解决猫眼网反爬虫策略的爬虫
项目代码:Github
[目录]
一.引入问题
可以看到,猫眼网电影评分,票房等的数据在响应的html中并不是直接提供给你的。这里的xefcf,xef87等数据,是以‘特殊符号’的形式显示出来的。
可以发现这里请求了一个woff字体文件,而xefcf,xef87等数据的规则就是在这其中的。所以我们只需要在请求这个网页的同时,截去这部分style,然后获得woff地址,将它下载到本地,进行解析,就可以实现对评分的解密了。
但是再来看下面,当同一部电影的页面刷新时。
这里的评分编码改变了,下面请求的woff的url也改变了。所以每次请求电影页面使用的woff都不是同一个。
在这种情况下,如何才可以实现评分的爬取呢?
二.分步实现
1.页面爬取
第一步我们需要先将整个html页面获取,其中重要的数据就是评分所在的那个span,还有woff的url所在的那个style.
这里使用requests获取网页内容,用BeautifulSoup进行关键内容解析.
# 请求头设置
header = {
'Accept': '*/*;',
'Connection': 'keep-alive',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Accept-Encoding': 'gzip, deflate, br',
'Host': 'maoyan.com',
'Referer': 'http://maoyan.com/',
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}
def web(url):
db_data = requests.get(url, headers=header)
# 这里直接将其编码之前部分替换掉,防止之后使用转义
soup = BeautifulSoup(db_data.text.replace("&#x",""), 'lxml')
titles = soup.select(
'body > div.banner > div > div.celeInfo-right.clearfix > div.movie-stats-container > div > div > span > span')
wotfs = soup.select('head > style')
wotflist = str(wotfs[0]).split('\n')
maoyanwotf就是当前页面所使用的woff地址了。
= wotflist[5].replace(' ','').replace('url(\'//','').replace('format(\'woff\');','').replace('\')','')
此时titles就是一个获取了评分span的list,当然它只有一个元素。
maoyanwotf就是当前页面所使用的woff地址了。
2.woff下载
上一步我们得到了maoyanwotf,其中是当前页面所使用的woff地址,所以接下来就要对这个url进行下载,保存到本地。
# 下载请求电影页面的woff字体到本地
def downfont(maoyanwotf):
r = requests.get('http://'+maoyanwotf)
with open("demo.woff", "wb") as code:
code.write(r.content)
font = TTFont("demo.woff")
font.saveXML('to.xml')
这样就下载到了这次请求页面所用的woff了,保存为demo.woff。
3.字体解析规则
那么这个to.xml有什么用呢?
这就是我们在每次刷新都会改变woff的情况下,实现爬取的关键所在了。
font.saveXML('to.xml')就是将TTFont打开的woff转换为xml的形式,在xml中我们可以直接找到字体的相关数据,比如一个字符的笔画信息等。
来看一个字体xml文件的重要内容。完整内容参考:to.xml
<!--GlyphOrder 这个标签中就是这个字体xml包含的字符种类了,glyph00000和x这两个不用考虑 -->
<GlyphOrder>
<GlyphID id="0" name="glyph00000"/>
<GlyphID id="1" name="x"/>
<GlyphID id="2" name="uniEE29"/>
<GlyphID id="3" name="uniE6A3"/>
....
<GlyphID id="9" name="uniE47E"/>
<GlyphID id="10" name="uniE9BA"/>
<GlyphID id="11" name="uniEEB4"/>
</GlyphOrder>
<!--glyf 这个标签中是这些字体的具体坐标画法,一个TTGlyph对应一个字体,而其中contour标签的坐标数据,就是唯一确定这个字体是什么的最好的确定方法-->
<glyf>
<TTGlyph name="glyph00000"/><!-- contains no outline data -->
<TTGlyph name="uniE47E" xMin="0" yMin="-13" xMax="511" yMax="719">
<contour>
<pt x="130" y="201" on="1"/>
...
<pt x="42" y="189" on="1"/>
</contour>
<instructions/>
</TTGlyph>
...
...
<TTGlyph name="uniE6A3" xMin="0" yMin="0" xMax="503" yMax="719">
<contour>
<pt x="503" y="84" on="1"/>
...
