大厂在用的Python反爬虫手段，破了它！
svg 映射反爬虫
svg 是用于描述二维矢量图形的一种图形格式。它基于 xml 描述图形，对图形进行放大或缩小操作都不会影响图形质量。矢量图形的这个特点使得它被广泛应用在 web 网站中。
接下来我们要了解的反爬虫手段正是利用 svg 实现的，这种反爬虫手段用矢量图形代替具体的文字，不会影响用户正常阅读，但爬虫程序却无法像读取文字那样获得 svg 图形中的内容。由于 svg 中的图形代表的也是一个个文字，所以在使用时必须在后端或前端将真实的文字与对应的 svg 图形进行映射和替换，这种反爬虫手段被称为 svg 映射反爬虫。
6.3.1 svg 映射反爬虫绕过实战
示例 6：svg 映射反爬虫示例。
网址：。
任务：爬取美食商家评价网站页面中的商家联系电话、店铺地址和评分数据，页面内容如图 6-15
所示。
图 6-15 示例 6 页面
在编写 python 代码之前，我们需要确定目标数据的元素定位。在定位过程中，发现一个与以往不同的现象：有些数字在 html 代码中并不存在。例如口味的评分数据，其元素定位如图 6-16 所示。
图 6-16 评分数据中口味分数元素定位
根据页面显示内容，html 代码中应该是 8.7 才对，但实际上我们看到的却是：
|
1
|
<span class="item">口味:<d class="vhkjj4"></d>.7</span>
|
html 代码中有数字 7 和小数点，但没有 8 这个数字，似乎数字 8 的位置被 d 标签占据。而商家电话号码处的显示就更奇怪了，一个数字都没有。商家电话对应的 html 代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
<div class="col more">
电话：
<d class="vhkbvu"></d>
<d class="vhk08k"></d>
<d class="vhk08k"></d>
<d class="">-</d>
<d class="vhk84t"></d>
<d class="vhk6zl"></d>
<d class="vhkqsc"></d>
<d class="vhkqsc"></d>
<d class="vhk6zl"></d>
</div>
|
包含很多的 d 标签，难道它使用 d 标签进行占位，然后用元素进行覆盖吗？我们可以将 d 标签的数量和数字的数量进行对比，发现它们的数量是相同的，也就是说一对 d 标签代表一个数字。
每一对 d 标签都有 class 属性，有些 class 属性值是相同的，有些则不同。我们再将 class 属性值与数字进行对比，看一看能否找到规律，如图 6-17 所示。
图 6-17 class 属性值和数字的对比
从图 6-17 中可以看出，class 属性值和数字是一一对应的，如属性值 vhk08k 与数字 0 对应。根据这个线索，我们可以猜测每个数字都与一个属性值对应，对应关系如图 6-18 所示。
图 6-18 数字与属性值对应关系
浏览器在渲染页面的时候就会按照这个对应关系进行映射，所以页面中显示的是数字，而我们在 html 代码中看到的则是这些 class 属性值。浏览器在渲染时将 html 中的 d 标签与数字按照此关系进行映射，并将映射结果呈现在页面中。映射逻辑如图 6-19 所示。
图 6-19 映射逻辑
我们的爬虫代码可以按照同样的逻辑实现映射功能，在解析 html 代码时将 d 标签的 class 属性值取出来，然后进行映射即可得到页面中显示的数字。如何在爬虫代码中实现映射关系呢？实际上网页中使用的是“属性名数字”这种结构，python 中内置的字典正好可以满足我们的需求。我们可以用 python 代码测试一下，代码如下：
|
1
2
3
4
5
6
7
8
9
|
# 定义映射关系
mappings = {'vhk08k': 0, 'vhk6zl': 1, 'vhk9or': 2,
'vhkfln': 3, 'vhkbvu': 4, 'vhk84t': 5,
'vhkvxd': 6, 'vhkqsc': 7, 'vhkjj4': 8,
'vhk0f1': 9}
# html 中得到的属性值
html_d_class = 'vhkvxd'
# 将映射后的结果打印输出
print(mappings.get(html_d_class))
|
这段代码的逻辑是：首先定义属性值与数字的映射关系，然后假设一个 html 中 d 标签的属性值，接着将这个属性值的映射结果打印出来。代码运行后得到的结果为：
