天眼查 乱码 java_反爬虫解析-字体替换(天眼查/猫眼电影)
本次以天眼查和猫眼电影为例,解析怎样爬取替换的真实数据,感谢 "两个眼" 。。,本文使用python3。
分析
先来个简单点的:天眼查
打开天眼查,找到阿里巴巴的页面 https://www.tianyancha.com/company/59837300,可以看到勇哥帅气的照片。。。
(注意:直接打开需要登陆的话通过百度搜索 “天眼查 阿里” 再点击访问,如果是用python请求,headers 带上 "Referer": "https://www.baidu.com/",伪装成百度跳转过来的)
页面信息
查看源代码后发现,注册资本和注册时间是无法直接在源代码中获取正确的值。
源代码中的值
这时需要思考原因,应该是 js 修改过或者替换过 字体文件,发现两个值的类都是 ”tyc-num“ ,可以尝试查看一下类的样式。经过搜索,找到样式如下:
@font-face {
font-family: "tyc-num";
src: url("https://static.tianyancha.com/web-require-js/public/fonts/tyc-num-ad584829a0.eot");
/* IE9*/
src: url("https://static.tianyancha.com/web-require-js/public/fonts/tyc-num-ad584829a0.eot#iefix") format("embedded-opentype"), url("https://static.tianyancha.com/web-require-js/public/fonts/tyc-num-832854095c.woff") format("woff"), url("https://static.tianyancha.com/web-require-js/public/fonts/tyc-num-7f971a8be7.ttf") format("truetype"), url("https://static.tianyancha.com/web-require-js/public/fonts/tyc-num-67f91eabd9.svg#tic") format("svg");
/* iOS 4.1- */
}
.tyc-num {
font-family: "tyc-num" !important;
font-style: normal;
-webkit-font-smoothing: antialiased;
-moz-osx-font-smoothing: grayscale;
}
可以看出,这是用css更改了加载的字体文件,自定义了字体。
在开发者工具中找到这个这个文件,看一下做了什么改变。
字体文件
显然是数字这个地方做了手脚,对比一下正常的字体。
正常的字体
好像比正常的还少了一个 "4",多了一个 "." ,猜想 "4" 对应的就是 "." ,所以这样可以得出数字的对应关系。
对应关系
把网页中的数据进行对应一下,果然没错。
423176999999万美元 ---> 15298.000000万美元
3995-90-38 ---> 2007-03-26
之后在提取数据时做一个逻辑判断替换即可得到真实数据了。
猫眼电影
打开猫眼电影详情页 http://maoyan.com/films/1198214,查看用户评分和累计票房,发现源码中是乱码。
源码
他们的class都是 "stonefont" ,找到 "stonefont" 的定义。
@font-face {
font-family: stonefont;
src: url('//vfile.meituan.net/colorstone/1881db7c788dfdf9d2d00a926734d0973168.eot');
src: url('//vfile.meituan.net/colorstone/1881db7c788dfdf9d2d00a926734d0973168.eot?#iefix') format('embedded-opentype'),
url('//vfile.meituan.net/colorstone/632958fd02509dc28d915375c3a835e02088.woff') format('woff');
}
.stonefont {
font-family: stonefont;
}
刷新几次,看到每次 url 是变化的,确定是动态生成字体,不要紧,生成哪个下载哪个。
加载一个页面,把这个字体文件下载下来拿去分析,可能是在文件中数字的地方进行了替换。在网上正好有一片是防止爬虫采集的文章: 利用自定义web-font实现数据防采集,看过后恍然大悟,这不正是我们要的吗,嘿嘿,爬虫是防不住的!
