Python爬虫入门教程 63-100 Python字体反爬之一，没办法，这个必须写，反爬第3篇

背景交代

在反爬圈子的一个大类，涉及的网站其实蛮多的，目前比较常被爬虫coder欺负的网站，猫眼影视，汽车之家，大众点评，58同城，天眼查......还是蛮多的，技术高手千千万，总有五花八门的反爬技术出现，对于爬虫coder来说，干！就完了，反正也996了~

作为一个系列的文章，那免不了，依旧拿猫眼影视“学习”吧，为什么？因为它比较典型~

猫眼影视

打开猫眼专业版，常规操作，谷歌浏览器，开发者工具，抓取dom节点，

注意下图所有的数字位置，在dom结构中，都是方块。

字体反爬扫盲

字体反爬，是一种常见的反爬技术，网站采用了自定义的字体文件，在浏览器上正常显示，但是爬虫抓取下来的数据要么就是乱码，要么就是变成其他字符。采用自定义字体文件是css3的新特性，熟悉前端的同学可能知道，就是font-face属性。

一些重要破解素材的收集

找到font-family属性，查看设置的内容，发现是cs字体，这明显是自定义字体了，在网页中检索cs。

在页面的html源码中找到了字体的定义

注意文件的开头是base64 表示文件进行过base64编码，需要进行解码，然后在保存成ttf字体文件

上述截图中有个woff格式

web开放字体格式（web open font format，简称woff） 是一种网页所采用的字体格式标准。此字体格式发展于2009年，现在正由万维网联盟的web字体工作小组标准化，以求成为推荐标准。此字体格式不但能够有效利用压缩来减少档案大小，并且不包含加密也不受drm（数位著作权管理）限制。

解码操作

import base64

font_face = "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"

print(len(font_face))

b = base64.b64decode(font_face)
with open('font.ttf','wb') as f:
    f.write(b)

对于ttf文件的处理，有3种方式，第一种使用软件 fontcreator可以直接打开ttf文件，第二种使用python第三方库fonttools，借用这个库也可以操作ttf文件，第三种使用百度的fontstore,

fontcreator 软件查找这个就比较简单了

你可以自行百度寻找，也可以直接打开我的百度网盘下载

链接: https://pan.baidu.com/s/1zywwk37hneo0vistqdk2fg 提取码: kk2h

安装完毕，直接试用即可，也可以采用国家支持的和谐方法，进行和谐

查阅一下sources里面的html编码

数字进行比对

顺便把这个地方的编码对应关系记录一下，方便后续操作

'unie481': '7',
'unie0aa': '4', 
'unif71e': '9', 
'unie767': '1', 
'unie031': '5', 
'unie4bd': '2',
'unif2aa': '3',
'unie2e3': '6', 
'unie3c9': '8', 
'uniea65': '0'

数字比对完全没有问题3.69亿

开始编码破解字体反爬

有的网页嵌套了多套字体，增加了反爬的成本，届时自行研究即可

利用fonttools可以获取每一个字符对象，这个对象你可以简单的理解为保存着这个字符的形状信息。
而且编码可以作为这个对象的id，具有一一对应的关系。
类似猫眼电影，多套字体对应的字符的编码是变化的，但是字符的形状是不变的，也就是说这个对象是不变的。

通过fonttools进行解析字库文件

安装fonttools

pip install fonttools

fonttools库详解：

基本使用

from fonttools.ttlib import ttfont

font = ttfont('font.ttf')
font.savexml('01.xml')

打开 xml 文件

开头显示的是全部编码，注意这里的id是编号，千万不要当成对应的数字

下面对应的是字体信息，计算机只需要知道黑白像素点即可

注意事项，写代码的时候需要注意一下

关于猫眼的字体反爬做个总结

在实操中，你会发现猫眼电影，每次刷新字符编码都是变化的,但是字体的对象，也就是像素点是一致的。

你可以通过第一次下载一个字体文件base_font.ttf，并把对应编码的记下来，当第二次刷新页面之后，重新抓取字体文件online_font.ttf ，对比两个字体文件中的对象信息，如果对象是一样的，那么就可以知道对应的数字了。

首次获取字体文件

# 本地已经下载好的字体处理
base_font = ttfont('font.ttf') #打开本地的ttf文件

base_uni_list = base_font.getglyphorder()[2:]   # 获取所有编码，去除前2个，可查看前文图示

# 写出第一次字体文件的编码和对应字体
origin_dict = {'unie481': '7', 'unie0aa': '4', 'unif71e': '9', 'unie767': '1', 'unie031': '5', 'unie4bd': '2','unif2aa': '3', 'unie2e3': '6', 'unie3c9': '8', 'uniea65': '0'}

获取在线字体

# 获取刷新之后在线的字体

# 获取字体文件的base64编码
online_ttf_base64 = re.findall(r"base64,(.*)\) format", response)[0]
online_base64_info = base64.b64decode(online_ttf_base64)
with open('online_font.ttf', 'wb')as f:
    f.write(online_base64_info)
online_font = ttfont('online_font.ttf')  # 网上动态下载的字体文件。

online_uni_list = online_font.getglyphorder()[2:]


for uni2 in online_uni_list:
    obj2 = online_font['glyf'][uni2]  # 获取编码uni2在online_font.ttf中对应的对象
    for uni1 in base_uni_list:
        obj1 = base_font['glyf'][uni1]  # 获取编码uni1在base_font.ttf 中对应的对象
        if obj1 == obj2:  # 判断两个对象是否相等
            dd = "&#x" + uni2[3:].lower() + ';'  # 修改为unicode编码格式
            if dd in response:  # 如果编码uni2的unicode编码格式 在response中，替换成origin_dict中的数字。
                response = response.replace(dd, origin_dict[uni1])

response的获取采用的是request模块

url = 'https://piaofang.maoyan.com/?ver=normal'
headers = {
    'user-agent': '浏览器ua',
    'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
}
response = requests.get(url=url, headers=headers).content  # 得到字节
charset = chardet.detect(response).get('encoding')  # 得到编码格式
response = response.decode(charset, "ignore")  # 解码得到字符串

运行结果展示

关注微信公众账号：非本科程序员，回复0409获取下载地址