Python 크롤러---Autohome 글꼴 크롤링 방지-파이썬 튜토리얼-php.cn

Python 크롤러---Autohome 글꼴 크롤링 방지

云罗郡主

풀어 주다： 2019-01-21 11:13:28

원래의

4745명이 탐색했습니다.

# 🎜 🎜#이 기사에서 제공하는 내용은 Python 크롤러---오토홈 글꼴 역방향 크롤링에 대한 것입니다. 필요한 친구가 참고할 수 있기를 바랍니다.

대상 웹사이트: Autohome

대상 웹사이트: https://club.autohome.com.cn/bbs/thread/2d8a42404ba24266/77486027-1.html#pvareaid =2199101

이유:

오늘 제 옛 동료가 "Auto Home"이라는 웹사이트를 보라고 했습니다. 처음에는 등반 방지 조치가 없어야 한다고 생각했지만. 실제로 작업 중에 해당 글꼴이 크롤링 방지 및 암호화된 것으로 밝혀졌습니다.

소스 코드 보기:

Python 크롤러---Autohome 글꼴 크롤링 방지

놀랄 수밖에 없습니다. UTF-8로 인코딩된 텍스트인가요? 그래서

Python 크롤러---Autohome 글꼴 크롤링 방지

으로 온라인으로 변환했는데, 받은 글꼴이 여전히 가짜 글꼴인 것을 발견했습니다. 믿을 수 없어서 기사를 다시 NotePad++에 붙여넣었고 다음을 발견했습니다.

Python 크롤러---Autohome 글꼴 크롤링 방지

이 글꼴은 붙여넣을 수 없는 것으로 나타났습니다. 글쎄, 우리는 글꼴 설정이 크롤링 방지라는 점만 고려할 수 있습니다. 소스코드에

 가 있어서 혹시 찾을 수 있을까 해서 myfont 를 살펴봤습니다. 그 결과 정말 뭔가를 발견했습니다

이거...ttf 폰트 아닌가요? 이 글꼴을 사용하여 암호화됩니까? 그런 다음 먼저 이 글꼴을 다운로드하여 추측이 올바른지 확인하세요. 글꼴을 다운로드한 후 다음과 같은 도구를 사용하여 ttf 글꼴을 볼 수 있습니다. 글꼴 생성기(직접 다운로드...) 다운로드하고 열어서 보세요.

#🎜 🎜#

Python 크롤러---Autohome 글꼴 크롤링 방지 위의 각 문자는 해당 문자와 문자 코드를 표시하므로 이에 대해 생각하지 않을 수 없습니다. 이 두 글꼴은 어떻게 변환됩니까? 여러 대형 블로그를 뒤지다가 글꼴 분석을 전문으로 하는 Python 패키지, FontTools를 발견했습니다. pip installfonttools를 직접 설치하십시오. 참조 링크: https://darknode.in/font/font-tools-guide/

# 那么便开始通过字体库进行解析
world = TTFont(&#39;./world.ttf&#39;)
# 读取响应的映射关系
uni_list = world[&#39;cmap&#39;].tables[0].ttFont.getGlyphOrder()  # &#39;cmap&#39; 表示汉字对应的映射 为unicode编码
print(uni_list) # 按顺序拿到各个字符的unicode编码
# 打印结果：
[&#39;.notdef&#39;, &#39;uniEDE8&#39;, &#39;uniED35&#39;, &#39;uniED87&#39;, &#39;uniECD3&#39;, &#39;uniED25&#39;, &#39;uniEC72&#39;, &#39;uniEDB2&#39;, &#39;uniEE04&#39;, &#39;uniED51&#39;, &#39;uniEC9D&#39;, &#39;uniECEF&#39;, &#39;uniEC3C&#39;, &#39;uniEC8D&#39;, &#39;uniEDCE&#39;, &#39;uniED1B&#39;, &#39;uniED6C&#39;, &#39;uniECB9&#39;, &#39;uniEDFA&#39;, &#39;uniEC57&#39;, &#39;uniED98&#39;, &#39;uniEDEA&#39;, &#39;uniED36&#39;, &#39;uniEC83&#39;, &#39;uniECD5&#39;, &#39;uniEC21&#39;, &#39;uniED62&#39;, &#39;uniEDB4&#39;, &#39;uniED00&#39;, &#39;uniED52&#39;, &#39;uniEC9F&#39;, &#39;uniEDDF&#39;, &#39;uniEC3D&#39;, &#39;uniED7E&#39;, &#39;uniECCA&#39;, &#39;uniED1C&#39;, &#39;uniEC69&#39;, &#39;uniECBB&#39;, &#39;uniEDFB&#39;]
# .notdef 并不是汉字的映射， 而是表示字体家族名称。
将映射列表转换成unicode的类型，因为自己文中获取的是字符串unicode类型的，当然你也可以转化为utf-8,不过你获取的文章内容也要转化为utf-8
unicode_list= [eval(r"u&#39;\u" + uni[3:] + "&#39;") for uni in uni_list[1:]]

