使用K近邻算法与CSS动态字体加密后Python怎么反爬虫

本篇内容主要讲解“使用K近邻算法与CSS动态字体加密后Python怎么反爬虫”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“使用K近邻算法与CSS动态字体加密后Python怎么反爬虫”吧!

　　1.字体反爬

　　字体反爬也就是自定义字体加密映射，通过调用自定义的字体文件来渲染网页中的文字，而网页中的文字不再是文字，而是相应的字体编码，通过复制或者简单的采集是无法采集到编码后的文字内容的。

　　2.查看字体软件font creator 可下载，也可不下载，借助网页版工具

　　3.CSS处理前后的字体

　　我们看到的网页上的数据是正常的

　　但是当我们打开开发者工具检查字体时 ，金额和票房数据却变成了类似乱码的字符

　　我们再检查网页源码，发现数据和上面的都不一样，而且每次请求金额还被加密成不同的密文

　　多次请求，发现返回的字体文件重复概率太低(仔细观察是有的，就是少)

　　4.解决思路

　　了解CSS 的应该会知道(我不知道)，CSS 中有一个 @font-face，它允许网页开发者为其网页指定在线字体。原本是用来消除对用户电脑字体的依赖，现在有了新作用——字体反爬。CN/docs/Web/CSS/@font-face 再观察源码中的数据，像是编码过后的数据。

　　仔细观察发现是一些特定span中的数据经过处理，如下图

　　所以我们就查找该class名，找到了其字体样式

　　其中的woff就是字体文件，还有其他的，比如ttf字体，woff2，svg等，这里仅有woff ，可在font栏查看

　　将该字体下载过来，在json字体编辑器中打开，https://font.qqe2.com/，可看到字体，多次刷新的话同样的数字还不一样

　　我们再次拿处理前后的部分数字拿来进行对比：

　　最初数字 2 4 0 1 . 3

　　加密后     . 

　　字体中 $E290 $ED17 $F1A7 $EFBD $EFBD

　　uniE290 uniED17 uniF1A7 uniEFBD uniEFBD

　　发现规律了吧，但是我们知道每次数字位置都是动态...

　　5.用TTfont把woff文件转化成xml文件

　　先将字体转化成xml文件。

　　import requests

　　from fontTools.ttLib import TTFont

　　def woff_xml():

　　url = "https://vfile.meituan.net/colorstone/167b59ea53b59e17be72018703b759c32284.woff"

　　woff_dir = r"./colorstone/"

　　file_name = url.split("/")[-1]

　　xml_name = file_name.replace(file_name.split(".")[-1], "xml")

　　save_woff = file_name

　　save_xml = xml_name

　　resp = requests.get(url=url)

　　with open(woff_dir+save_woff, "wb") as f:

　　f.write(resp.content)

　　f.close()

　　font = TTFont(woff_dir+save_woff)

　　font.saveXML(woff_dir+save_xml)

　　转换成的数据如图：

　　仔细查看后，确定和我们字体相关的标签: 和 ，其中标签中的数据在上图，我们对进行查看：

　　其中有x,y,Xmin,Ymin,Xmax,Ymax等值，很明显是一些坐标点的信息，其实他就是确定字体形状的坐标，不信我们可以画一下：郑州人流医院 http://www.120zzzzyy.com/

　　import matplotlib.pyplot as plt

　　import re

　　str = """"

　　相应内容复制上来

　　"""

　　x = [int(i) for i in re.findall(r'

　　获取10套基准字体，最初是存到XML中的，后面发现没必要

　　:return: None

　　'''

　　for i in range(0,10):#获取10套字体作为基准字体

　　time.sleep(1)

　　res = requests.get(url=self.start_url,headers=self.headers,proxies=self.proxies)

　　res.encoding = "utf-8"

　　part_font_url = re.findall(r"url\('(.{,100}?\.woff)",res.text,re.S)

　　#请求一次获得部分url

　　if part_font_url:

　　font_url = "https:" + part_font_url[0]

　　file_name = str(i+1)+".woff" #字体文件1.woff

　　save_woff = file_name

　　resp = requests.get(url=font_url,proxies=self.proxies)

　　try:

　　with open(r"./colorstone/" + save_woff, "wb") as f:#将woff文件保存

　　f.write(resp.content)

　　f.close()

　　# font = TTFont(r"./colorstone/" + save_woff)

　　# font.saveXML(r"./colorstone/base" + str(i+1)+ ".xml") #保存为base1.xml这样的文件名

　　print("第{}套基准字体保存完毕!".format((i+1)))

　　except Exception as e:

　　print(e)

　　else:

　　print("第{}次请求失败，请检查网站是否禁止访问等".format((i+1)))

　　6.2.提取样本字体中的数字 + 坐标：

　　def base_font(self):

　　'''

　　获取10套基准字体中数字对应的x,y值

　　:return: None

　　'''

