字体反爬

最近看到字体反爬，试了一下东方财富网

 

数据内容是方块，右边style的font-family是stonefont，ctrl-f搜索，发现字体文件。

 

 

 

清除network记录，换一个截至日期，network里只有三条请求，第一条js里有页面上的加载数据和字体类型字体地址等，

第三条是字体文件。在源码ctrl-f搜索发现源码里同样有数据，内容和js里是一样的，感觉两种都可以爬。

 

用requests请求数据，抄一遍headers用post发送拿到数据，数字内容还是乱码，所以接下来需要把乱码改成能显示的数字

#把headers里的querystring抄到dada里用post发送
url="http://dcfm.eastmoney.com/em_mutisvcexpandinterface/api/js"

headers={
"referer": "http://data.eastmoney.com/bbsj/201903/yjbb.html",
"user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/73.0.3683.86 safari/537.36"
}
data={
"type": "yjbb21_yjbb",
"token": "70f12f2f4f091e459a279469fe49eca5",
"st": "latestnoticedate",
"sr": "-1",
"p": "1",
"ps": "50",
"js": "var rikyuapr={pages:(tp),data: (x),font:(font)}",
"filter": "(securitytypecode in ('058001001','058001002'))(reportdate=^2018-09-30^)",
"rt": "51838114"
}
r=requests.post(url=url,headers=headers,data=data)
r.encoding=r.apparent_encoding
print(r.text)

r.encoding=r.apparent_encoding

print(r.text)

#用jupyter打开比较方便

 

处理数据，把字符串变成python能处理的字典

org_data=r.text[r.text.index("{"):]
json_str = or_data.replace('data:', '"data":').replace('pages:', '"pages":').replace('font:', '"font":')
json_data = json.loads(json_str)

#拿到字体文件

　font_url = json_data['font']['woffurl']

处理结果：

  

 

关于字体

　　字体文件里记录有字形索引和字形的映射关系，保存在字体的cmap表里，有关字体详细资料看下面链接：

乱码原因

我们在浏览器看到乱码是因为网站加载了自定义字体，字体字形dindex和glphy映射关系和默认字体的映射不一样，网站按照自定义字体里的映射关系来表示数据，而我们抓到的数据用默认字体解析，因为映射关系不同，网站的unicode索引指向默认字体里的其他字形，所以我们看到的数据是错的。

解决方法

解决问题需要建一张关系表，如果字形不变可以让自定义字体的unicode索引与默认字符对应，然后用默认字符替换自定义字体的unicode索引，这样就能在页面上显示正常数据。关系如下图：

找关系

用到了ttfont库，可以解析字体

font = requests.get(font_url, headers=header, timeout=30)
font_name = font_url.split("/")[-1]
with codecs.open(font_name, 'wb') as f:
　　f.write(font.content)
font_map = ttfont(font_name).getbestcmap()#用getbestcmap()可以得到字体index和glphy的映射关系

“”“{120: 'x',
 57960: 'bgldyy',
 57971: 'qqdwzl',
 58817: 'whyhyx',
 59299: 'wqqdzs',
 60397: 'zbxtdyc',
 60633: 'zwdxtdy',
 60650: 'zrwqqdl',
 61125: 'bdzypyc',
 62069: 'sxyzdxn',
 62669: 'nhpdjl'}”“”

font_map里的就是自定义字体索引和字形的关系，key是index，value表示字形。

unicode代码就是字体index进行十六进制转化后将0x'替换成 '&#x'，font_map里的index转换成unicode如下：

font_index = [hex(key).upper().replace('0x', '&#x') +';' for key in font_map.keys()]

“”“['x',
 '',
 '',
 '',
 '',
 '',
 '',
 '',
 '',
 '',
 '']”“”

 

上面代码得到了自定义字体的关系，还需要unicode索引和和默认字符的关系，东方财富网直接写在页面上了。

　font_mapping = json_data['font']['fontmapping']
  font_mapping = {i['code']: str(i['value']) for i in font_map}

”“”

{'': '7',
 '': '1',
 '': '9',
 '': '3',
 '': '4',
 '': '8',
 '': '2',
 '': '0',
 '': '6',
 '': '5'}

”“”

 

replace_dict= {hex(k).upper().replace('0x', '&#x') + ';': str(font_mapping[hex(k).upper().replace('0x', '&#x') + ';'])for k in font_map.keys()}
“”“{'x': '.',
 '': '7',
 '': '1',
 '': '9',
 '': '3',
 '': '4',
 '': '8',
 '': '2',
 '': '0',
 '': '6',
 '': '5'}”“”

#最后直接在文章中替换，key换成value。

for k, v in replace_dict.items(): 　　
　　json_str = json_str.replace(k, v) 
finall_data = json.loads(json_str)

 

结果：

已得到正确数字了。

最后筛选需要的字段筛选数据并将数据存入数据库，导出数据保存成csv用excel打开结果。