|
1
|
6
|
运行结果说明映射这种方法是可行的。接着我们试一试将商家的联系电话映射出来：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# 定义映射关系
mappings = {'vhk08k': 0, 'vhk6zl': 1, 'vhk9or': 2,
'vhkfln': 3, 'vhkbvu': 4, 'vhk84t': 5,
'vhkvxd': 6, 'vhkqsc': 7, 'vhkjj4': 8,
'vhk0f1': 9}
# 商家联系电话 class 属性
html_d_class = ['vhkbvu', 'vhk08k', 'vhk08k',
'', 'vhk84t', 'vhk6zl',
'vhkqsc', 'vhkqsc', 'vhk6zl']
phone = [mappings.get(i) for i in html_d_class]
# 将映射后的结果打印输出
print(phone)
|
运行结果为：
|
1
|
[4, 0, 0, none, 5, 1, 7, 7, 1]
|
我们使用映射的方法得到了商家联系电话，说明 svg 映射反爬虫已经被我们绕过了。
6.3.2 大众点评反爬虫案例
这种映射手段不仅仅出现在本书的示例中，在大型网站中也有应用。大众点评是中国领先的本地生活信息及交易平台，也是全球最早建立的独立第三方消费点评网站。大众点评不仅为用户提供商户信息、消费点评及消费优惠等信息服务，同时提供团购、餐厅预订、外卖和电子会员卡等 o2o（online to offline）交易服务。大众点评网站也使用了映射型反爬虫手段，打开浏览器并访问 https://www.dianping.com/shop/14741057，页面如图 6-20 所示。
图 6-20 大众点评商家信息页
大众点评的商家信息页主要用于展示消费者对商家的各项评分、商家电话、店铺地址和推荐菜品等。我们可以看一看商家电话或评分的 html 代码，如图 6-21 所示。
图 6-21 商家电话 html 代码
大众点评中的商家号码并不是全部使用 d 标签代替，其中有部分使用了数字。但是仔细观察一下就可以发现商家号码的数量等于 d 标签数量加上数字的数量，说明 d 标签的 class 属性值与数字也有可能是一一对应的映射关系。感兴趣的同学可以使用示例 6 中的方法，尝试映射大众点评案例中的数字。
如果这种手段的绕过方法这么简单的话，那么它早就被淘汰了，为什么连大众点评这样的大型网站都会使用呢？我们继续往下看，大众点评的商家营业时间部分的 html 代码如图 6-22 所示。
图 6-22 大众点评商家营业时间
除了刚才的数字映射之外，大众点评还对中文进行了映射。此时如果按照示例 6 中人为地将 class 值和对应的文字进行映射的话，就非常麻烦了。试想一下，如果网页中所有的文字都使用这种映射反爬虫的手段，那么爬虫工程师要如何应对呢？对所有用到的文字进行映射吗？
这不可能做到，其中要完成映射的包括 10 个数字、26 个英文字母和几千个常用汉字。而且目标网站一旦更改文字的对应关系，那么爬虫工程师就需要重新映射所有文字。面对这样的问题，我们必须找到文字映射规律，并且能够使用 python 语言实现映射算法。如此一来，无论目标网站文字映射的对应关系如何变化，我们都能够使用这套映射算法得到正确的结果。
这种映射关系在网页中是如何实现的呢？是使用 javascript 在页面中定义数组吗？还是异步请求api 拿到 json 数据？这都有可能，接下来我们就去寻找答案。
6.3.3 svg 反爬虫原理
映射关系不可能凭空出现，一定使用了某种技术特性。html 中与标签 class 属性相关的只有 javascript 和 css。根据这个线索，我们需要继续对示例 6 进行分析。案例中商家电话的 html 代码为：
|
1
2
3
4
5
6
7
8
9
10
11
|
<div class="col more">电话：
<d class="vhkbvu"></d>
<d class="vhk08k"></d>
<d class="vhk08k"></d>
<d class="">-</d>
<d class="vhk84t"></d>
<d class="vhk6zl"></d>
<d class="vhkqsc"></d>
<d class="vhkqsc"></d>
<d class="vhk6zl"></d>
