爬蟲 | 五八字體反爬
作者丨木下瞳來源丨木下學(xué)Python
前言
58二手車：
https://sz.58.com/ershouche/pn2/?PGTID=0d100000-0000-4e81-5801-e3cfbaae2802&ClickID=120
小編想爬一爬58同城的二手車，了解一下，爬取過程中在二手車的信息詳情頁，發(fā)現(xiàn)交易價(jià)的數(shù)字是加密過的：
我們來看一看怎么獲取正確的數(shù)字。
字體文件獲取
查看源代碼發(fā)現(xiàn)，源代碼里面返回的和我們右鍵檢查的不一樣：
這是因?yàn)楝F(xiàn)實(shí)源代碼里的數(shù)字加密了后，渲染到前端，以那些牛鬼蛇神的樣子出現(xiàn)的。
字體加密，就會(huì)涉及到字體文件，字體文件后綴一般為 woff，ttf，我們?cè)谠创a里面搜索，由于太長，分兩張圖：
可以看到，這就是字體文件的鏈接內(nèi)容，我們需要得到字體文件內(nèi)容。
在這里看到了 base64，說明它后面這一串，也就是兩個(gè)箭頭之間的字符串的 base64 編碼過的，這些字符串就是字體映射的內(nèi)容。
src:url 后面一直到第二個(gè)箭頭這段字符串是一個(gè) url，訪問這個(gè)鏈接，就會(huì)下載字體文件，由于 58 每一頁的字體映射都不一樣，這樣每次請(qǐng)求會(huì)增加網(wǎng)絡(luò)請(qǐng)求的時(shí)間。
所以我們采取 base64 解碼，把兩個(gè)箭頭之間的字符串解碼，解碼的結(jié)果是二進(jìn)制的，寫入文件，后綴為 woff：
這樣我們就獲得了字體文件。
?字體映射?
由于我們不經(jīng)過字體破解，直接爬取源代碼得到的字體是：
驋閏.齤
這樣的形式，我們就以這個(gè)來說明怎么轉(zhuǎn)為正確的數(shù)字。
我們得到的字體文件，可以用 fontTools 庫打開，我們需要另存為 xml 文件，這樣是方便打開 xml 文件分析映射：
打開 xml 文件，有兩個(gè)重要的部分：
驋 我們來看，&# 對(duì)應(yīng) code 屬性的 0
0x9a4b 對(duì)應(yīng) name 屬性的?glyph00003
name 的值為 glyph00003 對(duì)應(yīng)的 id 屬性為 3
由于是從上往下是從 1 開始，所以需要減一，才是映射的數(shù)字
可以通過 xml 庫讀取 xml 文件來進(jìn)行字體映射轉(zhuǎn)換：
我們看看是否對(duì)應(yīng)上了：
這樣我們字體反爬就破解了。
小編爬取的是深圳二手車的數(shù)據(jù)，爬蟲已寫好，想要爬蟲的小伙伴可以去獲取，來看看小編爬取的結(jié)果：
近期精彩內(nèi)容推薦：??
?狠人 Spring Cloud 20000 字總結(jié)！
?python實(shí)現(xiàn)文件自動(dòng)歸類
在看點(diǎn)這里
好文分享給更多人↓↓