　　# 查看10套基准字体, 获取数字顺序

　　# base_num1 = [3,8,9,2,0,1,7,5,4,6]

　　# base_num2 = [3,6,5,2,4,8,9,1,7,0]

　　# base_num3 = [6,0,4,8,1,9,5,2,3,7]

　　# base_num4 = [1,8,2,5,7,9,4,6,3,0]

　　# base_num5 = [0,9,8,6,1,4,7,3,2,5]

　　# base_num6 = [9,7,5,8,3,4,6,1,2,0]

　　# base_num7 = [6,5,9,4,0,2,8,3,1,7]

　　# base_num8 = [6,5,1,0,4,7,8,2,9,3]

　　# base_num9 = [0,6,9,5,3,8,4,1,2,7]

　　# base_num10 = [0,6,2,8,5,9,5,3,1,7]

　　base_num = [[3,8,9,2,0,1,7,5,4,6],[3,6,5,2,4,8,9,1,7,0],[6,0,4,8,1,9,5,2,3,7],[1,8,2,5,7,9,4,6,3,0],

　　[0,9,8,6,1,4,7,3,2,5],[9,7,5,8,3,4,6,1,2,0],[6,5,9,4,0,2,8,3,1,7],[6,5,1,0,4,7,8,2,9,3],

　　[0,6,9,5,3,8,4,1,2,7],[0,6,2,8,5,9,5,3,1,7]]

　　num_coordinate = []

　　for i in range(0,10):

　　woff_path = "./colorstone/"+str(i+1)+".woff"

　　font = TTFont(woff_path)

　　obj1 = font.getGlyphOrder()[2:] #过滤到前两个不需要的

　　for j, g in enumerate(obj1):

　　coors = font['glyf'][g].coordinates

　　coors = [_ for c in coors for _ in c]

　　coors.insert(0, base_num[i][j])

　　num_coordinate.append(coors)

　　return num_coordinate

　　6.3. 在函数knn(self)中：

　　6.3.1 获取特征值,目标值

　　num_coordinate = self.base_font()

　　data = pd.DataFrame(num_coordinate)

　　data = data.fillna(value=0)

　　x = data.drop([0],axis=1)

　　y = data[0]

　　6.3.2 进行数据的分割：训练集和测试集

　　x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

　　6.3.3 调用KNN算法(这里n的参数由网格验证得出，最优参数为1)：

　　knn = KNeighborsClassifier(n_neighbors=1)

　　knn.fit(x_train, y_train)

　　6.4.建立映射，将数字和对应的编码建成字典形式：

　　def get_map(self):

　　font = TTFont("./colorstone/target.woff")

　　glyf_order = font.getGlyphOrder()[2:]

　　info = []

　　for g in glyf_order:

　　coors = font['glyf'][g].coordinates

　　coors = [_ for c in coors for _ in c]

　　info.append(coors)

　　print(info)

　　knn,length = self.knn()

　　df = pd.DataFrame(info)

　　data = pd.concat([df, pd.DataFrame(np.zeros(

　　(df.shape[0], length - df.shape[1])), columns=range(df.shape[1], length))])

　　data = data.fillna(value=0)

　　y_predict = knn.predict(data)

　　num_uni_dict = {}

　　for i, uni in enumerate(glyf_order):

　　num_uni_dict[uni.lower().replace('uni', '&#x') + ';'] = str(y_predict[i])

　　return num_uni_dict

　　6.5.采集数据并替换，获取正确数据：

　　根据网页结构，提取数据：

　　def get_info(self):

　　res = requests.get(url=self.start_url, headers=self.headers)

　　res.encoding = "utf-8"

　　part_font_url = re.findall(r"url\('(.{,100}?\.woff)", res.text, re.S)

　　# 请求一次获得部分url

　　if part_font_url:

　　font_url = "https:" + part_font_url[0]

　　resp = requests.get(url=font_url,proxies=self.proxies)

　　with open(r"./colorstone/target.woff", "wb") as f: # 保存需要分析的字体文件

　　f.write(resp.content)

　　f.close()

　　html = res.text

　　map_dict = self.get_map()

　　for uni in map_dict.keys():

　　html = html.replace(uni, map_dict[uni])

　　parse_html = etree.HTML(html)

　　for i in range(0,11):

　　name = parse_html.xpath('//dd[{}]//p[@class="name"]/a/@title'.format(i))

　　star = parse_html.xpath('//dd[{}]//p[@class="star"]/text()'.format(i))

　　releasetime = parse_html.xpath('//dd[{}]//p[@class="releasetime"]/text()'.format(i))

　　realtime_amount= parse_html.xpath('//dd[{}]//p[@class="realtime"]//text()'.format(i))

　　total_amount = parse_html.xpath('//dd[{}]//p[@class="total-boxoffice"]//text()'.format(i))

　　print("".join(name)," ","".join(star)," ","".join(releasetime),"".join(realtime_amount).replace(" ","").replace("\n",""),"".join(total_amount).replace(" ",""))

　　打印结果

　　对比原网页

　　数据完全是一样的，此次动态字体反爬到此就结束了。

到此，相信大家对“使用K近邻算法与CSS动态字体加密后Python怎么反爬虫”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！