我去!爬虫遇到字体反爬,哭了!
共 1541字,需浏览 4分钟
·
2021-07-18 13:45
今天准备爬取某某点评店铺信息时,遇到了『字体』反爬。比如这样的:
还有这样的:
可以看到这些字体已经被加密(反爬)
竟然遇到这种情况,那我就带大家如何去解决这类反爬(字体反爬类)
01 网页分析
在开始分析反爬之前,先简单的介绍一下背景(爬取的网页)
辰哥爬取的某某点评的店铺信息。一开始查看网页源码是这样的
这种什么也看不到,咱们换另一种方式:通过程序直接把整个网页源代码保存下来
获取到的网页源码如下:
比如这里看到评论数(4位数)都有对应着一个编号(相同的数字编号相同),应该是对应着网站的字体库。
下一步,我们需要找到这个网站的字体库。
02 获取字体库
这里的字体库建议在目标网站里面去获取,因为不同的网站的字体库是不一样,导致解码还原的字体也会不一样。
1、抓包获取字体库
在浏览器network里面可以看到一共有三种字体库。(三种字体库各有不同的妙用,后面会有解释)
把字体库链接复制在浏览器里面打开,就可以把字体库下载到本地。
2、查看字体库
这里使用FontCreator的工具查看字体库。
下载地址:
https://www.high-logic.com/font-editor/fontcreator/download
这里需要注册,邮箱验证才能下载。
安装之后,把刚刚下载的字体库在FontCreator中打开
可以看到字体的内容以及对应的编号。
比如数字7对应F399、**数字8对应F572 ,**咱们在原网页和源码对比,是否如此???
可以看到,真是一模一样对应着解码就可以还原字体。
3、为什么会有三个字体库
在查看加密字体的CSS样式时,方式有css内容是这样的
字体库1:d35c3812.woff 对应解码class为 shopNum
字体库2:084c9fff.woff 对应解码class为 reviewTag和address
字体库3:73f5e6f3.woff 对应解码class为 tagName
也就是说,字体所属的不同class标签,对应的解密字体库是不一样的,这里不得不说一句:太鸡贼了
咱们这里获取的评论数,clas为shopNum,需要用到字体库d35c3812.woff
03 代码实现解密
1、加载字体库
既然我们已经知道了字体反爬的原理,那么我们就可以开始编程实现解密还原。
加载字体库的Python库包是:fontTools ,安装命令如下:
pip install fontTools
将字体库的内容对应关系保存为xml格式
code和name是一一对应关系
可以看到网页源码中的编号后四位对应着字体库的编号。
因此我们可以建立应该字体对应集合
建立好映射关系好,到网页源码中去进行替换
这样我们就成功的将字体反爬处理完毕。后面提取内容大家基本都没问题。
2、完整代码
输出结果:
可以看到加密的数字全部都还原了。
04 小结
本文中主要讲解了如此处理字体反爬问题,并以某某点评为例去实战演示分析。文中处理的数字类型,大家可以尝试去试试中文如何解决。
不明白的地方可以在下方留言,一起交流。
- EOF -
推荐阅读: