上文解決了起點中文網部分數字反爬的信息，詳細鏈接https://www.cnblogs.com/aby321/p/10214123.html
本文研究另一種文字反爬的機制——貓眼電影實時票房反爬
雖然都是僅僅在“數字”上設置了反爬，相同點與不同點如下：
相同點：
在“數字”上設置了文字反爬
通過瀏覽器的“檢查”顯示的是“□”，但是可以在網頁源代碼中找到映射后的數字
正則爬的是網頁源代碼，xpath是默認utf-8解析網頁數據，用xpath爬出來的也是方框，因此只能使用正則匹配爬取關鍵數字信息
不同點：
起點中文網：
每次刷新網頁，通過正則爬取的數字不發生變化
使用了自定義的文字文件ttf，可爬蟲提取ttf的下載地址，通過分析字體文件可以找到映射關系，並且這個映射關系是固定的
貓眼電影：
每次刷新網頁（中間間隔幾秒時間），通過正則爬取的數字發生變化
無字體文件ttf
在源代碼中搜索‘font-face’可查詢到一堆字符串，預測應該是base64的編碼方式，但是每次刷新網頁這段字符串均會發生變化
也就是說即使通過FontTools包將這段字符串轉換成ttf文件，但是每次一刷新生成的ttf文件均會發生變化，因此ttf文件中的key和value也都發生了變化
映射關系怎么找呢？
通過研究發現，雖然每次ttf不一樣，但是通過ttf生成的xml文件中TTGlyph中的坐標軸所表示的“數”是固定的，這也是我們要尋找的潛在對應關系
舉個栗子：
生成的這個ttf通過FontCreator軟件查看，例如‘uniE124’對應的是數字‘4’
這個ttf生成的xml文件通過瀏覽器打開查看‘uniE124’對應的坐標是紅色框內的內容；
再次刷新網頁，生成了新的ttf文件，重復上兩個步驟，可以看到‘uniF878’對應的數字是‘4’，生成的xml文件中‘uniF878’對應的坐標與上個xml中的一樣
因此可以斷定映射關系為：
任意一次生成的xml中數字潛在對應的坐標是固定的
爬取思路
1. 某次提取網頁源代碼中的font-face中base64后面一段字符串，生成ttf文件和xml文件，並保存到本地
2. 通過這兩個文件研究其坐標和數字的對應關系，這個關系是固定不變的，每次生成的ttt/xml不同但是其內部對應關系都是這個，手動寫入字典
本例中的對應關系如下：
fontdict_local = { 'uniE346':7, 'uniE3DB':2, 'uniE4AC':4, 'uniE6BF':5, 'uniEA17':0, 'uniEBBC':1, 'uniEF7E':9, 'uniF227':3, 'uniF4C0':8, 'uniF551':6 }
3. 通過正則匹配爬取網頁源代碼中設置了反爬機制的數字，並進行數據前期處理
本例中需要進行以“；”分片，去掉“&#x”，判斷是否含有小數點“.”，英文字母大小寫轉換等
4. 最重要的一步，進行比對
因為每次刷新頁面或者重新運行程序都相當於會生成一個新的ttf/xml文件，因此需要將新的文件與第1步生成的文件（已保存到本地）進行坐標比對
比如新文件中若有個數字對應的坐標與本地文件中的坐標是一樣的，那么就根據第2步的字典判斷這個數字，在程序中坐標可以用編碼對象替換
local代表是本地的文件
font_local = TTFont('font_face_local.ttf')
codelist_local = font_local.getGlyphNames()[1:-1]#第一個和最后一元素不是0-9的編碼
輸出（codelist_local其實就是字典的keys，只不過通過讀取ttf文件自動獲取，但是注意要判斷下這個列表，總共有12個元素，有兩個元素不是0-9的key）：codelist: ['uniE346', 'uniE3DB', 'uniE4AC', 'uniE6BF', 'uniEA17', 'uniEBBC', 'uniEF7E', 'uniF227', 'uniF4C0', 'uniF551']
for i in codelist_local: obj_local = font_local['glyf'][i]#獲取本地字體文件數字0-9的編碼對象
輸出：
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465950>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465930>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465A30>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465970>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465A50>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x034659B0>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x034659D0>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465990>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465A10>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x034659F0>
也就是說本地的編碼對象obj_local和codelist_local是一一對應的，並且每次生成的文件獲取的編碼對象是固定不變的
每次運行生成的文件用同樣的方法獲取編碼對象obj，與obj_local進行比對獲取codelist_local值，在通過字典獲取可展示的數值，還是通過圖說明一下吧
源代碼