로그인 후 복사

매핑과 관련하여 실제로 utf-8과 약간의 의심이 있습니다. 유니코드. 그게 무슨 상관이야? 자세한 설명은 Zhihu를 참조하는 것이 좋습니다:

https://www.zhihu.com/question/23374078

좋아, 위에서 모든 것을 정리했습니다. 준비가 되었으니 코드를 작성해 보겠습니다.

# coding:utf-8
import re
import requests
from scrapy import Selector
from fontTools.ttLib import TTFont
class QiCheZhiJiaSpider:
    def article_content(self):
        url = &#39;https://club.autohome.com.cn/bbs/thread/2d8a42404ba24266/77486027-1.html#pvareaid=2199101&#39;
        headers = {
            &#39;User-Agent&#39;: &#39;Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36&#39;
        }
        try:
            response = requests.get(url=url, headers=headers).text
            response_info = Selector(text=response)
        except BaseException as e:
            print(e)
        else:
            content = response_info.xpath(&#39;//div[@class="tz-paragraph"]//text()&#39;).extract()  # 获取列表的形式内容。
            # print(content)
            content_str = &#39;&#39;.join(content)
            # 紧接着获取字体的链接
            world_href = re.findall(r",url\(&#39;(//.*\.ttf)&#39;\).*", response, re.M or re.S)[0]
            world_href = &#39;https:&#39; + world_href
            world_content = requests.get(url=world_href, headers=headers).content
            # 对获取到的字体进行下载..........
            with open(&#39;./world.ttf&#39;, &#39;wb&#39;) as f:
                f.write(world_content)
            # 那么便开始通过字体库进行解析
            world = TTFont(&#39;./world.ttf&#39;)
            # 读取响应的映射关系
            uni_list = world[&#39;cmap&#39;].tables[0].ttFont.getGlyphOrder()
            unicode_list = [eval(r"u&#39;\u" + uni[3:] + "&#39;") for uni in uni_list[1:]]
            world_list = ["右", "远", "高", "呢", "了", "短", "得", "矮", "多", "二", "大", "一", "不", "近",
                          "是", "着", "五", "三", "九", "六", "少", "好", "上", "七", "和", "很", "十",
                          "四", "左", "下", "八", "小", "坏", "低", "长", "更", "的", "地"]  # # 录入字体文件中的字符。必须要以国际标准的unicode编码
            for i in range(len(unicode_list )):
                content_str = content_str.replace(unicode_list [i], world_list[i])
            print(content_str)
if __name__ == &#39;__main__&#39;:
    qi_che_zhi_jia = QiCheZhiJiaSpider()
    qi_che_zhi_jia.article_content()

로그인 후 복사

결과 표시:

Python 크롤러---Autohome 글꼴 크롤링 방지 위는 완전한 소개입니다. 모두가 더 많은 것을 얻을 수 있기를 바랍니다#🎜 🎜 #Python 동영상 튜토리얼