学习网址：
https://jia666666.blog.youkuaiyun.com/article/details/108974149
-----------------------------------
以下是一步一步的学习过程
本次改动
原代码是执行不了的，一是获取的字体内容中显示的都是 \uec66 \uecc8 等格式 非 ，这点需要针对性的改变，二是 eval转\u这样的字符串时要这样eval("u'\uec66'")，运行前还得下载一个字体保存为“汽车之家2.ttf”，打开后把对应的字写上去
本次用的为：word_list = '的是上近小四高不着八十右短三少二七九更得低一很大多左好长了坏五地和远下四六矮'还有原有的网页对像获取全都是用的正则表过式，这里我们把它换成bs4 与lxml 方式
目的
获取汽车之家贴吧的内容信息,巩固之前学习的内容
详细需求
汽车之家贴吧:https://club.autohome.com.cn/bbs/thread/1f05b4da4448439b/76044817-1.html###
F12获取目标信息-进行分析
存在爬虫字体，根据上节 全局查询@font-face,直接获取字体
根据其后的链接，保存为ttf在本地，查看TTF字体映射
https://k3.autoimg.cn/g1/M00/D2/8E/wKgHGFsUz0eAJlMWAABj9Bn3RMw39..ttf
另一贴的字体却为
字相同，只是位置不一样
#字体编码对应的汉字 下载后命名为：汽车之家1.ttf
#word_list = '九十左少矮多二七长更上近八坏右得不短低地三五高大的小很远了和六着下呢好是一四'
word_list = '的是上近小四高不着八十右短三少二七九更得低一很大多左好长了坏五地和远下四六矮' # 字体编码对应的汉字
分析
汽车之家字体反爬：
1.字体编码与文字皆为动态变换
2.文字为固定数目
3.每个贴子均有不同的加密TTF
4.对应的字体绘制坐标存在细微差别
解决方法：
1.先在本地保存一个TTF文件为模板，构建动态映射，使其一一对应
2.保存编码以及每个汉字所对应的一套坐标，这个坐标是用来绘制汉字的
3.获取网页源码所带的TTF链接，下载保存本地
4.提取刚下载的TTF文件的编码与每个编码所对应的一套坐标
5.与模板进行坐标比较，若在误差允许范围内，则判定为同一汉字
6.使刚下载的TTF文件实现一一映射的目标
大众点评字体反爬
1.编码动态变化但字体顺序固定不变
2.文字数目固定
3.具有规律性
解决方法：字体顺序不变，为每个编码一一映射汉字即可
与模板字体进行坐标比较，实现编码与汉字一一映射
def TTF_parse(self):
完整源码
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import re
import requests
from html import unescape
from fontTools.ttLib import TTFont
from bs4 import BeautifulSoup
import lxml
#font = TTFont('汽车之家1.ttf') # 打开本地字体文件01.ttf
#font.saveXML('汽车之家1.xml') # 将ttf文件转化成xml格式并保存到本地，主要是方便我们查看内部数据结构
class Car_Family(object):
def __init__(self,url):
self.head = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36',
}
self.url=url #目标帖子地址
self.main()
def Get_html(self):
'源网页请求'
with requests.get(self.url,headers=self.head) as res:
#self.html=res.content.decode('utf-8')
#self.html = re.sub('\s', '', self.html) # 去空格
self.content = BeautifulSoup(res.text, 'lxml')
def TTF_parse(self):
'字体的分析处理'
#TTF_link=re.findall(",url\('(.*?)'\)format\('woff'\)",self.html,re.S)[0] #提取贴子字体链接
css=self.content.select('style')
for i in range(len(css)):
TTFObj = re.findall(",url\('(.*?)'\) format\('woff'\)", css[i].string, re.S) # 提取贴子字体链接
if len(TTFObj)>0:
TTF_link=TTFObj[0]
break
b = requests.get('http:' + TTF_link, headers=self.head).content #字体链接请求
with open('汽车之家2.ttf', 'wb')as f: #保存到本地
f.write(b)
font1 = TTFont('汽车之家1.ttf') #本地预先下载的字体文件
u_list = font1.getGlyphOrder()[1:] #获取字体的编码
#汽车之家1.ttf
word_list = '的是上近小高不着八十右短三少二七九更呢得低一很大多左好长了坏五地和远下四六矮' # 字体编码对应的汉字
# 汽车之家1b.ttf
#word_list = '着了远小十一好高地三更六四九坏近七上右多和矮低八大五的长呢左少二得不短得是下' #字体编码对应的汉字
be_p1 = [] # 保存38个字符的（x,y）信息
for uni in u_list:
p1 = [] # 保存一个字符的(x,y)信息
p = font1['glyf'][uni].coordinates # 获取对象的x,y信息，返回的是一个GlyphCoordinates对象，可以当作列表操作，每个元素是（x,y）元组
for f in p: # 把GlyphCoordinates对象改成一个列表
p1.append(f)
be_p1.append(p1)
font2 = TTFont('汽车之家2.ttf') #网络刚下载的字体文件，用于参考1.ttf比较后映射对应文字
uni_list2 = font2.getGlyphOrder()[1:]
#self.utf8List = ['&#x' + uni[3:] for uni in uni_list2]
#获取的字体内容中显示的都是 \uec66 \uecc8 等格式 非  eval转\u时前面要加eval("u'\uec66'")
self.utf8List = [eval('u\'\\u' + uni[3:].lower()+'\'') for uni in uni_list2]
on_p1 = []
for i in uni_list2:
pp1 = []
p = font2['glyf'][i].coordinates
for f in p:
pp1.append(f)
on_p1.append(pp1)
n2 = 0 # uni下标计数
self.x_list = []
for d in on_p1:
n2 += 1
n1 = 0
for a in be_p1:
n1 += 1
if self.comp(a, d):
# print(uni_list2[n2 - 1], word_list[n1 - 1])
self.x_list.append(word_list[n1 - 1])
def comp(self,l1, l2): # 定义一个比较函数，比较两个列表的坐标信息是否相同
if len(l1) != len(l2): # 两数据的数目不等
return False # 判断结束
else: # 数据相同
mark = 1 # 成功标志：1代表True，0代表False
for i in range(len(l1)):
if abs(l1[i][0] - l2[i][0]) < 40 and abs(l1[i][1] - l2[i][1]) < 40:
pass
else:
mark = 0
break
return mark
def Content_parse(self):
tes = self.content.find_all('div', attrs={'class', 'tz-paragraph'})
for k in tes:
#te = re.findall('<divclass="post-container">(.*?)<\/div>', self.html, re.S)[0]#贴吧内容提取
#te=re.sub('\s', '', te)
te=k.text
if te=="":
pass
# print(te)
for i in range(len(self.utf8List)): #替换加密文字
# print(self.utf8List[i].lower(), self.x_list[i])
# # if self.utf8List[i] in te:
te = te.replace(self.utf8List[i].lower(), self.x_list[i])
word = re.sub('<.*?>', '', unescape(te))#提取文字
word=word.replace('。', '\n') #换行替换
print(word) #打印处理后的内容
def main(self):
self.Get_html() #网页请求
self.TTF_parse() #字体动态映射构建
self.Content_parse()#贴子文字替换与提取
if __name__ == '__main__':
url='https://club.autohome.com.cn/bbs/thread/1f05b4da4448439b/76044817-1.html#%23%23' #论坛帖子地址
#url='https://club.autohome.com.cn/bbs/thread/71540055254110ed/97751884-1.html#pvareaid=102410'
example=Car_Family(url)
执行结果
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
