12博体育12博体育


12bet体育

解决猫眼网反爬虫策略的爬虫

项目代码:Github

[目录]

一.引入问题二.分步实现1.页面爬取2.woff下载3.字体解析规则

一.引入问题

可以看到,猫眼网电影评分,票房等的数据在响应的html中并不是直接提供给你的。这里的xefcf,xef87等数据,是以‘特殊符号’的形式显示出来的。

可以发现这里请求了一个woff字体文件,而xefcf,xef87等数据的规则就是在这其中的。所以我们只需要在请求这个网页的同时,截去这部分style,然后获得woff地址,将它下载到本地,进行解析,就可以实现对评分的解密了。

但是再来看下面,当同一部电影的页面刷新时。

这里的评分编码改变了,下面请求的woff的url也改变了。所以每次请求电影页面使用的woff都不是同一个。

在这种情况下,如何才可以实现评分的爬取呢?

二.分步实现

1.页面爬取

第一步我们需要先将整个html页面获取,其中重要的数据就是评分所在的那个span,还有woff的url所在的那个style.

这里使用requests获取网页内容,用BeautifulSoup进行关键内容解析.

# 请求头设置header = { "Accept": "*/*;", "Connection": "keep-alive", "Accept-Language": "zh-CN,zh;q=0.9", "Accept-Encoding": "gzip, deflate, br", "Host": "maoyan.com", "Referer": "http://maoyan.com/", "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36"}def web(url): db_data = requests.get(url, headers=header) # 这里直接将其编码之前部分替换掉,防止之后使用转义 soup = BeautifulSoup(db_data.text.replace("&#x",""), "lxml") titles = soup.select( "body > div.banner > div > div.celeInfo-right.clearfix > div.movie-stats-container > div > div > span > span") wotfs = soup.select("head > style") wotflist = str(wotfs[0]).split("") maoyanwotf就是当前页面所使用的woff地址了。 = wotflist[5].replace(" ","").replace("url("//","").replace("format("woff");","").replace("")","")

此时titles就是一个获取了评分span的list,当然它只有一个元素。

maoyanwotf就是当前页面所使用的woff地址了。

2.woff下载

上一步我们得到了maoyanwotf,其中是当前页面所使用的woff地址,所以接下来就要对这个url进行下载,保存到本地。

# 下载请求电影页面的woff字体到本地def downfont(maoyanwotf): r = requests.get("http://"+maoyanwotf) with open("demo.woff", "wb") as code: code.write(r.content) font = TTFont("demo.woff") font.saveXML("to.xml")

这样就下载到了这次请求页面所用的woff了,保存为demo.woff。

3.字体解析规则

那么这个to.xml有什么用呢?

这就是我们在每次刷新都会改变woff的情况下,实现爬取的关键所在了。

font.saveXML("to.xml")就是将TTFont打开的woff转换为xml的形式,在xml中我们可以直接找到字体的相关数据,比如一个字符的笔画信息等。

来看一个字体xml文件的重要内容。完整内容参考:to.xml

<!--GlyphOrder 这个标签中就是这个字体xml包含的字符种类了,glyph00000和x这两个不用考虑 --><GlyphOrder> <GlyphID id="0" name="glyph00000"/> <GlyphID id="1" name="x"/> <GlyphID id="2" name="uniEE29"/> <GlyphID id="3" name="uniE6A3"/> .... <GlyphID id="9" name="uniE47E"/> <GlyphID id="10" name="uniE9BA"/> <GlyphID id="11" name="uniEEB4"/></GlyphOrder><!--glyf 这个标签中是这些字体的具体坐标画法,一个TTGlyph对应一个字体,而其中contour标签的坐标数据,就是唯一确定这个字体是什么的最好的确定方法--><glyf> <TTGlyph name="glyph00000"/><!-- contains no outline data --> <TTGlyph name="uniE47E" xMin="0" yMin="-13" xMax="511" yMax="719"> <contour> <pt x="130" y="201" on="1"/> ... <pt x="42" y="189" on="1"/> </contour> <instructions/> </TTGlyph> ... ... <TTGlyph name="uniE6A3" xMin="0" yMin="0" xMax="503" yMax="719"> <contour> <pt x="503" y="84" on="1"/> ... <pt x="152" y="84" on="1"/> </contour> <instructions/> </TTGlyph></glyf>

