Python3爬取猫眼电影爬虫（破解字符集反爬）

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：TM0831

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

python学习交流群点击即可加入，相关学习资料已上传群文件可自行下载

页面分析

首先打开猫眼电影，然后点击一个正在热播的电影（比如：毒液）。打开开发者工具，点击左上角的箭头，然后用鼠标点击网页上的票价，可以看到源码中显示的不是数字，而是某些根本看不懂的字符，这是因为使用了font-face定义字符集，并通过unicode去映射展示，所以我们在网页上看到的是数字，但是在源码中看到的却是别的字符。


碰到这些根本看不懂的字符怎么办呢？不慌，右键选择查看网页源代码，然后找到相应的位置（如下图）。那么是不是“”映射出来就是28呢？

通过查看源码，可以找到如下内容， 而当我们访问这里面的链接的时候，就可以下载相应的字体文件，关于font-face可以点击这里查看了解：
当我下载好字体文件后，满心欢喜的双击想要点开的时候，却发现无法打开（T_T）。查阅资料之后知道了一个叫做FontCreator的软件，用这个软件可以打开我们下载的字体文件，没有安装这个软件的可以进入官网https://www.high-logic.com/下载安装，如果下载得很慢的可以用百度云下载（链接：https://pan.baidu.com/s/1ImxwPhKdzZo2g4bIjiGCZw ，提取码：m0yf ）。下载好之后打开软件，看到如下界面，选择Use Evaluation Version，这个软件我们可以免费使用三十天。

打开软件后，再打开我们下载的字体文件，可以看到数字2和8分别对应的是uniE83B和uniE375，和前面看到的编码是一致的。

那么我们下载好字符集之后，只要将其中的字符编码和数字对应的信息提取出来，再把网页源码中的字符编码替换掉，就能得到我们想要的数据了。这里要用到一个三方库fontTools，利用fontTools可以获取每一个字符对象，这个对象你可以简单的理解为保存着这个字符的形状信息，而且编码可以作为这个对象的id，具有一一对应的关系。不过这里还有一个问题，就是网页每次使用的字符集是随机变化的，我们也就无法使用一个固定的字符集去做到反爬。

解决思路如下：先保存一个字体文件（比如base.woff），然后解析其数字和编码的对应关系，然后爬取的时候把新的字体文件下载下来（比如online.woff），网页中的一个数字的编码（比如ABCD），我们先通过编码ABCD找到这个字符在online.woff中的对象，并且把它和base.woff中的对象逐个对比，直到找到相同的对象，然后获取这个对象在base.woff中的编码，再通过编码确认是哪个数字。

主要代码

解析下载的字体文件，由于字体文件中有多余的字符，需要舍弃掉。

 1 # 解析字体库
 2 def parse_ttf(font_name):
 3     """
 4     :param font_name: 字体文件名
 5     :return: 字符-数字字典
 6     """
 7     base_nums = ['3', '0', '1', '6', '4', '2', '5', '8', '9', '7']
 8     base_fonts = ['uniEB84', 'uniF8CA', 'uniEB66', 'uniE9DB', 'uniE03C',
 9                   'uniF778', 'uniE590', 'uniED12', 'uniEA5E', 'uniE172']
10     font1 = TTFont('base.woff')  # 本地保存的字体文件
11     font2 = TTFont(font_name)  # 网上下载的字体文件
12 
13     uni_list = font2.getGlyphNames()[1:-1]  # 去掉头尾的多余字符
14     temp = {}
15     # 解析字体库
16     for i in range(10):
17         uni2 = font2['glyf'][uni_list[i]]
18         for j in range(10):
19             uni1 = font1['glyf'][base_fonts[j]]
20             if uni2 == uni1:
21                 temp["&#x" + uni_list[i][3:].lower() + ";"] = base_nums[j]
22     return temp

