原创 lightcity 光城 2018-10-29
0.说在前面1.原理2.相约猫眼3.作者的话
0.说在前面
之前有人给我提了个需求，让我去看看猫眼专业版，字体反爬问题，我觉得有趣，因为之前没学过字体反爬。然后，就尝试去搞了一下，结果当时因为xx原因，放弃了。也是实力不够啊！后来，也就是昨天，又想起来了，这个遗留问题，就来尝试学习学习，本文将以猫眼专业版网站为例，深入研究字体反爬问题。
我们一起来学习吧，嗨啊嗨！
1.原理
网站:猫眼专业版
https://piaofang.maoyan.com/?ver=normal
我想获取票房数据，结果看下图，没有数据。这就涉及到了字体反爬！
我们暴力一波，直接用xpath解析，然后爬取出来的并不是想要的。。
然后我们来分析一下网页源码，看到style标签下面，有如下内容：
我们看到，这个网站使用的是自定义字体，并且编码采用base64，我们来刷新一下页面，再看看一下当前的这个自定义字体位置，会发现，base64后面的字体编码内容是随机的，并不是固定的，最大的难点也在于这里！
我们将这里的d09开头到AAA结尾这一整块的字体编码复制出来，并通过python代码进行base64解码，并保存为maoyan.woff格式的字体。
这里介绍一个查看woff字体内部对应编码的网站：
http://fontstore.baidu.com/static/editor/index.html
下图是我随机将woff文件打开后的样子！
如上图，我们知道数字与编码对应关系为：
"uniF1D0": "4","uniE13A": "3","uniE64F": "0","uniECF2": "1","uniF382": "2",
"uniE1FD": "8", "uniF5E4": "6","uniF1B0": "9","uniE71E": "7","uniE979": "5"
是不是，我们直接拿到了这个字体编码，然后根据字体编码匹配对应的数字，然后在爬出的数据中替换掉那些反爬字体就可以了呢？
答案是肯定的，但是这里要重点说明一下，每次获取网站的数字与编码不会一样！
仔细琢磨上面这句话，会发现矛盾了！
编码是不固定，不能用编码一一对应关系来处理字体反爬！
那么怎么做？这里才是重重之中！
引入第三方库fontTools，我们可以利用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。
对象每次不会变化，我们可以根据对象中的编码属性获取编码所对应的数字！
那么到这里，我们的整体思路就搞定了，总结一波！
首先我们随机从网站上获取原始的字体数据，然后对其base64进行解码，转为woff文件，通过上面的网站，手动匹配当前这个字体的编码与数字关系。对刚才建立的关系，通过footTools为编码与数字建立关系，由于对象是不变的，我们此时就不必考虑网站的编码与数字动态变化问题，只需要将编码塞进之前的footTools对象中，即可获取对应的数字！
这里再做解释，第一次我们取网站上的一个字体并解码为xx.woff，并得到映射关系，相应的编码相应的字体对象，而编码又与字体对应，反过来，当我们随机取得网上另外一个yy.woff字体时，我们知道了该字体的对象，那么我们可以通过对象与编码关系，得到编码，然后通过编码与字体关系，最终的得到我们想要的数字！
关系图如下：
xx.woff 字体->编码->对象
yy.woff 字体->对象->编码->字体
下面我们来实战吧！
2.相约猫眼
导包
import re
import base64
import requests
from lxml import etree
from fontTools.ttLib import TTFont
from prettytable import PrettyTable
封装---定义猫眼爬虫类
class maoyanSpider():
def __init__(self,url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
}
self.url = url
self.headers = headers
获取网站源码
def get_html(self):
raw_html = requests.get(self.url, headers=self.headers).text
return raw_html
存储字体
将字体存储为xml文件以及woff文件，这里填入自己在网站的上那一串字符！
def save_xml(self):
font = "填入网站上的base64后的一串字符"
fontdata = base64.b64decode(font)
with open("./maoyan.woff","wb") as f:
f.write(fontdata)
maoyan_fonts = TTFont('./maoyan.woff')
maoyan_fonts.saveXML("text.xml")
对应关系
以我的woff为例，定义映射关系！
建立字体与编码关系：
xx.woff 字体->编码->对象
def get_rel(self):
maoyan_fonts = TTFont('./maoyan.woff')
font_dict = {}
base_num = {
"uniF1D0": "4","uniE13A": "3","uniE64F": "0","uniECF2": "1","uniF382": "2",
"uniE1FD": "8", "uniF5E4": "6","uniF1B0": "9","uniE71E": "7","uniE979": "5"}
# 这里不明白的直接打印，获取到的是dict类型，编码与对象之间的关系
# 得到对应字体的编码与对象关系
_data = maoyan_fonts.getGlyphSet()._glyphs.glyphs
for k, v in base_num.items():
# 为对象建立字体编码关系！
font_dict[_data[k].data] = v
return font_dict
获取网站实时编码字体对象
def get_woff(self,html):
selector = etree.HTML(html)
font_text = selector.xpath('//style[@id="js-nuwa"]/text()')[0]
base64_behind = re.split('\;base64\,', font_text)[1]
font_content = re.split('\)', base64_behind)[0].strip()
if font_content:
bs_font = base64.b64decode(font_content)
with open("new.woff",'wb') as f:
f.write(bs_font)
font_ttf = TTFont("new.woff")
