帝王谷资源网 Design By www.wdxyy.com
本次案例以爬取起小点小说为例
案例目的:
通过爬取起小点小说月票榜的名称和月票数,介绍如何破解字体加密的反爬,将加密的数据转化成明文数据。
程序功能:
输入要爬取的页数,得到每一页对应的小说名称和月票数。
案例分析: 找到目标的url:
(右键检查)找到小说名称所在的位置:
通过名称所在的节点位置,找到小说名称的xpath语法:
(右键检查)找到月票数所在的位置:
由上图发现,检查月票数据的文本,得到一串加密数据。
我们通过xpathhelper进行调试发现,无法找到加密数据的语法。因此,需要通过正则表达式进行提取。
通过正则进行数据提取。
正则表达式如下:
得到的加密数据如下:
破解加密数据是本次案例的关键:
既然是加密数据,就会有加密数据所对应的加密规则的Font文件。
通过找到Font字体文件中数据加密文件的url,发送请求,获取响应,得到加密数据的woff文件。
注:我们需要的woff文件,名称与加密月票数前面的class属性相同。
如下图,下载woff文件:
找到16进制的数字对应的英文数字。
其次,我们需要通过第三方库TTFont将文件中的16进制数转换成10进制,将英文数字转换成阿拉伯数字。如下图:
解析出每个加密数据对应的对应的月票数的数字如下:
注意:
由于我们在上面通过正则表式获得的加密数据携带特殊符号
因此解析出月票数据中的数字之后,除了将特殊符号去除,还需把每个数字进行拼接,得到最后的票数。
最后,通过对比不同页的url,找到翻页的规律:
对比三个不同url发现,翻页的规律在于参数page
所以问题分析完毕,开始代码:
import requests from lxml import etree import re from fontTools.ttLib import TTFont import json if __name__ == '__main__': # 输入爬取的页数、 pages = int(input('请输入要爬取的页数:')) # eg:pages=1,2 for i in range(pages): # i=0,(0,1) page = i+1 # 1,(1,2) # 确认目标的url url_ = f'https://www.qidian.com/rank/yuepiao"_blank"]/text() ') # 提取月票数,由于利用xpath语法无法提取,因此换用正则表达式,正则提取的目标为response_.text mon_list = re.findall('</style><span class=".*">(.*"format\('eot'\); src: url\('(.*",str_data)[0] print(font_url) # 获得url之后,构造请求头获取响应 headers_ = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36', 'Referer':'https://www.qidian.com/' } # 发送请求,获取响应 font_response = requests.get(font_url,headers=headers_) # 文件类型未知,因此用使用content格式 font_data = font_response.content # 保存到本地 with open('加密font文件.woff','wb')as f: f.write(font_data) # 解析加密的font文件 font_obj = TTFont('加密font文件.woff') # 将文件转成明文的xml文件 font_obj.saveXML('加密font文件.xml') # 获取字体加密的关系映射表,将16进制转换成10进制 cmap_list = font_obj.getBestCmap() print('字体加密关系映射表:',cmap_list) # 创建英文转英文的字典 dict_e_a = {'one':'1','two':'2','three':'3','four':'4','five':'5','six':'6', 'seven':'7','eight':'8','nine':'9','zero':'0'} # 将英文数据进行转换 for i in cmap_list: for j in dict_e_a: if j == cmap_list[i]: cmap_list[i] = dict_e_a[j] print('转换为阿拉伯数字的映射表为:',cmap_list) # 去掉加密的月票数据列表中的符号 new_mon_list = [] for i in mon_list: list_ = re.findall(r'\d+',i) new_mon_list.append(list_) print('去掉符号之后的月票数据列表为:',new_mon_list) # 最终解析月票数据 for i in new_mon_list: for j in enumerate(i): for k in cmap_list: if j[1] == str(k): i[j[0]] = cmap_list[k] print('解析之后的月票数据为:',new_mon_list) # 将月票数据进行拼接 new_list = [] for i in new_mon_list: j = ''.join(i) new_list.append(j) print('解析出的明文数据为:',new_list) # 将名称和对应的月票数据放进字典,并转换成json格式及进行保存 for i in range(len(title_list)): dict_ = {} dict_[title_list[i]] = new_list[i] # 将字典转换成json格式 json_data = json.dumps(dict_,ensure_ascii=False)+',\n' # 将数据保存到本地 with open('翻页起小点月票榜数据爬取.json','a',encoding='utf-8')as f: f.write(json_data)
爬取了两页的数据,每一页包含20个数据
执行结果如下:
帝王谷资源网 Design By www.wdxyy.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
帝王谷资源网 Design By www.wdxyy.com
暂无评论...
更新日志
2024年12月23日
2024年12月23日
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]