用 python 的 fonttools 库提取字体,fonttools 的用法可以网上查找一下
pip3 install fonttools # 安装
把 woff 的文件转换成我们熟悉的 xml 格式
from fontTools.ttLib import TTFont # 导包
font = TTFont('./632958fd02509dc28d915375c3a835e02088.woff') # 打开文件
font.saveXML('./6329.xml') # 转换成 xml 文件并保存
打开 xml 文件,红框内即为我们要的,略微不同,把 uni 改成 ,后面再加一个分号 。
xml文件
跟源代码中对应验证一下可以得出他们的对应关系如下。
对应关系
用fonttools 可以直接从文件得到这些值
from fontTools.ttLib import TTFont # 导包
font = TTFont('./632958fd02509dc28d915375c3a835e02088.woff') # 打开文件
gly_list = font.getGlyphOrder() # 获取 GlyphOrder 字段的值
for gly in gly_list[2:]: # 前两个值不是我们要的,切片去掉
print(gly) # 打印
最后补充完整代码
思路:前面知道字体库是随机的,可以一些提前把能刷新到的下载到本地,抓取页面时,如果已经在本地,直接使用,不在的话再下载下来。
本地目录:字体存在 fonts 目录下
目录结构
代码
完整代码
import requests
import re
import os
from fontTools.ttLib import TTFont
class MaoYan(object):
def __init__(self):
self.url = 'http://maoyan.com/films/1198214'
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36"
}
# 发送请求获得响应
def get_html(self, url):
response = requests.get(url, headers=self.headers)
return response.content
# 创建 self.font 属性
def create_font(self, font_file):
# 列出已下载文件
file_list = os.listdir('./fonts')
# 判断是否已下载
if font_file not in file_list:
# 未下载则下载新库
print('不在字体库中, 下载:', font_file)
url = 'http://vfile.meituan.net/colorstone/' + font_file
new_file = self.get_html(url)
with open('./fonts/' + font_file, 'wb') as f:
f.write(new_file)
# 打开字体文件,创建 self.font属性
self.font = TTFont('./fonts/' + font_file)
# 把获取到的数据用字体对应起来,得到真实数据
def modify_data(self, data):
# 获取 GlyphOrder 节点
gly_list = self.font.getGlyphOrder()
# 前两个不是需要的值,截掉
gly_list = gly_list[2:]
# 枚举, number是下标,正好对应真实的数字,gly是乱码
for number, gly in enumerate(gly_list):
# 把 gly 改成网页中的格式
gly = gly.replace('uni', '').lower() + ';'
# 如果 gly 在字符串中,用对应数字替换
if gly in data:
data = data.replace(gly, str(number))
# 返回替换后的字符串
return data
def start_crawl(self):
html = self.get_html(self.url).decode('utf-8')
# 正则匹配字体文件
font_file = re.findall(r'vfile\.meituan\.net\/colorstone\/(\w+\.woff)', html)[0]
self.create_font(font_file)
# 正则匹配星级
star = re.findall(r'\s+(.*?)\s+', html)[0]
star = self.modify_data(star)
# 正则匹配评论的人数
people = ''.join(re.findall(r'''(.*?万)(人评分)''', html)[0])
people = self.modify_data(people)
# 正则匹配累计票房
ticket_number = ''.join(re.findall(r'''(.*?)(亿)''', html)[0])
ticket_number = self.modify_data(ticket_number)
print('用户评分: %s 星' % star)
print('评分人数: %s' % people)
print('累计票房: %s' % ticket_number)
if __name__ == '__main__':
maoyan = MaoYan()
maoyan.start_crawl()
效果图
网页浏览效果
爬虫运行完得到的
---- END ----
天眼查 乱码 java_反爬虫解析-字体替换(天眼查/猫眼电影)相关推荐
- 爬虫实战4:爬取猫眼电影排名Top100的详细数据保存到csv文件
申明:资料来源于网络及书本,通过理解.实践.整理成学习笔记. 文章目录 猫眼电影 完整代码 运行结果 猫眼电影 完整代码 import time import requests import re i ...
- Python爬虫实战+数据分析+数据可视化(猫眼电影)
一.爬虫部分 爬虫说明: 1.本爬虫是以面向对象的方式进行代码架构的 2.本爬虫爬取的数据存入到MongoDB数据库中 3.爬虫代码中有详细注释 代码展示 import re import timef ...
- Python爬虫之requests+正则表达式抓取猫眼电影top100以及瓜子二手网二手车信息(四)...
requests+正则表达式抓取猫眼电影top100 一.首先我们先分析下网页结构 可以看到第一页的URL和第二页的URL的区别在于offset的值,第一页为0,第二页为10,以此类推. 二.< ...
- 一起学爬虫——使用xpath库爬取猫眼电影国内票房榜
之前分享了一篇使用requests库爬取豆瓣电影250的文章,今天继续分享使用xpath爬取猫眼电影热播口碑榜 XPATH语法 XPATH(XML Path Language)是一门用于从XML文件中 ...