</div>
|
我们可以随意选择一对 d 标签，然后观察它对应的 css 样式有没有可以深入分析的线索，如果没有线索再看 javascript。 d 标签的 css 样式如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
d[class^="vhk"] {
width: 14px;
height: 30px;
margin-top: -9px;
background-image: url(../font/food.svg);
background-repeat: no-repeat;
display: inline-block;
vertical-align: middle;
margin-left: -6px;
}
.vhkqsc {
background: -288.0px -141.0px;
}
|
d 标签样式看上去没有什么特别之处，只是设置了 background 属性的坐标值。但是上方 d 标签的公共样式中设置了背景图片，我们可以复制背景图片的地址，在浏览器的新标签页中打开，d 标签背景图如图 6-23 所示。
图 6-23 标签背景图
d 标签的背景图中全部都是数字，这些无序的数字共有 4 行。但这好像不是一张大图片，我们查看该图片页面的源代码，内容如图 6-24 所示。
图 6-24 图片页面源代码
源代码中前两行表明这是一个 svg 文件，该文件中使用 text 标签定义文本， style 标签用于设置文本样式， text 标签定义的文本正是图片页面显示的数字。难道这些无序的数字就是我们在页面中看到的电话号码和评分数字？
除了 class 属性值为 vhkbvu 的 d 标签，其他标签也使用了这个的 css 样式，但每对 d 标签的坐标定位都不同。它们的坐标定位如下：
|
1
2
3
4
5
6
7
8
9
|
.vhkbvu {
background: -386px -97px;
}
.vhk08k {
background: -274px -141px;
}
.vhk84t {
background: -176px -141px;
}
|
坐标是定位数字的关键，要想知道坐标的计算方法，必须了解一些关于 svg 的知识。
在本节开始的时候，我们简单地了解了 svg 的概念，知道 svg 是基于 xml 的。实际上它是用文本格式的描述性语言来描述图像内容的，因此 svg 是一种与图像分辨率无关的矢量图形格式。打开文本编辑器，并在新建的文件中写入以下内容：
|
1
2
3
4
5
6
7
|
<?xml version="1.0" encoding="utf-8" standalone="no"?>
<!doctype svg public "-//w3c//dtd svg 1.1//en" "http://www.w3.org/graphics/svg/1.1/
dtd/svg11.dtd">
<svg xmlns="http://www.w3.org/2000/svg" version="1.1" xmlns:xlink="http://www.w3.org/
1999/xlink" width="250px" height="250.0px">
<text x='10' y='30'>hello,world</text>
</svg>
|
将该文件保存为 test.svg，然后使用浏览器打开 test.svg 文件，显示内容如图 6-25 所示。
图 6-25 test.svg 显示内容
代码前 3 行声明文件类型，第 4 行~第 5 行定义了 svg 内容块和画布宽高，第 6 行使用 text 标签定义了一段文本并指定了文本的坐标。这段文本就是我们在浏览器中看到的内容，而代码中的 x 坐标和 y 坐标则用于确定该文本在画布中的位置，坐标规则如下。
- 以页面的左上角为零坐标点，即坐标值为 (0, 0)。
- 坐标以像素为单位。
- x 轴的正方向为从左到右，y 轴的正方向是从上到下。
- n 个字符可以有 n 个位置参数。
如果字符数量大于位置参数数量，那么没有位置参数的字符将以最后一个位置参数为零坐标点，并按原文顺序排列。
看上去并不是很好理解，我们可以通过修改代码来理解坐标轴的定义。首先是 x 轴， text 标签中的 x 代表列表字符在页面中的 x 轴位置，test.svg 中的 x 值为 10，现在我们将其设为 0 ，保存后刷新网页，页面内容如图 6-26 所示。
图 6-26 x 为 0 时的 test.svg 显示内容
