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!

让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：空间域名、网页空间、营销软件、网站建设、林周网站维护、网站推广。

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！这里是创新互联网站，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！