IP代理软件,http代理,API提取-黑洞HTTP

黑洞HTTP

您的位置: 首页 > 新闻资讯 > 国内代理 > 正文

使用Python爬取猫眼电影

发布时间:2019年02月26日 来源:http://http.hunbovps.com/News/getList/catid/9/id/74.html

大数据时代,海量数据的获取离不开爬虫技术。再加上代理IP的帮助,爬虫技术的应用也就越来越广泛。下面一起来看一下一个有趣的实例——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:


使用Python爬取猫眼电影

检查元素看一下


使用Python爬取猫眼电影

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。


使用Python爬取猫眼电影

搜索 stonefont,找到 @font-face 的定义:


使用Python爬取猫眼电影

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:


使用Python爬取猫眼电影


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 &#x 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:


使用Python爬取猫眼电影

打开 xml 文件


使用Python爬取猫眼电影

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


使用Python爬取猫眼电影


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。

相关文章内容简介

1 使用Python爬取猫眼电影

大数据时代,海量数据的获取离不开爬虫技术。再加上代理IP的帮助,爬虫技术的应用也就越来越广泛。下面一起来看一下一个有趣的实例——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 [阅读全文]

热门标签

最新标签

推荐阅读

  1. 12

    2019-06

    IP代理软件的实现原理是什么

    当我们上网时,我们真实的IP地址可能会被泄露,如果被别有用心的人获取的话,可能会对我们的生活造成一些影响。这个时候我们就可以使用IP代理软件,那么IP代理软件的原理到底是什么?

  2. 12

    2019-06

    国内代理ip哪家比较好用?

     如果需要大量的中国的代理ip,哪家是不错的呢?价格如何?质量如何?数量如何呢?多人都需要使用国内代理ip的,如果能找个不错的商家,这样用起来也是不错的。

  3. 04

    2019-03

    如何获取免费代理服务器&进行代理验证

    登录http://http.hunbovps.com/就能获取爬虫代理的免费试用机会, 下面我们来讲一下获取后怎么进行代理验证

  4. 06

    2019-05

    什么是http代理服务器呢?

    HTTP代理 提供两个中间角色作为HTTP客户端和HTTP服务器,用于安全性,管理和缓存功能。 HTTP代理 将HTTP客户端请求从Web浏览器路由到Internet,同时支持Internet数据的缓存。

  5. 12

    2019-06

    代理ip软件哪个便宜又好用?

    代理ip软件哪个便宜又好用?随着互联网的快速发展,用户对于ip代理服务的需求也越来越多。然而如今市场上的ip代理服务是非常少见的,很多用户虽然想要使用ip代理服务,却很难找寻到合适

  6. 06

    2019-05

    为什么要使用代理IP?

    控制员工和孩子的互联网使用: 组织和家长设置代理服务器来控制和监控他们的员工或孩子如何使用互联网。大多数组织不希望您在公司时间查看特定网站,并且他们可以配置代理服务器拒绝