data = font_ttf.getGlyphSet()._glyphs.glyphs
return data
将反爬的字体进行填充
有些数据是万，亿或者%结尾，那么得做判断！
查看网页源码，反爬虫字体为如下所示，以分号隔开，我们就是通过分号分割字符串，并建立循环，在循环中我们根据是否数据以.开头来判断是从3取还是4取，目的是取出后4位，将其与uni进行拼接即为我们上面woff字体文件中的编码！
然后通过字体->对象->编码->字体，最终获取真实字体，并返回真实字体！
.万
def replace_Str(self,str_r, data_woff):
font_dict = self.get_rel()
if str_r[-1] == "万" or str_r[-1] == "%" or str_r[-1] == "亿" :
str_end = str_r[-1]
string = str_r.replace("万", '').replace("%", "").replace("亿", "")
num_list = string.split(";")
str_All = ""
for each_str in num_list:
if not each_str.startswith("."):
each_str = each_str[3:].upper()
if each_str:
each_str = font_dict[data_woff["uni%s" % each_str].data]
str_All+=each_str
else:
str_All+='.'
each_str = each_str[4:].upper()
each_str = font_dict[data_woff["uni%s" % each_str].data]
str_All+=each_str
str_All+=str_end
return str_All
else:
str_list = str_r.split(";")
str_All = ""
for each_str in str_list:
if each_str and not each_str.startswith("."):
each_str = each_str[3:].upper()
each_str = font_dict[data_woff["uni%s" % each_str].data]
str_All+=each_str
elif each_str:
str_All += '.'
each_str = each_str[4:].upper()
each_str = font_dict[data_woff["uni%s" % each_str].data]
str_All += each_str
return str_All
数据抓取及美化打印
注意事项：不要用xpath去取数据，只能用正则！！！
def get_content(self):
html = self.get_html()
data_woff = self.get_woff(html)
selector = etree.HTML(html)
dayStr = selector.xpath('//span[@id="dayStr"]/text()')[0].replace(' ','').replace('\n','')
dapanStr = selector.xpath('//div[@class="logo"]/span[2]/text()')[0]
total_Ticket = re.findall("<span id='ticket_count'><i class=\"cs\">(\S+)</i></span>", html)[0]
total_Ticket = self.replace_Str(total_Ticket, data_woff)
title_content =dayStr + dapanStr + total_Ticket
dayTips = selector.xpath('//div[@id="dayTips"]/text()')[0]
movie_name = selector.xpath('//li[@class="c1"]/b/text()')
print(movie_name)
time_ticket_list = []
ticket_bili_list = []
rank_bili_list = []
site_bili_list = []
for i in range(len(movie_name)):
time_ticket = re.findall(r'<b><i class="cs">(\S+)</i></b>', html)[i]
ticket_bili = re.findall(r'<li class="c3 "><i class="cs">(\S+)</i></li>', html)[i]
rank_bili = re.findall(r'<li class="c4 ">[^.]+<i class="cs">(\S+)</i>[^.]+</li>', html)[i]
site_bili = re.findall(r'<span style="margin-right:-.1rem">[^.]+<i class="cs">(\S+)</i>[^.]+</span>', html)[i]
time_ticket_list.append(self.replace_Str(time_ticket, data_woff))
ticket_bili_list.append(self.replace_Str(ticket_bili, data_woff))
rank_bili_list.append(self.replace_Str(rank_bili, data_woff))
site_bili_list.append(self.replace_Str(site_bili, data_woff))
print(time_ticket_list)
print(ticket_bili_list)
print(rank_bili_list)
print(site_bili_list)
pt = PrettyTable()
pt.add_column("片名",movie_name)
pt.add_column("实时票房",time_ticket_list)
pt.add_column("票房占比",ticket_bili_list)
pt.add_column("排片占比",rank_bili_list)
pt.add_column("上座率",site_bili_list)
print(title_content)
print(dayTips)
print(pt)
对比官网
3.作者的话
最后，您如果觉得本公众号对您有帮助，欢迎您多多支持，转发，谢谢！
更多内容，请关注本公众号爬虫系列！
需要源代码的伙伴，点击阅读原文即可，不要忘记star！
