58 字体反爬攻略 python3

1、下载安装包

pip install fontTools

2、下载查看工具FontCreator

百度后一路傻瓜式安装即可

3、反爬虫机制

网页上看见的

后台源代码里面的

从上面可以看出，生这个字变成了乱码，请大家特别注意箭头所指的数字。

3、解决

1、确定反爬方法

在看了别人的解析文章之后，确定采取的是字体反爬机制，即网站定义了字体文件，然后进行相应的查找替换，在前端看起来，是没有任何差异的。其实从审查元素的也是可以看到的：

和大众点评的反爬差不多，都是通过css搞得。

2、寻找字体文件

以上面方框里的”customfont“为关键词搜了一下，发现就在源代码里面：

而且还有base64，直接进行解密，但是解密出来的其实是乱码，这个时候其实要做的很简单，把解密后的内容保存为.ttf格式即可。

ttf文件： *.ttf是字体文件格式。TTF(TrueTypeFont)是Apple公司和Microsoft公司共同推出的字体文件格式,随着windows的流行,已经变成最常用的一种字体文件表示方式。

@font-face 是CSS3中的一个模块，主要是实现将自定义的Web字体嵌入到指定网页中去。

因为我们要对字体进行研究，所以必须将它打开，这里我是用的是FontCreator，打开以后是这个样子（其实很多字，在这里为了看的清楚，所以只截了下面的图）：

很明显，每个字可以看到字形和字形编码。

观察现在箭头指的地方和前面箭头指的地方的数字是不是一样啊，没错，就是通过这种方法进行映射的。

所以我们现在的思路似乎就是在源代码里找到箭头指的数字，然后再来字体里找到后替换就行了。

恭喜你，如果你也是这么想的，那你就掉坑里了。

因为每次访问，字体字形是不变的，但字符的编码确是变化的。因此，我们需要根据每次访问，动态解析字体文件。

字体1：

字体2：

所以想通过写死的方式也是行不通的。

这个时候我们就要对字体文件进行更深一步的研究了。

3、研究字体文件

刚刚的.ttf文件我们是看不到内部的东西的，所以这个时候我们要对字体文件进行转换格式，将其转换为xml格式，然后来查看：

具体操作如下：

from fontTools.ttLib import TTFont

font_1 = TTFont('58_font_1.ttf')

font_base.saveXML('font_1.xml')

xml的格式如下：

文件很长，我只截取了一部分。

仔细的观察一下，你会发现~这俩下面的x,y,on值都是一毛一样的。所以我们的思路就是以一个已知的字体文件为基本，然后将获取到的新的字体文件的每个文字对应的x,y,on值进行比较，如果相同，那么说明新的文字对就可以在基础字体那里找到对应的文字，有点绕，下面举个小例子。

假设: “我” 在基本字体中的名为uni1，对应的x=1,y=1,n=1新的字体文件中，一个名为uni2对应的x，y, n分别于上面的相等，那么这个时候就可以确定uni2 对应的文字为”我”。

查资料的时候，发现在特殊情况下，有时候两个字体中的文字对应的x,y不相等，但是差距都是在某一个阈值之内，处理方法差不多，只不过上面是相等，这种情况下就是要比较一下。

其实，如果你用画图工具按照上面的x与y值把点给连起来，你会发现，就是汉字的字形~

所以，到此总结一下：

一、将某次请求获取到的字体文件保存到本地[基本字体]；
二、用软件打开后，人工的找出每一个数字对应的编码[
一定要保证顺序的正确，要不然会出事]；
三、我们以后访问网页时，需要保存新字体文件；
四、用Fonttools库对基本字体与新字体进行处理，找
到新的字体与基本字体之间的映射；
五、替换；

4、代码

# coding=utf-8

import requests

import re

import time

import  lxml.html as H

import base64

from fontTools.ttLib import TTFont

import requests

from lxml import etree

def get_data(url):

    headers = {

        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',

    }

    response = requests.get(url, headers=headers)

    font_data_origin = re.search(r'base64,(.*?)\)', response.text, re.S).group(1)

    font_data_after_decode = base64.b64decode(font_data_origin)

    new_font_name = "font_new.ttf"

    with open(new_font_name, 'wb') as f:

        f.write(font_data_after_decode)

    # font_base = TTFont('font_base.ttf').saveXML('font_base.xml')

    # font_base = TTFont('font_new.ttf').saveXML('font_new.xml')

    map_data = tff_parse(new_font_name)

    names = etree.HTML(response.text).xpath('//span[@class="infocardName fl stonefont resumeName"]/text()')

    # 有的时候会找不到，可以多执行几次；

    if names:

        for name in names:

            print('name in page source', name)

            for j in map_data.keys():

                    name = name.replace(j, map_data[j])

            print('name actual', name)

def tff_parse(font_parse_name):

    # 我这里的字体的顺序，如果你的不同，一定要修改

    font_dict = [u'博', u'经', u'硕', u'届', u'大', u'刘', u'', u'', u'士', u'E', u'', u'', u'张',

                 u'M', u'验', u'', u'本', u'赵', u'陈', u'吴', u'李', u'生', u'', u'校', u'以', u'应', u'黄',

                 u'技', u'无', u'女', u'A', u'周', u'中', u'', u'王', u'', u'', u'', u'科', u'高', u'男',

                 u'杨', u'专', u'下', u'B']

    font_base = TTFont('font_base.ttf')

    font_base_order = font_base.getGlyphOrder()[1:]

    # font_base.saveXML('font_base.xml')  #调试用

    font_parse = TTFont(font_parse_name)

    # font_parse.saveXML('font_parse_2.xml')调试用

    font_parse_order = font_parse.getGlyphOrder()[1:]

    f_base_flag = []

    for i in font_base_order:

        flags = font_base['glyf'][i].flags

        f_base_flag.append(list(flags))

    f_flag = []

    for i in font_parse_order:

        flags = font_parse['glyf'][i].flags

        f_flag.append(list(flags))

    result_dict = {}

    for a, i in enumerate(f_base_flag):

        for b, j in enumerate(f_flag):

            if comp(i, j):

                key = font_parse_order[b].replace('uni', '')

                key = eval(r'u"\u' + str(key) + '"').lower()

                result_dict[key] = font_dict[a]

    return result_dict

def comp(L1, L2):

    if len(L1) != len(L2):

        return 0

    for i in range(len(L2)):

        if L1[i] == L2[i]:

            pass

        else:

            return 0

    return 1

if __name__ == '__main__':

    url = "https://su.58.com/qztech/"

    get_data(url)

看一下成果

参考链接：

https://cuiqingcai.com/6431.html