python爬虫破解字体加密案例详解

这篇文章主要介绍了python爬虫破解字体加密案例详解,本文通过图文实例相结合给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

本次案例以爬取起小点小说为例

案例目的：

通过爬取起小点小说月票榜的名称和月票数，介绍如何破解字体加密的反爬，将加密的数据转化成明文数据。

程序功能：

输入要爬取的页数，得到每一页对应的小说名称和月票数。

案例分析：找到目标的url：

在这里插入图片描述

（右键检查）找到小说名称所在的位置：

在这里插入图片描述

通过名称所在的节点位置，找到小说名称的xpath语法：

在这里插入图片描述

（右键检查）找到月票数所在的位置：

在这里插入图片描述

由上图发现，检查月票数据的文本，得到一串加密数据。

我们通过xpathhelper进行调试发现，无法找到加密数据的语法。因此，需要通过正则表达式进行提取。

通过正则进行数据提取。

在这里插入图片描述

正则表达式如下：

在这里插入图片描述

得到的加密数据如下：

在这里插入图片描述

破解加密数据是本次案例的关键：

既然是加密数据，就会有加密数据所对应的加密规则的Font文件。
通过找到Font字体文件中数据加密文件的url，发送请求，获取响应，得到加密数据的woff文件。

注：我们需要的woff文件，名称与加密月票数前面的class属性相同。

在这里插入图片描述

如下图，下载woff文件：

找到16进制的数字对应的英文数字。

在这里插入图片描述

其次，我们需要通过第三方库TTFont将文件中的16进制数转换成10进制，将英文数字转换成阿拉伯数字。如下图：

在这里插入图片描述

解析出每个加密数据对应的对应的月票数的数字如下：

在这里插入图片描述

注意：

由于我们在上面通过正则表式获得的加密数据携带特殊符号

在这里插入图片描述

因此解析出月票数据中的数字之后，除了将特殊符号去除，还需把每个数字进行拼接，得到最后的票数。

最后，通过对比不同页的url，找到翻页的规律：

在这里插入图片描述

对比三个不同url发现，翻页的规律在于参数page

所以问题分析完毕，开始代码：

 import requests from lxml import etree import re from fontTools.ttLib import TTFont import json if __name__ == '__main__': # 输入爬取的页数、 pages = int(input('请输入要爬取的页数：')) # eg:pages=1,2 for i in range(pages): # i=0,(0,1) page = i+1  # 1,(1,2) # 确认目标的url url_ = f'https://www.qidian.com/rank/yuepiao?page={page}' # 构造请求头参数 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' } # 发送请求，获取响应 response_ = requests.get(url_,headers=headers) # 响应类型为html问文本 str_data = response_.text # 将html文本转换成python文件 py_data = etree.HTML(str_data) # 提取文本中的目标数据 title_list = py_data.xpath('//h4/a[@target="_blank"]/text() ') # 提取月票数,由于利用xpath语法无法提取，因此换用正则表达式，正则提取的目标为response_.text mon_list = re.findall('(.*?)',str_data) print(mon_list) # 获取字体反爬woff文件对应的url，xpath配合正则使用 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) # 获得url之后，构造请求头获取响应 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/' } # 发送请求，获取响应 font_response = requests.get(font_url,headers=headers_) # 文件类型未知，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') # 将文件转成明文的xml文件 font_obj.saveXML('加密font文件.xml') # 获取字体加密的关系映射表，将16进制转换成10进制 cmap_list = font_obj.getBestCmap() print('字体加密关系映射表：',cmap_list) # 创建英文转英文的字典 dict_e_a = {'one':'1','two':'2','three':'3','four':'4','five':'5','six':'6', 'seven':'7','eight':'8','nine':'9','zero':'0'} # 将英文数据进行转换 for i in cmap_list: for j in dict_e_a: if j == cmap_list[i]: cmap_list[i] = dict_e_a[j] print('转换为阿拉伯数字的映射表为：',cmap_list) # 去掉加密的月票数据列表中的符号 new_mon_list = [] for i in mon_list: list_ = re.findall(r'\d+',i) new_mon_list.append(list_) print('去掉符号之后的月票数据列表为：',new_mon_list) # 最终解析月票数据 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('解析之后的月票数据为:',new_mon_list) # 将月票数据进行拼接 new_list = [] for i in new_mon_list: j = ''.join(i) new_list.append(j) print('解析出的明文数据为：',new_list) # 将名称和对应的月票数据放进字典，并转换成json格式及进行保存 for i in range(len(title_list)): dict_ = {} dict_[title_list[i]] = new_list[i] # 将字典转换成json格式 json_data = json.dumps(dict_,ensure_ascii=False)+',\n' # 将数据保存到本地 with open('翻页起小点月票榜数据爬取.json','a',encoding='utf-8')as f: f.write(json_data)

爬取了两页的数据，每一页包含20个数据

执行结果如下：

在这里插入图片描述