Python反反爬系列(一)----K近鄰演算法與CSS動態字型加密

　　1.字型反爬

　　字型反爬也就是自定義字型加密對映，透過呼叫自定義的字型檔案來渲染網頁中的文字，而網頁中的文字不再是文字，而是相應的字型編碼，透過複製或者簡單的採集是無法採集到編碼後的文字內容的。

　　2.檢視字型軟體font creator 可下載，也可不下載，藉助網頁版工具

　　3.CSS處理前後的字型

　　我們看到的網頁上的資料是正常的

　　但是當我們開啟開發者工具檢查字型時 ，金額和票房資料卻變成了類似亂碼的字元

　　我們再檢查網頁原始碼，發現資料和上面的都不一樣，而且每次請求金額還被加密成不同的密文

　　

　　多次請求，發現返回的字型檔案重複機率太低(仔細觀察是有的，就是少)

　　4.解決思路

　　瞭解CSS 的應該會知道(我不知道)，CSS 中有一個 @font-face，它允許網頁開發者為其網頁指定線上字型。原本是用來消除對使用者電腦字型的依賴，現在有了新作用——字型反爬。具體的請檢視 https://developer.mozilla.org/zh-CN/docs/Web/CSS/@font-face 再觀察原始碼中的資料，像是編碼過後的資料。

　　仔細觀察發現是一些特定span中的資料經過處理，如下圖

　　

　　所以我們就查詢該class名，找到了其字型樣式

　　

　　其中的woff就是字型檔案，還有其他的，比如ttf字型，woff2，svg等，這裡僅有woff ，可在font欄檢視

　　將該字型下載過來，在json字型編輯器中開啟，https://font.qqe2.com/，可看到字型，多次重新整理的話同樣的數字還不一樣

　　

　　

　　我們再次拿處理前後的部分數字拿來進行對比：

　　最初數字 2 4 0 1 . 3

　　加密後     . 

　　字型中 $E290 $ED17 $F1A7 $EFBD $EFBD

　　uniE290 uniED17 uniF1A7 uniEFBD uniEFBD

　　發現規律了吧，但是我們知道每次數字位置都是動態...

　　5.用TTfont把woff檔案轉化成xml檔案

　　先將字型轉化成xml檔案。

　　import requests

　　from fontTools.ttLib import TTFont

　　def woff_xml():

　　url = "

　　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)

　　轉換成的資料如圖：

　　仔細檢視後，確定和我們字型相關的標籤: 和 ，其中標籤中的資料在上圖，我們對進行檢視：

　　其中有x,y,Xmin,Ymin,Xmax,Ymax等值，很明顯是一些座標點的資訊，其實他就是確定字型形狀的座標，不信我們可以畫一下： 鄭州人流醫院

　　import matplotlib.pyplot as plt

　　import re

　　str = """"

　　相應內容複製上來

　　"""

　　x = [int(i) for i in re.findall(r'

　　獲取10套基準字型，最初是存到XML中的，後面發現沒必要

　　:return: None

　　'''

　　for i in range(0,10):#獲取10套字型作為基準字型

　　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)

　　#請求一次獲得部分url

　　if part_font_url:

　　font_url = "https:" + part_font_url[0]

　　file_name = str(i+1)+".woff" #字型檔案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:#將woff檔案儲存

　　f.write(resp.content)

　　f.close()

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

　　# font.saveXML(r"./colorstone/base" + str(i+1)+ ".xml") #儲存為base1.xml這樣的檔名

　　print("第{}套基準字型儲存完畢!".format((i+1)))

　　except Exception as e:

　　print(e)

　　else:

　　print("第{}次請求失敗，請檢查網站是否禁止訪問等".format((i+1)))

　　6.2.提取樣本字型中的數字 + 座標：

　　def base_font(self):

　　'''

　　獲取10套基準字型中數字對應的x,y值

　　:return: None

　　'''

　　# 檢視10套基準字型, 獲取數字順序

　　# 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:] #過濾到前兩個不需要的

　　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. 在函式knn(self)中：

　　6.3.1 獲取特徵值,目標值

　　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 進行資料的分割：訓練集和測試集

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

　　6.3.3 呼叫KNN演算法(這裡n的引數由網格驗證得出，最優引數為1)：

　　

　　knn = KNeighborsClassifier(n_neighbors=1)

　　knn.fit(x_train, y_train)

　　6.4.建立對映，將數字和對應的編碼建成字典形式：

　　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.採集資料並替換，獲取正確資料：

　　根據網頁結構，提取資料：

　　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)

　　# 請求一次獲得部分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: # 儲存需要分析的字型檔案

　　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(" ",""))

　　列印結果

　　對比原網頁

　　資料完全是一樣的，此次動態字型反爬到此就結束了。