python爬蟲破解字體加密案例詳解

本次案例以爬取起小點小說為例

案例目的:

通過爬取起小點小說月票榜的名稱和月票數,介紹如何破解字體加密的反爬,將加密的數據轉化成明文數據。

程序功能:

輸入要爬取的頁數,得到每一頁對應的小說名稱和月票數。

案例分析: 找到目標的url:

在這裡插入圖片描述

(右鍵檢查)找到小說名稱所在的位置:

在這裡插入圖片描述

通過名稱所在的節點位置,找到小說名稱的xpath語法:

在這裡插入圖片描述

(右鍵檢查)找到月票數所在的位置:

在這裡插入圖片描述

由上圖發現,檢查月票數據的文本,得到一串加密數據。

我們通過xpathhelper進行調試發現,無法找到加密數據的語法。因此,需要通過正則表達式進行提取。

通過正則進行數據提取。

在這裡插入圖片描述

正則表達式如下:

在這裡插入圖片描述

得到的加密數據如下:

在這裡插入圖片描述

破解加密數據是本次案例的關鍵:

既然是加密數據,就會有加密數據所對應的加密規則的Font文件。
通過找到Font字體文件中數據加密文件的url,發送請求,獲取響應,得到加密數據的woff文件。

註:我們需要的woff文件,名稱與加密月票數前面的class屬性相同。

在這裡插入圖片描述

如下圖,下載woff文件:

找到16進制的數字對應的英文數字。

在這裡插入圖片描述

其次,我們需要通過第三方庫TTFont將文件中的16進制數轉換成10進制,將英文數字轉換成阿拉伯數字。如下圖:

在這裡插入圖片描述

解析出每個加密數據對應的對應的月票數的數字如下:

在這裡插入圖片描述

註意:

由於我們在上面通過正則表式獲得的加密數據攜帶特殊符號

在這裡插入圖片描述

因此解析出月票數據中的數字之後,除瞭將特殊符號去除,還需把每個數字進行拼接,得到最後的票數。

最後,通過對比不同頁的url,找到翻頁的規律:

在這裡插入圖片描述
在這裡插入圖片描述
在這裡插入圖片描述

對比三個不同url發現,翻頁的規律在於參數page

所以問題分析完畢,開始代碼:

import requests
from lxml import etree
import re
from fontTools.ttLib import TTFont
import json

if __name__ == '__main__':
  # 輸入爬取的頁數、
  pages = int(input('請輸入要爬取的頁數:')) # eg:pages=1,2
  for i in range(pages): # i=0,(0,1)
    page = i+1  # 1,(1,2)
    # 確認目標的url
    url_ = f'https://www.qidian.com/rank/yuepiao?page={page}'
    # 構造請求頭參數
    headers = {
      'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36'
    }
    # 發送請求,獲取響應
    response_ = requests.get(url_,headers=headers)
    # 響應類型為html問文本
    str_data = response_.text
    # 將html文本轉換成python文件
    py_data = etree.HTML(str_data)
    # 提取文本中的目標數據
    title_list = py_data.xpath('//h4/a[@target="_blank"]/text() ')
    # 提取月票數,由於利用xpath語法無法提取,因此換用正則表達式,正則提取的目標為response_.text
    mon_list = re.findall('</style><span class=".*?">(.*?)</span></span>',str_data)
    print(mon_list)
    # 獲取字體反爬woff文件對應的url,xpath配合正則使用
    fonturl_str = py_data.xpath('//p/span/style/text()')
    font_url = re.findall(r"format\('eot'\); src: url\('(.*?)'\) format\('woff'\)",str_data)[0]
    print(font_url)
    # 獲得url之後,構造請求頭獲取響應
    headers_ = {
      'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36',
      'Referer':'https://www.qidian.com/'
    }
    # 發送請求,獲取響應
    font_response = requests.get(font_url,headers=headers_)
    # 文件類型未知,因此用使用content格式
    font_data = font_response.content
    # 保存到本地
    with open('加密font文件.woff','wb')as f:
      f.write(font_data)
    # 解析加密的font文件
    font_obj = TTFont('加密font文件.woff')
    # 將文件轉成明文的xml文件
    font_obj.saveXML('加密font文件.xml')
    # 獲取字體加密的關系映射表,將16進制轉換成10進制
    cmap_list = font_obj.getBestCmap()
    print('字體加密關系映射表:',cmap_list)
    # 創建英文轉英文的字典
    dict_e_a = {'one':'1','two':'2','three':'3','four':'4','five':'5','six':'6',
          'seven':'7','eight':'8','nine':'9','zero':'0'}
    # 將英文數據進行轉換
    for i in cmap_list:
      for j in dict_e_a:
        if j == cmap_list[i]:
          cmap_list[i] = dict_e_a[j]
    print('轉換為阿拉伯數字的映射表為:',cmap_list)
    # 去掉加密的月票數據列表中的符號
    new_mon_list = []
    for i in mon_list:
      list_ = re.findall(r'\d+',i)
      new_mon_list.append(list_)
    print('去掉符號之後的月票數據列表為:',new_mon_list)
    # 最終解析月票數據
    for i in new_mon_list:
      for j in enumerate(i):
        for k in cmap_list:
          if j[1] == str(k):
            i[j[0]] = cmap_list[k]
    print('解析之後的月票數據為:',new_mon_list)
    # 將月票數據進行拼接
    new_list = []
    for i in new_mon_list:
      j = ''.join(i)
      new_list.append(j)
    print('解析出的明文數據為:',new_list)
    # 將名稱和對應的月票數據放進字典,並轉換成json格式及進行保存
    for i in range(len(title_list)):
      dict_ = {}
      dict_[title_list[i]] = new_list[i]
      # 將字典轉換成json格式
      json_data = json.dumps(dict_,ensure_ascii=False)+',\n'
      # 將數據保存到本地
      with open('翻頁起小點月票榜數據爬取.json','a',encoding='utf-8')as f:
        f.write(json_data)

爬取瞭兩頁的數據,每一頁包含20個數據

執行結果如下:

在這裡插入圖片描述

到此這篇關於python爬蟲破解字體加密案例詳解的文章就介紹到這瞭,更多相關python爬蟲破解字體加密內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: