python爬虫破解字体加密案例详解
(编辑：jimmy 日期: 2024/11/16 浏览：3 次 )
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：
（右键检查）找到小说名称所在的位置：
通过名称所在的节点位置，找到小说名称的xpath语法：
（右键检查）找到月票数所在的位置：
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。
正则表达式如下：
得到的加密数据如下：
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。
如下图，下载woff文件：
找到16进制的数字对应的英文数字。
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：
解析出每个加密数据对应的对应的月票数的数字如下：
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
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：
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"_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('</style><span class=".*">(.*"format\('eot'\); src: url\('(.*",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：
下一篇：python包的导入方式总结