我去!爬虫遇到字体反爬,哭了!

python之禅

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:


我为大家整理了一份从入门到进阶的Python学习资料礼包,包含学习建议:入门看什么,进阶看什么。关注公众号 「python之禅」,回复 ebook 获取;还可以回复「进群」,和10w+ pythonista 交流学习。

浏览 28
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报