<pt x="152" y="84" on="1"/>
</contour>
<instructions/>
</TTGlyph>
</glyf>
GlyphOrder 这个标签中就是这个字体xml包含的字符种类了,glyph00000和x这两个不用考虑。
glyf 这个标签中是这些字体的具体坐标画法,一个TTGlyph对应一个字体,而其中contour标签的坐标数据,就是唯一确定这个字体是什么的最好的确定方法。
所以可以得出结论,不管每次请求的woff怎么变,它里面的字符的contour标签内的坐标画法是不会改变的。
既然如此,我们只需要一个模板,在这个模板中,我们先手动解码一个充当模板的woff。
如何制作这样一个模板呢?
我们先来找一个woff和woff生成的xml,woff可以用字体查看器High-Logic FontCreator打开。效果如下。
之后我们将模板xml里面的glyf中TTGlyph标签的name属性与打开的woff对应比较,得到这个数值列表(我这里woff和xml用的不是同一个,所以不要用这个比较!!!)
之后我们就可以根据glyf中TTGlyph的顺序得到解码数值的顺序,之所以要一一对应,是为了方便之后用下标索引。
num = [8,6,2,1,4,3,0,9,5,7] #这个值是直接硬编码进去的。
data = []
# 此处以解析xml的方式得到这个模板xml里面contour标签的内容。
xmlfilepath_temp = os.path.abspath("temp.xml")
domobj_temp = xmldom.parse(xmlfilepath_temp)
elementobj_temp = domobj_temp.documentElement
subElementObj = elementobj_temp.getElementsByTagName("TTGlyph")
for i in range(len(subElementObj)):
rereobj = re.compile(r"name=\"(.*)\"")
find_list = rereobj.findall(str(subElementObj[i].toprettyxml()))
data.append(str(subElementObj[i].toprettyxml()).replace(find_list[0],'').replace("\n",''))
最后data里面是glyf中TTGlyph按顺序的内容,其中当然就是contour了,而它的下表与num中一一对应,也就是说,这时候给你一个contour的坐标内容,那就可以在data中查找它的对应下标,根据这个下标找到num中下标的元素,这个元素就是解码后的值了!!!
‘
获得了模板,我们接下来就可以将请求这次页面时获得的woff转化为xml进行对应了。
font = TTFont("demo.woff")
font.saveXML('to.xml')
#本次请求下载的字体的contour
new_font = []
xmlfilepath_find = os.path.abspath("to.xml")
domobj_find = xmldom.parse(xmlfilepath_find)
elementobj_find = domobj_find.documentElement
tunicode = elementobj_find.getElementsByTagName("TTGlyph")
for i in range(len(tunicode)):
th = tunicode[i].toprettyxml()
report = re.compile(r"name=\"(.*)\"")
find_this = report.findall(th)
get_code = th.replace(find_this[0], '').replace("\n", '')
for j in range(len(data)):
if not cmp(get_code,data[j]):
new_font.append(num[j])
其中get_code就是这次页面时获得的字体数据的list元素之一了,通过循环遍历,最终得到了一个本次xml的对应数字的list : new_font 。
接下来获得一个编码与具体数字对应的font_list
font = TTFont("demo.woff")
font_list = font.getGlyphNames()
font_list.remove('glyph00000')
font_list.remove('x')
此时,有了new_font中的具体数字和font_list中的编码值就可以完全解码这个页面中因为woff编码反爬虫的评分了。
# 匹配
star_woff = re.findall(re.compile(r">(.*)<"), str(titles[0]))[0].replace(';','').split('.') ;titles[0]是在第一步网页解析时获得的评分所在span
for i in star_woff:
getthis = i.upper()
for j in range(len(font_list)):
if not cmp(getthis,font_list[j].replace("uni","")):
print(new_font[j])
这样就会输出评分的整数部分和小数部分了。虽然这里只是输出了这两个数字,但是反爬虫评分,票房,人数等数据均可以使用前一步的new_font和font_list进行处理,就不再加以阐述了。
作者: AntzUhl
首发地址博客园:http://www.cnblogs.com/LexMoon/
代码均可在Github上找到(求Star) : Github
个人博客 : http://antzuhl.cn/
公众号 |
![]() |
赞助
支付宝 |
微信 |
![]() |
![]() |