x 的值为 0 时，文本紧贴浏览器左侧。而 x 的值为 10 时，文本距离浏览器左侧有一定的距离，这说明 x 的值能够决定文字所在的位置。现在我们将代码中 x 对应的值改为“10 50 30 40 20 60”（注意这里特意将第 2个数字 20与第 5个数字互换了位置），这样做是为了设定前 6个字符的坐标位置。
此时，第 1 个字符的位置参数为 10，第 2 个字符的位置参数为 50，第 3 个字符的位置参数为 30，以此类推，页面中正常显示的文字顺序应该是：
|
1
|
holle,world
|
但是由于我们调换了第 2 个字符和第 5 个字符的位置参数，即字母 e 和字母 o 的位置互换，如图 6-27
所示。
图 6-27 设定多个 x 值的 svg
图 6-27 中文字顺序与我们猜测的顺序是一样的，这说明 svg 中每个字符都可以有自己的 x 轴坐标值。y 与 x 同理，每个字符都可以有自己的 y 轴坐标值。虽然我们只设定了 6 个位置参数， svg 中的字符却有 11 个，但没有设定位置参数的字符依然能够按照原文顺序排序。在了解 svg 基本知识之后，我们回头看一下案例中所使用的 svg 文件中坐标参数的设定，图 6-23 中的字符与图 6-24 图片页源代码中的字符一一对应，且每个字符都设定了 x 轴的位置参数，而 y 轴则只有 1 个值。
在了解位置参数之后，我们还需要弄清楚字符定位的问题。浏览器根据 css 样式中设定的坐标和元素宽高来确定 svg 中对应数字。x 轴的正方向为从左到右，y 轴的正方向是从上到下，如图 6-28 所示。
图 6-28 svg x 轴和 y 轴与位置参数的关系
而 css 样式中的 x 轴与 y 轴是相反的，也就是说 css 样式中 x 轴是负数向右的，y 轴是负数向下的，如图 6-29 所示。
图 6-29 css x 轴和 y 轴与位置参数的关系
所以当我们需要在 css 中定位 svg 中的字符位置时，需要用负数表示。我们可以通过一个例子来理解它们的关系，现在需要在 css 中定位图 6-30 中第 1 行的第 1 个字符的中心点。
图 6-30 svg
假设字符大小为 14 px，那么 svg 的计算规则如下。
- 字符在x轴中心点的计算规则为：字符大小除以2，再加字符的x轴起点位置参数，即14÷2+0 等于 7。
- 字符在 y 轴中心点的计算规则为：y 轴高度减字符 y 轴起点减字符大小，其值除以 2 后加上字符 y 轴起点位置参数，最后再加上字符大小数值的一半，即(38−0−14)÷2+0+7 等于 19。
最后得到 svg 的坐标为：
|
1
|
x='7' y='19'
|
css 样式的 x 轴和 y 轴与 svg 是相反的，所以 css 样式中对该字符的定位为：
|
1
|
-7px -19px
|
这样就能够定位到指定字符的中心点了。但是如果要在 html 页面中完整显示该字符，那么还需要为 html 中对应的标签设置宽高样式，如：
|
1
2
|
width: 14px;
height: 30px;
|
在了解了 svg 与 css 样式的关联关系后，我们就能够根据 css 样式映射出 svg 中对应的字符。
在实际场景中，我们需要让程序能够自动处理 css 样式和 svg 的映射关系，而不是人为地完成这些
工作。以示例 6 中的 svg 和 css 样式为例，假如我们需要用 python 代码实现自动映射功能，首先我
们就需要拿到这两个文件的 url，如：
|
1
2
|
url_css = 'http://www.porters.vip/confusion/css/food.css'
url_svg = 'http://www.porters.vip/confusion/font/food.svg'
|
还有需要映射的 html 标签的 class 属性值，如：
|
1
|
css_class_name = 'vhkbvu'
|
接下来使用 requests 库向 url 发出请求，拿到文本内容。对应代码如下：
|
1
2
3
|
import requests
css_resp = requests.get(url_css).text
svg_resp = requests.get(url_svg).text
|
提取 css 样式文件中标签属性对应的坐标值，这里使用正则进行匹配即可。对应代码如下：
|
1
2
3
4
5
6
7
8
|
import re