- Python爬虫实战Pro | (1) 爬取猫眼电影Top100榜单
在本篇博客中,我们将使用requests+正则表达式来爬取猫眼电影官网的TOP100电影榜单,获取每部电影的序号,片名,主演,上映日期,评分和封面等内容. 之前在Python爬虫实战(1)中我们曾爬取 ...
- Python爬虫:字体反爬处理(猫眼+汽车之家)-2018.10
环境:Windows7 +Python3.6+Pycharm2017 目标:猫眼电影票房.汽车之家字体反爬的处理 -全部文章: 京东爬虫 .链家爬虫.美团爬虫.微信公众号爬虫.字体反爬.Django笔 ...
- Python爬虫基础教程,详细讲解(含爬取文字为乱码解决办法、反爬虫机制解决办法)
Python爬虫学习笔记 前言 适当爬取怡情,过度爬取- ** 爬取到的东西不要商用!爬取到的东西不要商用!爬取到的东西不要商用! 1.准备工具 获取Python request第三方库 方法一:同时 ...
- Python使用selenium过天眼查滑块验证码反爬实现模拟登录
Python使用selenium过天眼查滑块验证码反爬实现模拟登录 天眼查的滑块验证码样式 一顿操作到滑块验证码阶段 破解滑块验证码 结束 天眼查的滑块验证码样式 在输入账号和密码后会发现这个令人讨厌 ...
- 快手字体反爬虫?请给我10分钟,让我破了他
文章目录 前景摘要 字体反爬虫 突破字体反爬虫思路的探索 最终突破快手反爬虫代码 前景摘要 最近一个朋友问我,字体反爬虫的事,他发给我一个快手网站,我由于比较忙没回他,于是后来他说解决不了就要上scr ...
- java 前端页面传过来的值怎么防止篡改_反爬虫,到底是怎么回事儿?
有位被爬虫摧残的读者留言问:「网站经常被外面的爬虫程序骚扰怎么办,有什么方法可以阻止爬虫吗? 」 这是个好问题,自从 Python 火了起来,编写爬虫程序的门口越来越低,爬取别人网站数据也越来越猖獗. ...
最新文章
- 一个实用技巧,告别手动画图,自动生成数据库 ER 图|原创
- 【并发编程】Future模式及JDK中的实现
- labview如何进行串口通讯
- 币安布局去中心化交易所,原来是因为这三个原因!
- Ext 入门 (05) 打印+gridpanel()方法
- 【51Nod - 1432】独木舟 (贪心,思维,好题)
- cobbler介绍与部署
- js创建file对象 字符串 txt_js-创建对象的多种方式
- 安徽建立“库长制” 千余名库长保粮食安全
- 一对一语音视频直播双端原生APP源码/thinkphp后台源码/社交交友语音视频聊天即时通信APP源码
- 802.11n和802.11ac的MCS速率表
- python写数学公式大全_数学公式书写
- 城堡、游乐园、地下城!!!500+ 超棒 FBX 模型素材,全部都免费!
- 证券接口通达信系统对做趋势套利有何风险?
- Unity打包的PC项目生成一个EXE文件
- 跨境电商|为什么客户服务中沟通很重要?
- 全球首个机器人辅助试管婴儿降生
- created与mounted执行顺序
- 面试官说公司不是培训机构,我需要有经验的员工,应届生如何答?
- 计算机专业研究生西安就业,计算机专业需要考研吗?毕业之后该怎么发展?
热门文章
- 地图,GPS位置地图坐标系:WGS-84(GPS)、GCJ-02(Google地图)、BD-09(百度地图),OpenGIS
- JAVA中黄金分割点的问题
- # python # # 分形 # Sierpinski Carpet 谢尔宾斯基地毯
- [爬虫系列(三)]用多线程爬取百度贴吧默认表情
- 计算机专业的在职研究生怎么样,计算机专业在职研究生难度大吗?
- 计算机基础——4.1 数字通信入门
- 一款阿里的知识管理工具
- 计算机桌面文字重影,电脑桌面图标有重影是什么问题?
- 校园表白墙、微信表白墙、大学生树洞,交流圈子,用Fotoo创建
- 吾爱破解python就业班_我吾 区别