1 """ 2 貓眼電影的票房等數據（數字）設置了文字反爬機制 3 不同於起點中文網能直接看見ttf文件，貓眼的數字反爬更復雜些，主要表現在： 4 進行了web上的base64編碼，並且每次刷新都會變化 5 通過FontTools可生成ttf和xml文件，但是每次運行生成的文件都不一樣 6 需要找尋其內部固定的映射關系 7 """ 8 import requests, time, re, pprint,base64 9 from fontTools.ttLib import TTFont 10 from io import BytesIO 11 from lxml import etree 12 13 14 def get_relation(url): 15 """ 16 獲取網頁源代碼中的font—face中的內容，並保存成.ttf格式的文件 17 :param url: <str> 需要解析的網頁地址 18 :return:<dict> 網頁字體（動態變化的）編碼與阿拉伯數字的映射關系 19 """ 20 #獲取網頁源代碼中的font—face中的內容 21 font_face = re.findall('base64,(.*?)\) format',html_data.text,re.S)[0] 22 #print(font_face) 23 #保存成.ttf格式的文件 24 b = base64.b64decode(font_face) 25 with open('font_face.ttf','wb') as f: 26 f.write(b) 27 font = TTFont('font_face.ttf') 28 font.saveXML('font_face.xml')#將ttf文件生成xml文件並保存到本地 29 codelist = font.getGlyphNames()[1:-1] # 第一個和最后一元素不是0-9的編碼 30 font_local = TTFont('font_face_local.ttf') 31 font_local.saveXML('font_face_local.xml') 32 codelist_local = font_local.getGlyphNames()[1:-1]#第一個和最后一元素不是0-9的編碼 33 print('codelist:',codelist_local) 34 fontdict_local = { 35 'uniE346':7, 36 'uniE3DB':2, 37 'uniE4AC':4, 38 'uniE6BF':5, 39 'uniEA17':0, 40 'uniEBBC':1, 41 'uniEF7E':9, 42 'uniF227':3, 43 'uniF4C0':8, 44 'uniF551':6 45 } 46 key = [] 47 value = [] 48 for i in codelist_local: 49 obj_local = font_local['glyf'][i]#獲取本地字體文件數字0-9的編碼對象 50 print('obj_local:',obj_local) 51 for k in codelist: 52 obj = font['glyf'][k] 53 #print('obj:',obj) 54 if obj == obj_local: 55 #print(k,fontdict_local[i]) 56 key.append(k.strip('uni')) 57 value.append(fontdict_local[i]) 58 dict_relation = dict(zip(key,value))#網頁字體（動態變化的）編碼與阿拉伯數字的映射關系 59 60 #print('網絡文字映射關系：') 61 #pprint.pprint(dict_relation) 62 return dict_relation 63 64 65 def get_decode_font(numberlist,relation): 66 """ 67 對反爬數字進行解碼 68 :param numberlist: <list> 直接從網頁源代碼re獲得的需要解碼的數字 69 :param relation: <dict> 解碼所需的映射關系 70 :return: <str> 解碼后的數字 71 """ 72 data = '' 73 for i in numberlist: 74 numbers = i.replace('&#x','').upper() 75 #print(numbers) 76 #小數點沒有單獨成為里列表的元素，與后面的數字寫在了一起，需要判斷下 77 if len(numbers)==5: 78 data += '.' 79 numbers = numbers.strip('.') 80 #print('numbers:',numbers) 81 fanpa_data = str(relation[numbers]) 82 data += fanpa_data 83 print('實時票房（萬元）:',data+'\n') 84 #return data 85 def get_movie_info(url): 86 """ 87 爬取網頁的影片名稱和實時票房（網頁源代碼中未解碼的數字） 88 :param url: 89 :return: 90 """ 91 selector = etree.HTML(html_data.text) 92 infos = selector.xpath('//*[@id="ticket_tbody"]/ul') 93 boxes = re.findall('<b><i class="cs">(.*?)</i>',html_data.text,re.S) 94 for info,i in zip(infos,boxes): 95 movie_name = info.xpath('li[1]/b/text()')[0] 96 movie_box = i.split(';')[0:-1] 97 print('影片名稱:',movie_name) 98 #print('網頁直接獲取的影片實時票房:',movie_box)#一維列表形式 99 relation = get_relation(url) 100 get_decode_font(movie_box,relation) 101 102 url = 'https://piaofang.maoyan.com/?ver=normal' 103 headers = { 104 'User-Agent': 'User-Agent:Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36' 105 } 106 html_data = requests.get(url, headers=headers) 107 get_movie_info(url)
運行結果：
還有一種更加簡潔的方法：
找到obj_local和數字的關系寫入字典，去掉中間的codelist_local