pile = '.%s{background:-(d+)px-(d+)px;}' % css_class_name
pattern = re.compile(pile)
css = css_resp.replace('n', '').replace(' ', '')
coord = pattern.findall(css)
if coord:
x, y = coord[0]
x, y = int(x), int(y)
|
此时得到的坐标值是正数，可以直接用于 svg 字符定位。定位前我们要先拿到 svg 中所有 text 标签的 element 对象：
|
1
2
3
|
from parsel import selector
svg_data = selector(svg_resp)
texts = svg_data.xpath('//text')
|
然后获取所有 text 标签中的 y 值，接着我们将上一步得到的 element 对象进行循环取值即可：
|
1
|
axis_y = [i.attrib.get('y') for i in texts if y <= int(i.attrib.get('y'))][0]
|
得到 y 值后就可以开始字符定位了。要注意的是，svg 中 text 标签的 y 值与 css 样式中得到的 y 值并不需要完全相等，因为样式可以随意调整，比如 css 样式中-90 和-92 对于 svg 的定位来说并没有什么差别，所以我们只需要知道具体是哪一个 text 即可。
那么如何确定是哪一个 text呢？
我们可以用排除法来确定，假如当前 css 样式中的 y 值是-97，那么在 svg 中 text 的 y 值就不可能小于 97，我们只需要取到比 97 大且最相近的 text 标签 y 值即可。比如当前 svg 所有 text 标签的 y 值为：
|
1
|
[38, 83, 120, 164]
|
那么大于 97 且最相近的是 120。将这个逻辑转化为代码：
|
1
|
axis_y = [i.attrib.get('y') for i in texts if y <= int(i.attrib.get('y'))][0]
|
得到 y 值后就可以确定具体是哪个 text 标签了。对应代码如下：
|
1
|
svg_text = svg_data.xpath('//text[@y="%s"]/text()' % axis_y).extract_first()
|
接下来需要确认 svg 中的文字大小，也就是需要找到 font-size 属性的值。对应代码如下：
|
1
|
font_size = re.search('font-size:(d+)px', svg_resp).group(1)
|
得到 font-size 的值后，我们就可以定位具体的字符了。x 轴有多少个字符呢？刚才我们拿到的
svg_text 就是指定的 text 标签中的字符：
|
1
|
'671260781104096663000892328440489239185923'
|
我们需要计算字符串长度吗？并不用，我们知道，每个字符大小为 14 px，只需要将 css 样式中的 x 值除以字符大小，得到的就是该字符在字符串中的位置。除法得到的结果有可能是整数也有可能是非整数，当结果是整数是说明定位完全准确，我们利用切片特性就可以拿到字符。如果结果是非整数，就说明定位不完全准确，由于字符不可能出现一半，所以我们利用地板除（编程语言中常见的向下取整除法，返回商的整数部分。）就可以拿到整数：
|
1
|
position = x // int(font_size) # 结果为 27
|
也就是说 css 样式 vhkbvu 映射的是 svg 中第 4 行文本的第 27 个位置的值。映射结果如图 6-31 所示。
图 6-31 映射结果
然后再利用切片特性拿到字符。对应代码如下：
|
1
2
|
number = svg_text[position]
print(number)
|
代码运行结果为 4。我们还可以尝试其他的 class 属性值，最后得到的结果与页面显示的字符都是相同的，说明这种映射算法是正确的。至此，我们已经完成了对映射型反爬虫的绕过。
6.3.4 小结
与 6.1 节和 6.2 节相同，本节示例所用的反爬虫手段，即使借助渲染工具也无法获得“见到”的内容。svg 映射反爬虫利用了浏览器与编程语言在渲染方面的差异，以及 svg 与 css 定位这样的前端知识。如果爬虫工程师不熟悉渲染原理和前端知识，那么这种反爬虫手段就会带来很大的困扰。