Python爬取猫眼电影:破解字体反爬
off999 2024-10-04 18:54 19 浏览 0 评论
字体反爬
字体反爬也就是自定义字体反爬，通过调用自定义的字体文件来渲染网页中的文字，而网页中的文字不再是文字，而是相应的字体编码，通过复制或者简单的采集是无法采集到编码后的文字内容的。
现在貌似不少网站都有采用这种反爬机制，我们通过猫眼的实际情况来解释一下。
下图的是猫眼网页上的显示：
检查元素看一下
这是什么鬼，关键信息全是乱码。
熟悉 CSS 的同学会知道，CSS 中有一个 @font-face，它允许网页开发者为其网页指定在线字体。原本是用来消除对用户电脑字体的依赖，现在有了新作用——反爬。
汉字光常用字就有好几千，如果全部放到自定义的字体中，那么字体文件就会变得很大，必然影响网页的加载速度，因此一般网站会选取关键内容加以保护，如上图，知道了等于不知道。
这里的乱码是由于 unicode 编码导致的，查看源文件可以看到具体的编码信息。
搜索 stonefont，找到 @font-face 的定义：
这里的 .woff 文件就是字体文件，我们将其下载下来，利用 http://fontstore.baidu.com/static/editor/index.html 网页将其打开，显示如下：
网页源码中显示的 ? 跟这里显示的是不是有点像？事实上确实如此，去掉开头的 和结尾的 ; 后，剩余的4个16进制显示的数字加上 uni 就是字体文件中的编码。所以 ? 对应的就是数字“9”。
知道了原理，我们来看下如何实现。
处理字体文件，我们需要用到 FontTools 库。
先将字体文件转换为 xml 文件看下：
打开 xml 文件
开头显示的就是全部的编码，这里的 id 仅仅是编号而已，千万别当成是对应的真实值。实际上，整个字体文件中，没有任何地方是说明 EA0B 对应的真实值是啥的。
看到下面
这里就是每个字对应的字体信息，计算机显示的时候，根本不需要知道这个字是啥，只需要知道哪个像素是黑的，哪个像素是白的就可以了。
猫眼的字体文件是动态加载的，每次刷新都会变，虽然字体中定义的只有 0-9 这9个数字，但是编码和顺序都是会变的。就是说，这个字体文件中“EA0B”代表“9”，在别的文件中就不是了。
但是，有一样是不变的，就是这个字的形状，也就是上图中定义的这些点。
我们先随便下载一个字体文件，命名为 base.woff，然后利用 fontstore 网站查看编码和实际值的对应关系，手工做成字典并保存下来。爬虫爬取的时候，下载字体文件，根据网页源码中的编码，在字体文件中找到“字形”，再循环跟 base.woff 文件中的“字形”做比较，“字形”一样那就说明是同一个字了。在 base.woff 中找到“字形”后，获取“字形”的编码，而之前我们已经手工做好了编码跟值的映射表，由此就可以得到我们实际想要的值了。
这里的前提是每个字体文件中所定义的“字形”都是一样的（猫眼目前是这样的，以后也许还会更改策略），如果更复杂一点，每个字体中的“字形”都加一点点的随机形变，那这个方法就没有用了，只能祭出杀手锏“OCR”了。
下面是完整的代码，抓取的是猫眼2018年电影的第一页，由于主要是演示破解字体反爬，所以没有抓取全部的数据。
代码中使用的 base.woff 文件跟上面截图显示的不是同一个，所以会看到编码跟值跟上面是对不上的。
相关推荐
- SPC相关的计算用excel和python实现【源码下载】
-
做SPC分析涉及到很多计算，比如CPK、PPK、概率图、PPM等等，网上很多公式，但具体实现却不是那么容易的。我们整理了这些用excel和python实现的代码。包括但不限于以下的内容：SPC分析中的...
- Python学不会来打我(34)python函数爬取百度图片_附源码
-
随着人工智能和大数据的发展，图像数据的获取变得越来越重要。作为Python初学者，掌握如何从网页中抓取图片并保存到本地是一项非常实用的技能。本文将手把手教你使用Python函数编写一个简单的百度图片...
- django python数据中心、客户、机柜、设备资源管理平台源码分享
-
先转发后关注，私信“资源”即可免费获取源码下载链接！本项目一个开源的倾向于数据中心运营商而开发的，拥有数据中心、客户、机柜、设备、跳线、物品、测试、文档等一些列模块的资源管理平台，解决各类资源集中管理...
- 熬夜也值得学习练手的108个Python项目(附源码)，太实用了!
-
现在学编程的人越来越多，Python因为简单好上手、功能又强大，成了很多人的首选。不管是做数据分析、人工智能，还是写网络程序、自动化脚本，Python都能派上用场。而且它诞生的时间比网页还早，作为...
