取响应的映射关系uni_list = world['cmap'].tables[0].ttFont.getGlyphOrder() # 'cmap' 表示汉字对应的映射 为unicode编码print(uni_list) # 按顺序拿到各个字符的unicode编码# 打印结果:['.notdef', 'uniEDE8', 'uniED35', 'uniED87', 'uniECD3', 'uniED25', 'uniEC72', 'uniEDB2', 'uniEE04', 'uniED51', 'uniEC9D', 'uniECEF', 'uniEC3C', 'uniEC8D', 'uniEDCE', 'uniED1B', 'uniED6C', 'uniECB9', 'uniEDFA', 'uniEC57', 'uniED98', 'uniEDEA', 'uniED36', 'uniEC83', 'uniECD5', 'uniEC21', 'uniED62', 'uniEDB4', 'uniED00', 'uniED52', 'uniEC9F', 'uniEDDF', 'uniEC3D', 'uniED7E', 'uniECCA', 'uniED1C', 'uniEC69', 'uniECBB', 'uniEDFB']# .notdef 并不是汉字的映射, 而是表示字体家族名称。将映射列表转换成unicode的类型,因为自己文中获取的是字符串unicode类型的,当然你也可以转化为utf-8,不过你获取的文章内容也要转化为utf-8unicode_list= [eval(r"u'\u" + uni[3:] + "'") for uni in uni_list[1:]]
关于映射这点,其实是有点疑问的utf-8和unicode之间有什么关系?建议参考知乎详解:
/question/23374078
好了,上边已经把所有的东西准备好了,写一下代码吧。
# coding:utf-8import reimport requestsfrom scrapy import Selectorfrom fontTools.ttLib import TTFontclass QiCheZhiJiaSpider:def article_content(self):url = '/bbs/thread/2d8a42404ba24266/77486027-1.html#pvareaid=2199101'headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}try:response = requests.get(url=url, headers=headers).textresponse_info = Selector(text=response)except BaseException as e:print(e)else:content = response_info.xpath('//div[@class="tz-paragraph"]//text()').extract() # 获取列表的形式内容。# print(content)content_str = ''.join(content)# 紧接着获取字体的链接world_href = re.findall(r",url\('(//.*\.ttf)'\).*", response, re.M or re.S)[0]world_href = 'https:' + world_hrefworld_content = requests.get(url=world_href, headers=headers).content# 对获取到的字体进行下载..........with open('./world.ttf', 'wb') as f:f.write(world_content)# 那么便开始通过字体库进行解析world = TTFont('./world.ttf')# 读取响应的映射关系uni_list = world['cmap'].tables[0].ttFont.getGlyphOrder()unicode_list = [eval(r"u'\u" + uni[3:] + "'") for uni in uni_list[1:]]world_list = ["右", "远", "高", "呢", "了", "短", "得", "矮", "多", "二", "大", "一", "不", "近","是", "着", "五", "三", "九", "六", "少", "好", "上", "七", "和", "很", "十","四", "左", "下", "八", "小", "坏", "低", "长", "更", "的", "地"] # # 录入字体文件中的字符。必须要以国际标准的unicode编码for i in range(len(unicode_list )):content_str = content_str.replace(unicode_list [i], world_list[i])print(content_str)if __name__ == '__main__':qi_che_zhi_jia = QiCheZhiJiaSpider()qi_che_zhi_jia.article_content()
结果展示:
不足之处欢迎指出,大家一起进步。
参考大佬博客:
/p/32087297/zwq912318834/article/details/80268149
疑问之处:那么每一个网页都要手动把world_list
给写好吗?这不是我们想要的自动化效果呀,有没有更好的办法呢?欢迎提出。
如果觉得《Python爬虫---汽车之家字体反爬》对你有帮助,请点赞、收藏,并留下你的观点哦!