5分钟看懂SVG反爬虫原理与绕过实战 | 知了干货分享
SVG反爬虫不同于字体反爬虫，它巧妙的利用css 与 svg的关系，将字符映射到网页中，看起来虽然正常，但是却抓取不到有效内容。本文带你深入浅出，破了SVG反爬虫的套路，学会之后，可应用于某点评网。
一、初识SVG反爬：
为了防止面对监狱编程，我在本地自己做了一个网页用于爬虫测试。
任务是爬取票据中的产品价格信息，按照往常一样审查元素定位目标节点，但是发现事情并不简单。
看图：
¥符号后面并没有我们想要的价格信息，而是四个d标签取而代之。随便选中一个7，发现对应的是属性class=lhtqsc的d标签。
看css样式：
有两段描述这个标签的语句，第一段比较常规，但是其中的
background-image: url(../css/zhiliao.svg);
就有点奇怪，而第二段，描述的是background，它的值是两个 大小值，单位px。
打开svg文件查看：
貌似是没什么规律的数字
查看该页面网页源代码，发现是张这样的：
二、什么是SVG？
想要搞定SVG反爬虫就得先搞清楚SVG：
SVG是一种基于xml用于描述矢量图的图形格式，由于矢量图放大或缩写都不会影响图形的质量，所以被较多的应用在web站点与APP中，常见的存在形式是图标。
编写一个SVG文件：
为了方便，我们可以把要写的svg，写到HTML文件中，新建一个svg.html键入如下内容：
<!DOCTYPE html>
<html>
<body>
<svg xmlns="http://www.w3.org/2000/svg" version="1.1">
<text x="0" y="15" fill="red">I love zhiliao</text>
</svg>
</body>
</html>
浏览器打开如下：
其中：
<text x="0" y="15" fill="red">I love zhiliao</text>
很关键，这一行用text标签定义了一段文本，fill是文本颜色属性，为红色，并且指定了文本的坐标。
该坐标的规则是：
1.以左上角为坐标系的原点(0,0)
2.X 轴的正方向向右，从 0,0 点开始向右， x 逐渐增大。Y 轴的正方向向下，从 0,0 点开始向下， y 逐渐增大。
3.坐标以像素为单位
4.n 个字符可以有 n 个位置参数。
增加一行：
<text x="10 20 30 40 50 60 70 80 90" y="100" fill="black">I love zhiliao</text>
这行代码指定了前九个字符的位置，且指定了文本的颜色，y的值也增大到100，浏览器打开如下：
再次增加一行：
<text x="40 20 30 10 50 60 70 80 90" y="120" fill="red">I love zhiliao</text>
上图可以看到，在不改变文本顺序的情况下通过改变x中的值，让第一个字符I和第四个字符o交换了位置。
三、SVG与CSS的联系：
现在我们尝试把css和svg联系起来，更加深入的理解，方便我们做下一步抓取工作:
在svg中，X轴正方向为从左到右，y轴的正方向是从上到下；
在css中，X轴负数向右，Y轴是负数向下。
一图胜千言：
所以，CSS与SVG刚好相反。
新建一个zhiliao.svg并键入：
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<!DOCTYPE svg PUBLIC "-//W3C//DTD SVG 1.1//EN" "http://www.w3.org/Graphics/SVG/1.1/DTD/svg11.dtd">
<svg xmlns="http://www.w3.org/2000/svg" version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" width="650px" height="230.0px">
<style>text {font-family:PingFangSC-Regular,Microsoft YaHei,'Hiragino Sans GB',Helvetica;font-size:14px;fill:#666;}
<text x='10 20 30 10 50 60 70 80 90 100 110 120 130 140 150 160' y='30'>hello,zhiliao</text>
</svg>
我们在style中 定义了字符的风格，大小（14px），以及颜色（#666）。定义了每个字符所在的位置。
现在我们对第一个字符h进行定位，
X轴计算法则：字符大小 / 2 + 字符的x轴起点位置参数
Y轴计算法则：（y 轴高度 - 字符 y 轴起点 - 字符大小）/ 2 + 字符 y 轴起点位置参数 + 字符大小数值的一半
也就是：
X = 14/2 + 0 = 7
Y = （30 - 0 - 14） / 2 + 0 + 14 / 2 = 15
svg中对应的定位就是 x = 7 ，y = 15
css与svg相反，所以是 -7，-15
现在新建一个zhiliao.css文件，键入如下内容：
d[class^="lht"] {
width: 14px;
height: 30px;
background-image: url(zhiliao.svg);
background-repeat: no-repeat;
display: inline-block;
vertical-align: middle;
}
.lhttest {