- 这五个办公室常用自动化工具python源码，复制代码就能用
-
办公室自动化现在能看这文章的恐怕大部分都是办公室久坐工作者，很多都有腰肌劳损、肩周炎等职业病，难道就不能有个工具缓解一下工作量吗？那么恭喜你点进了这篇文章，这篇文章将使用python直接实现五个常...
- 将python源代码封装成window可执行程序教程
-
将python源代码封装成window可执行程序教程点击键盘win+r打开运行框在运行框中输入cmd，进入到命令行。在命令行中输入piplist去查看当前电脑中所有的库检查是否有pyinstall...
- Python 爬虫如何爬取网页源码?（爬虫获取网页源代码）
-
下面教大家用几行代码轻松爬取百度首页源码。什么是urllib?urllib库是Python内置的HTTP请求库，它可以看做是处理URL的组件集合。urllib库包含了四大模块，具体如下：urllib....
- Python RPC 之 Thrift（python是做什么的）
-
thrift-0.12.0python3.4.3Thrift简介：Thrift是一款高性能、开源的RPC框架，产自Facebook后贡献给了Apache，Thrift囊括了整个RP...
- 用Python编写FPGA以太网MAC(附源码下载方式)
-
来源：EETOP作者：ccpp123略作了解后发现,MyHDL不是高层次综合,它实际上是用Python的一些功能实现了一个Verilog仿真器,能对用Python写的仿Verilog语言进行仿...
- python爬虫常用工具库总结（python爬虫工具下载）
-
说起爬虫，大家可能第一时间想到的是python，今天就简单为大家介绍下pyhton常用的一些库。请求库：实现基础Http操作urllib:python内置基本库，实现了一系列用于操作url的功能。...
- 手把手教你使用scrapy框架来爬取北京新发地价格行情(理论篇)
-
来源：Python爬虫与数据挖掘作者：霖hero大家好！我是霖hero。上个月的时候，我写了一篇关于IP代理的文章，手把手教你使用XPath爬取免费代理IP，今天在这里分享我的第二篇文章，希望大家可以...
- 2025年Python爬虫学习路线:第1阶段 爬虫基础入门开始
-
这个阶段的目标是让你熟悉Python的基础知识、了解HTTP请求和HTML是如何工作的，并最终完成你的第一个爬虫小项目——抓取名言！按照计划，我们首先要打好Python基础。Python就像是我们要...
- 如何入门 Python 爬虫?（python零基础爬虫）
-
1.很多人一上来就要爬虫，其实没有弄明白要用爬虫做什么，最后学完了却用不上。大多数人其实是不需要去学习爬虫的，因为工作所在的公司里有自己的数据库，里面就有数据来帮助你完成业务分析。什么时候要用到爬虫呢...
- 突破爬虫瓶颈:Python爬虫核心能力提升与案例实操
-
技术控必看！Python爬虫高手进阶全攻略，解锁数据处理高阶玩法在数字化时代，Python爬虫早已成为数据探索者手中的得力工具。从基础的网页抓取到复杂的数据处理，每一次技术升级都能带来新的突破。本文将...
- 网络爬虫开源框架（网络爬虫的框架）
-
目前开源爬虫下载框架是百花齐放，各个编程语言都有，以下主要介绍其中重要的几个：1)python:scrapy，pyspider，gcrawler2)Java:webmagic，WebCollector...
欢迎 你 发表评论:
- 一周热门
- 最近发表
-
- SPC相关的计算用excel和python实现【源码下载】
- Python学不会来打我(34)python函数爬取百度图片_附源码
- django python数据中心、客户、机柜、设备资源管理平台源码分享
- 熬夜也值得学习练手的108个Python项目(附源码)，太实用了!
- 这五个办公室常用自动化工具python源码，复制代码就能用
- 将python源代码封装成window可执行程序教程
- Python 爬虫如何爬取网页源码?（爬虫获取网页源代码）
- Python RPC 之 Thrift（python是做什么的）
- 用Python编写FPGA以太网MAC(附源码下载方式)
- python爬虫常用工具库总结（python爬虫工具下载）
- 标签列表
-
- python计时 (73)
- python安装路径 (56)
- python类型转换 (93)
- python自定义函数 (53)
- python进度条 (67)
- python吧 (67)
- python字典遍历 (54)
- python的for循环 (65)
- python格式化字符串 (61)
- python静态方法 (57)
- python串口编程 (60)
- python读取文件夹下所有文件 (59)
- java调用python脚本 (56)
- python操作mysql数据库 (66)
- python字典增加键值对 (53)
- python获取列表的长度 (64)
- python接口 (63)
- python调用函数 (57)
- python人脸识别 (54)
- python多态 (60)
- python匿名函数 (59)
- python打印九九乘法表 (65)
- python赋值 (62)
- python异常 (69)
- python元祖 (57)