现在网站应对爬虫的手法越来越多，很多能够看到的数据也没法通过代码直接获取。
我们在之前的文章 中提到了，大众点评是用了静态字体加密。这次我们抱着学习的态度，以猫眼电影为例来探讨下如何应对动态字体加密。
没有了解过字体加密的小伙伴可以先看看上一篇，本文与上一篇重复的部分就不细讲了。
我们打开猫眼电影票房榜单的首页
很明显，猫眼电影的榜单进行了字体加密。
让我们回忆一下破解大众点评的步骤：
1、下载网站font字体包
2、将font字体包中导入FontEditor 观察得到乱码与数字的关系
3、前缀替换，并将字体名字和它们所对应的乱码构成一个字典
4、根据字典将加密的数字替换
然而，右键刷新页面，字体文件一直在变：
为了探究一下，我们随便下载3个字体文件，对比看看能不能发现其中的规律。
分别重命名为A.woff，B.woff，C.woff，将他们依次导入FontEditor中打开
其中A字体的1对应的是【uniECC8】
B字体的1对应的是【uniE5FD】
C字体的1对应的是【uniEE6C】
并无规律。
我们再将.woff文件转换成.xml文件，看看字体结构有没有相似之处：
#.woff文件转换成.xml文件
fromfontTools.ttLibimportTTFont
font = TTFont('./.woff')
font.saveXML('A.xml')
每一个编码都对应一个TTGlyph对象，而许多行的XY坐标点最终绘制成数字。
很多网上的教程到这里就结束了，因为按理说这三个字体的统一数字对应的XY坐标应是一样的。
这说明猫眼最近又新挖了一个坑，继续填坑。
看看上面的三个图，其实他们的XY坐标差异并不大。
所以我们允许在一定范围内的差异就算一样就好啦。
由于有负数，通过abs函数取绝对值
#对比两个坐标的差
defcompare(AA, BB):
foriinrange(5):
ifabs(AA[i][0] - BB[i][0])
pass
else:
returnFalse
returnTrue
#True则可视为是同一个字
这样我们就以某字体基准，无论现在实时的字体是哪一个，只要下载下来，再与该字体进行坐标差异对比，相似的就是同一数字。
在网上找了一张思路图，方便大家理解：
我们下面尝试一下：
1、将新下载的字体文件与base_font对比，找到对应关系
2、前缀替换，并将字体名字和它们所对应的乱码构成一个字典
3、根据字典将加密的数字替换
# 字体解密
defmodify_html(newFont, html):
basefont = TTFont('./base_font.woff')
unilist = newFont['cmap'].tables[0].ttFont.getGlyphOrder()
numlist = []
base_num = ['6','3','7','1','5','9','0','4','2','8']
base_unicode = ['uniF0DA','uniE907','uniED01','uniEAE1','uniF206',
'uniE455','uniF401','uniE19C','uniEB76','uniF855']
foriinrange(1, len(unilist)):
newGlyph = newFont['glyf'][unilist[i]].coordinates
forjinrange(len(base_unicode)):
baseGlyph = basefont['glyf'][base_unicode[j]].coordinates
ifcompare(newGlyph,baseGlyph):
numlist.append(base_num[j])
break
rowList = []
foriinunilist[2:]:
i = i.replace('uni','').lower() +";"
rowList.append(i)
dictory = dict(zip(rowList, numlist))
forkeyindictory:
ifkeyinhtml:
html = html.replace(key, str(dictory[key]))
return html
# 返回解密后的html
4、利用正则表达式获取数据
# 正则defparse_page(html):
pattern = re.compile('
+'title="(.*?)".*?class="star">(.*?)
.*?releasetime">(.*?).*?'+'realtime".*?stonefont">(.*?).*?'
+'total-boxoffice".*?stonefont">(.*?).*?
items = re.findall(pattern, html)
data = pd.DataFrame(items,columns=['index','image','title','star','releasetime','realtime','total-boxoffice'])
data['star']=data['star'].str[3:]
data['releasetime']=data['releasetime'].str[5:]
print(data)
returndata
运行一下。
票房数据get✔️
最后，小编想说：我是一名python开发工程师，整理了一套最新的python系统学习教程，想要这些资料的可以关注私信小编“01”即可，希望能对你有所帮助
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.sosokankan.com/article/1892523.html