Python爬虫---汽车之家字体反爬-Tutorial Python-php.cn

Python爬虫---汽车之家字体反爬

云罗郡主

Lepaskan： 2019-01-21 11:13:28

asal

4760 orang telah melayarinya

本篇文章给大家带来的内容是关于Python爬虫---汽车之家字体反爬，有一定的参考价值，有需要的朋友可以参考一下，希望对你有所帮助。

目标网站：汽车之家

目标网址：https://club.autohome.com.cn/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？于是在线转换,

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
 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(&#39;./world.ttf&#39;)
# 读取响应的映射关系
uni_list = world[&#39;cmap&#39;].tables[0].ttFont.getGlyphOrder()  # &#39;cmap&#39; 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：
[&#39;.notdef&#39;, &#39;uniEDE8&#39;, &#39;uniED35&#39;, &#39;uniED87&#39;, &#39;uniECD3&#39;, &#39;uniED25&#39;, &#39;uniEC72&#39;, &#39;uniEDB2&#39;, &#39;uniEE04&#39;, &#39;uniED51&#39;, &#39;uniEC9D&#39;, &#39;uniECEF&#39;, &#39;uniEC3C&#39;, &#39;uniEC8D&#39;, &#39;uniEDCE&#39;, &#39;uniED1B&#39;, &#39;uniED6C&#39;, &#39;uniECB9&#39;, &#39;uniEDFA&#39;, &#39;uniEC57&#39;, &#39;uniED98&#39;, &#39;uniEDEA&#39;, &#39;uniED36&#39;, &#39;uniEC83&#39;, &#39;uniECD5&#39;, &#39;uniEC21&#39;, &#39;uniED62&#39;, &#39;uniEDB4&#39;, &#39;uniED00&#39;, &#39;uniED52&#39;, &#39;uniEC9F&#39;, &#39;uniEDDF&#39;, &#39;uniEC3D&#39;, &#39;uniED7E&#39;, &#39;uniECCA&#39;, &#39;uniED1C&#39;, &#39;uniEC69&#39;, &#39;uniECBB&#39;, &#39;uniEDFB&#39;]
# .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-8
unicode_list= [eval(r"u&#39;\u" + uni[3:] + "&#39;") for uni in uni_list[1:]]

Salin selepas log masuk

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：

https://www.zhihu.com/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-8
import re
import requests
from scrapy import Selector
from fontTools.ttLib import TTFont
class QiCheZhiJiaSpider:
    def article_content(self):
        url = &#39;https://club.autohome.com.cn/bbs/thread/2d8a42404ba24266/77486027-1.html#pvareaid=2199101&#39;
        headers = {
            &#39;User-Agent&#39;: &#39;Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36&#39;
        }
        try:
            response = requests.get(url=url, headers=headers).text
            response_info = Selector(text=response)
        except BaseException as e:
            print(e)
        else:
            content = response_info.xpath(&#39;//div[@class="tz-paragraph"]//text()&#39;).extract()  # 获取列表的形式内容。
            # print(content)
            content_str = &#39;&#39;.join(content)
            # 紧接着获取字体的链接
            world_href = re.findall(r",url\(&#39;(//.*\.ttf)&#39;\).*", response, re.M or re.S)[0]
            world_href = &#39;https:&#39; + world_href
            world_content = requests.get(url=world_href, headers=headers).content
            # 对获取到的字体进行下载..........
            with open(&#39;./world.ttf&#39;, &#39;wb&#39;) as f:
                f.write(world_content)
            # 那么便开始通过字体库进行解析
            world = TTFont(&#39;./world.ttf&#39;)
            # 读取响应的映射关系
            uni_list = world[&#39;cmap&#39;].tables[0].ttFont.getGlyphOrder()
            unicode_list = [eval(r"u&#39;\u" + uni[3:] + "&#39;") 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__ == &#39;__main__&#39;:
    qi_che_zhi_jia = QiCheZhiJiaSpider()
    qi_che_zhi_jia.article_content()

Salin selepas log masuk

结果展示：