background: -7px -15px;
}
新建一个demo.html，键入：
<html>
<head>
<link type="text/css" rel="stylesheet" href="zhiliao.css">
</head>
<body>
<d class="lhttest"></d>
</body>
</html>
html中会引入css文件，css又会引入svg文件。通过d标签的class属性值读取css对应的svg标签，完成对svg的映射。
然后把demo.html拖到浏览器，可以看到：
字符h完完整整的被我们成功的映射出来了。
搞懂了这些，反爬就不是难事了，我们要做的是让程序搞定这些。
四、Python抓取数据：
回到刚才的目标网站，开始实战抓取。
1.获取css样式文件与svg文件内容：
import re
import requests
from lxml import etree
svg_link = "http://localhost/zhiliao_svg/css/zhiliao.svg"
css_link = "http://localhost/zhiliao_svg/css/style.css"
#获取svg与css文件内容
svg_text = requests.get(svg_link).text
css_text = requests.get(css_link).text
2.获取匹配出class属性值对应css参数，与字符大小：
css_text = css_text.replace('\n', '').replace(' ', '') #将换行符与空格清除，方便下一步匹配
#定义一个函数用于匹配class属性为xx对应的css参数
def find_xy(in_text, class_value):
re_sentence = '.%s{background:-(\d+)px-(\d+)px;}' % class_value
pattern = re.compile(re_sentence)
res = pattern.findall(in_text)
return res[0]
#寻找出svg文件中定义的字符大小
def find_font_size(in_text):
fs = re.compile(r'font-size:(\d+)px')
res = fs.findall(in_text)
return int(res[0])
print(find_xy(css_text, "lhtqsc"), find_font_size(svg_text))
测试寻找class=lhtqsc的css对应参数和字符大小，输出如下：
('288', '141') 14
打开对应css与svg文件验证：
一致，成功！
3.观察svg文件：
这里有四个text标签，对应四个文本，每个文本X轴都是从0开始，并且以14递增
Y轴不相同的，分别是 38， 83 ， 120 ，164
文本顺序也有所不同。
现在我们get这些数据：
soup = etree.HTML(svg_text).xpath("//text")
list_y = [i.get('y') for i in soup]
list_text = [i.text for i in soup]
print(list_y)
print(list_text)
输出：
['38', '83', '120', '164']
['154669136497975167479825383996313925720573', '560862462805204755437571121437458524985017', '671260781104096663000892328440489239185923', '684431081139502796807382']
到这一步，我们成功的分别取出了y的和text标签的四个值，并组成了列表。
但是，这些元素 几乎没有和 [‘38’, ‘83’, ‘120’, ‘164’] 中有相等的，
这对于我们寻找text标签包含的文本值并不影响，我们找到最近接近的即可。
我们仍然以 class=lhtqsc为例子，寻找它最近的y值，从而找出是哪个text标签包含的值。
完善我们的代码：
soup = etree.HTML(svg_text).xpath("//text")
list_y = [i.get('y') for i in soup] #找出所有的y值
list_text = [i.text for i in soup] #找出所有的text值
svg_font_size = find_font_size(svg_text) #找出font-size值
x, y = find_xy(css_text, "lhtqsc") #找出class=lhtqsc的xy坐标
real_y = [i for i in list_y if y <= i][-1] #找出是哪一个 y
real_text = list_text[list_y.index(real_y)] #找出是那个一 text
print(real_text)
输出：
684431081139502796807382
然后就可以利用切片的特性寻找到对应的数值啦！
pos = int(x) // svg_font_size
print(real_text[pos])
输出 7，有图为证：
验证：
我们打开网站，看看对应的是不是数字7
到这里，就算成功了，是不是很简单呢？跟我一起做一遍吧。更多干货内容，欢迎关注公众号：知了python