GlyphOrder 这个标签中就是这个字体xml包含的字符种类了,glyph00000和x这两个不用考虑。

glyf 这个标签中是这些字体的具体坐标画法,一个TTGlyph对应一个字体,而其中contour标签的坐标数据,就是唯一确定这个字体是什么的最好的确定方法。

所以可以得出结论,不管每次请求的woff怎么变,它里面的字符的contour标签内的坐标画法是不会改变的。

既然如此,我们只需要一个模板,在这个模板中,我们先手动解码一个充当模板的woff。

如何制作这样一个模板呢?

我们先来找一个woff和woff生成的xml,woff可以用字体查看器High-Logic FontCreator打开。效果如下。

之后我们将模板xml里面的glyf中TTGlyph标签的name属性与打开的woff对应比较,得到这个数值列表(我这里woff和xml用的不是同一个,所以不要用这个比较!!!)

之后我们就可以根据glyf中TTGlyph的顺序得到解码数值的顺序,之所以要一一对应,是为了方便之后用下标索引。

num = [8,6,2,1,4,3,0,9,5,7] #这个值是直接硬编码进去的。 data = [] # 此处以解析xml的方式得到这个模板xml里面contour标签的内容。 xmlfilepath_temp = os.path.abspath("temp.xml") domobj_temp = xmldom.parse(xmlfilepath_temp) elementobj_temp = domobj_temp.documentElement subElementObj = elementobj_temp.getElementsByTagName("TTGlyph") for i in range(len(subElementObj)): rereobj = re.compile(r"name="(.*)"") find_list = rereobj.findall(str(subElementObj[i].toprettyxml())) data.append(str(subElementObj[i].toprettyxml()).replace(find_list[0],"").replace("",""))

最后data里面是glyf中TTGlyph按顺序的内容,其中当然就是contour了,而它的下表与num中一一对应,也就是说,这时候给你一个contour的坐标内容,那就可以在data中查找它的对应下标,根据这个下标找到num中下标的元素,这个元素就是解码后的值了!!!

获得了模板,我们接下来就可以将请求这次页面时获得的woff转化为xml进行对应了。

font = TTFont("demo.woff")font.saveXML("to.xml")#本次请求下载的字体的contournew_font = []xmlfilepath_find = os.path.abspath("to.xml")domobj_find = xmldom.parse(xmlfilepath_find)elementobj_find = domobj_find.documentElementtunicode = elementobj_find.getElementsByTagName("TTGlyph")for i in range(len(tunicode)): th = tunicode[i].toprettyxml() report = re.compile(r"name="(.*)"") find_this = report.findall(th) get_code = th.replace(find_this[0], "").replace("", "") for j in range(len(data)): if not cmp(get_code,data[j]): new_font.append(num[j])

其中get_code就是这次页面时获得的字体数据的list元素之一了,通过循环遍历,最终得到了一个本次xml的对应数字的list : new_font 。

接下来获得一个编码与具体数字对应的font_list

font = TTFont("demo.woff") font_list = font.getGlyphNames() font_list.remove("glyph00000") font_list.remove("x")

此时,有了new_font中的具体数字和font_list中的编码值就可以完全解码这个页面中因为woff编码反爬虫的评分了。

# 匹配star_woff = re.findall(re.compile(r">(.*)<"), str(titles[0]))[0].replace(";","").split(".") ;titles[0]是在第一步网页解析时获得的评分所在spanfor i in star_woff: getthis = i.upper() for j in range(len(font_list)): if not cmp(getthis,font_list[j].replace("uni","")): print(new_font[j])

这样就会输出评分的整数部分和小数部分了。虽然这里只是输出了这两个数字,但是反爬虫评分,票房,人数等数据均可以使用前一步的new_font和font_list进行处理,就不再加以阐述了。

欢迎阅读本文章: 靳豫疆

12博体育登录

12bet体育