爬虫之路: 字体反扒升级版

 

字体反扒系列

爬虫之路: 字体文件反爬一

爬虫之路: 字体文件反爬二(动态字体文件)

 

本文转自 [ 不止于python ]

开始吧! 

小伙伴留言说, 脚本用不了了, 抽了空就先打开网站看一下, 结果发现看不见字符的源码了, 在控制台, 源码, 甚至python请求的html都变成了符号

页面html中

控制面板源码中

 

python请求源码中

 

全部都变成了 一个方块一个问号(打不出来)

但是试了一下字体文件什么的, 都还可以用, 所以就直接从编码下手了

不料这个编码也不太好弄,  需要转来转去的, 最后解决了

 

脚本升级版

涉及修改的代码, 其余与第二篇一样

    def repalce_source_code(self, html):
        #  转为 编码 比如: \uec8e
        html = html.encode("latin-1", "backslashreplace").decode("utf-8")
        for utf_code, word in self.new_unicode_map.items():
            html = html.replace("\\u%s" % utf_code[3:].lower(), word)
        # 再次将替换后的字符转为正常unicode
        html = html.encode("latin-1", "backslashreplace").decode("utf-8")
        # 转为中文
        html = html.encode("utf-8").decode("unicode_escape")
        return html

    def get_subject_content(self):
        # 使用xpath 获取 主贴, 先获取主贴, 只替换主贴内容
        xp_html = etree.HTML(self.page_html)
        subject_text = ''.join(xp_html.xpath('//div[@class="tz-paragraph"]//text()'))
        return self.repalce_source_code(subject_text)

 

这次升级其实并没有较大的改动, 只是需要转几次编码

脚本可以直接运行