首页 > > 网络编程 > 其它 >

【Python3爬虫】猫眼电影爬虫（破解字符集反爬）

2018-12-09 11:20:55来源：博客园阅读 ()

一、页面分析

首先打开猫眼电影，然后点击一个正在热播的电影（比如：毒液）。打开开发者工具，点击左上角的箭头，然后用鼠标点击网页上的票价，可以看到源码中显示的不是数字，而是某些根本看不懂的字符，这是因为使用了font-face定义字符集，并通过unicode去映射展示，所以我们在网页上看到的是数字，但是在源码中看到的却是别的字符。

碰到这些根本看不懂的字符怎么办呢？不慌，右键选择查看网页源代码，然后找到相应的位置（如下图）。那么是不是“”映射出来就是28呢？

通过查看源码，可以找到如下内容，而当我们访问这里面的链接的时候，就可以下载相应的字体文件，关于font-face可以点击这里查看了解：

当我下载好字体文件后，满心欢喜的双击想要点开的时候，却发现无法打开（T_T）。查阅资料之后知道了一个叫做FontCreator的软件，用这个软件可以打开我们下载的字体文件，没有安装这个软件的可以进入官网https://www.high-logic.com/下载安装，如果下载得很慢的可以用百度云下载（链接：https://pan.baidu.com/s/1ImxwPhKdzZo2g4bIjiGCZw ，提取码：m0yf ）。下载好之后打开软件，看到如下界面，选择Use Evaluation Version，这个软件我们可以免费使用三十天。

打开软件后，再打开我们下载的字体文件，可以看到数字2和8分别对应的是uniE83B和uniE375，和前面看到的编码是一致的。

那么我们下载好字符集之后，只要将其中的字符编码和数字对应的信息提取出来，再把网页源码中的字符编码替换掉，就能得到我们想要的数据了。这里要用到一个三方库fontTools，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。不过这里还有一个问题，就是网页每次使用的字符集是随机变化的，我们也就无法使用一个固定的字符集去做到反爬。

解决思路如下：先保存一个字体文件（比如base.woff），然后解析其数字和编码的对应关系，然后爬取的时候把新的字体文件下载下来（比如online.woff），网页中的一个数字的编码（比如ABCD），我们先通过编码ABCD找到这个字符在online.woff中的对象，并且把它和base.woff中的对象逐个对比，直到找到相同的对象，然后获取这个对象在base.woff中的编码，再通过编码确认是哪个数字。

二、主要代码

解析下载的字体文件，由于字体文件中有多余的字符，需要舍弃掉。

 1 # 解析字体库
 2 def parse_ttf(font_name):
 3     """
 4     :param font_name: 字体文件名
 5     :return: 字符-数字字典
 6     """
 7     base_nums = ['3', '0', '1', '6', '4', '2', '5', '8', '9', '7']
 8     base_fonts = ['uniEB84', 'uniF8CA', 'uniEB66', 'uniE9DB', 'uniE03C',
 9                   'uniF778', 'uniE590', 'uniED12', 'uniEA5E', 'uniE172']
10     font1 = TTFont('base.woff')  # 本地保存的字体文件
11     font2 = TTFont(font_name)  # 网上下载的字体文件
12 
13     uni_list = font2.getGlyphNames()[1:-1]  # 去掉头尾的多余字符
14     temp = {}
15     # 解析字体库
16     for i in range(10):
17         uni2 = font2['glyf'][uni_list[i]]
18         for j in range(10):
19             uni1 = font1['glyf'][base_fonts[j]]
20             if uni2 == uni1:
21                 temp["&#x" + uni_list[i][3:].lower() + ";"] = base_nums[j]
22     return temp

解析网页源码，把其中的编码替换成数字，这里选择把网页源码保存下来，这样的话编码就不会改变，也就能正确的解析。

 1 # 解析网页得到数字信息
 2 def get_nums(font_dict):
 3     """
 4     :param font_dict: 字符-数字字典
 5     :return: 由评分、评分人数、票房和票价组成的列表
 6     """
 7     num_list = []
 8     with open('html', 'r', encoding='utf-8') as f:
 9         for line in f.readlines():
10             lst = re.findall('(&#x.*?)<', line)
11             if lst:
12                 num = lst[0]
13                 for i in font_dict.keys():
14                     if i in num:
15                         num = num.replace(i, font_dict[i])
16                 num_list.append(num)
17     return num_list