解析网页源码，把其中的编码替换成数字，这里选择把网页源码保存下来，这样的话编码就不会改变，也就能正确的解析。

 1 # 解析网页得到数字信息
 2 def get_nums(font_dict):
 3     """
 4     :param font_dict: 字符-数字字典
 5     :return: 由评分、评分人数、票房和票价组成的列表
 6     """
 7     num_list = []
 8     with open('html', 'r', encoding='utf-8') as f:
 9         for line in f.readlines():
10             lst = re.findall('(&#x.*?)<', line)
11             if lst:
12                 num = lst[0]
13                 for i in font_dict.keys():
14                     if i in num:
15                         num = num.replace(i, font_dict[i])
16                 num_list.append(num)
17     return num_list

运行结果

完整代码

import re
import requests
from lxml import etree
from fontTools.ttLib import TTFont

headers = {
    "Host": "maoyan.com",
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 "
                  "Safari/537.36"
}


# 解析字体库
def parse_ttf(font_name):
    """
    :param font_name: 字体文件名
    :return: 字符-数字字典
    """
    base_nums = ['3', '0', '1', '6', '4', '2', '5', '8', '9', '7']
    base_fonts = ['uniEB84', 'uniF8CA', 'uniEB66', 'uniE9DB', 'uniE03C',
                  'uniF778', 'uniE590', 'uniED12', 'uniEA5E', 'uniE172']
    font1 = TTFont('base.woff')  # 本地保存的字体文件
    font2 = TTFont(font_name)  # 网上下载的字体文件

    uni_list = font2.getGlyphNames()[1:-1]  # 去掉头尾的多余字符
    temp = {}
    # 解析字体库
    for i in range(10):
        uni2 = font2['glyf'][uni_list[i]]
        for j in range(10):
            uni1 = font1['glyf'][base_fonts[j]]
            if uni2 == uni1:
                temp["&#x" + uni_list[i][3:].lower() + ";"] = base_nums[j]
    return temp


# 解析网页得到数字信息
def get_nums(font_dict):
    """
    :param font_dict: 字符-数字字典
    :return: 由评分、评分人数、票房和票价组成的列表
    """
    num_list = []
    with open('html', 'r', encoding='utf-8') as f:
        for line in f.readlines():
            lst = re.findall('(&#x.*?)<', line)
            if lst:
                num = lst[0]
                for i in font_dict.keys():
                    if i in num:
                        num = num.replace(i, font_dict[i])
                num_list.append(num)
    return num_list


# 爬取页面
def get_page():
    url = "http://maoyan.com/cinemas?movieId=42964"
    res = requests.get(url, headers=headers)
    # 提取woff字体的链接
    woff_url = re.findall(r"vfile.*?woff", res.text)[0]
    # 下载字体文件
    font_name = 'online.woff'
    with open(font_name, 'wb') as f:
        f.write(requests.get("http://" + woff_url).content)
    # 保存res.text用于后面解析
    with open('html', 'w', encoding='utf-8') as f:
        f.write(res.text)
    # 解析字体文件
    font_dict = parse_ttf(font_name)
    nums = get_nums(font_dict)
    price_list = nums[3:]  # 得到票价信息列表
    s = etree.HTML(res.text)
    movie_name = s.xpath('/html/body/div[3]/div/div[2]/div[1]/h3/text()')[0]  # 名字
    movie_type = s.xpath('/html/body/div[3]/div/div[2]/div[1]/ul/li[1]/text()')[0]  # 类型
    info = s.xpath('/html/body/div[3]/div/div[2]/div[1]/ul/li[2]/text()')[0]
    movie_country = info.strip().split('\n')[0]  # 国家
    movie_time = info.strip().split('\n')[1].split('/ ')[-1]  # 时长
    movie_score = nums[0] + '(评分人数：{})'.format(nums[1])  # 评分
    box_office = nums[2] + s.xpath('/html/body/div[3]/div/div[2]/div[3]/div[2]/div/span[2]/text()')[0]  # 票房
    cinema_list = s.xpath('//*[@id="app"]/div[2]/div/div[1]/a/text()')
    address_list = s.xpath('//*[@id="app"]/div[2]/div/div[1]/p/text()')
    print(movie_name)
    print(movie_type + "/" + movie_country + "/" + movie_time)
    print("评分："+movie_score, "票房："+box_office)
    for cinema, address, price in zip(cinema_list, address_list, price_list):
        print(cinema, address, "票价：" + price + "元")


if __name__ == '__main__':
    get_page()