爬虫进阶-反爬破解7（逆向破解被加密数据：全方位了解字体渲染的全过程+字体文件的检查和数据查看+字体文件转换并实现网页内容还原+完美还原上百页的数据内容）

目录

一、全方位了解字体渲染的全过程

1.加载顺序

2.实践操作：浏览器中调试字体渲染

3.总结：

二、字体文件的检查和数据查看

1.字体文件的操作软件

2.映射关系的建立

3.实践操作：翻找样式和真实内容

4.总结：

三、字体文件转换并实现网页内容还原

1.字体文件的转换

2.替换网页内容

3.实践操作:字体映射的解密和爬取

四、完美还原上百页的数据内容

1.字体文件的转换

2.替换网页内容

3.实践操作：爬虫实战，还原数据内容

4.总结：

---

一、全方位了解字体渲染的全过程

1.加载顺序

（1）载入字体内容或文件

（2）@font-face定义

（3）css中进行字体引用

2.实践操作：浏览器中调试字体渲染

3.总结：

（1）字体渲染：网页看到的数据和调试工具中的数据不一致。

（2）字体内容可以是文件形式，或者是base64内容格式。

（3）将加密内容进行手动替换操作。

二、字体文件的检查和数据查看

1.字体文件的操作软件

windows平台：FontCreator

macOS平台：IconFronPreview

Linux平台：FontForge

2.映射关系的建立

查看字体文件的内容，找出数字样式和真实内容

查看网页内容，找出网页的数字样式和真实内容

3.实践操作：翻找样式和真实内容

4.总结：

（1）一定要找出真实内容和数字样式的对应关系，非必需百分百找出

（2）浏览器调试工具看到的不一定是对的，可能是默认字体渲染

三、字体文件转换并实现网页内容还原

1.字体文件的转换

（1）python安装fontTools库

（2）使用fontTools读取TTF格式字体文件

（3）将内容保存成xml格式

（4）从xml格式中读取映射关系

2.替换网页内容

（1）请求网页内容

（2）循环映射关系，批量替换掉网页内容中的加密字体

（3）解析替换数据后的网页数据内容

（4）请求并分析接口数据的内容

（5）将日志保存到文件

3.实践操作:字体映射的解密和爬取

# 麣龒龤龒龒
# 10400

import requests
from fontTools.ttLib import TTFont # pip install fontTools
from lxml import etree

fonturl = 'http://shanzhi.spbeen.com/static/fonts/szec.ttf'
fontresponse = requests.get(fonturl)
print(fontresponse)
with open('font.ttf','wb') as file:
    file.write(fontresponse.content)

font = TTFont("font.ttf")
# font.saveXML("font.xml")
result_dict = {}
for k,v in font['cmap'].getBestCmap().items():
    # hex()函数是将十进制转成16进制
    k = hex(k).replace('0x','&#x')+';'
    v = int(v[8:10])-1
    result_dict[k]=str(v)
print(result_dict)

url = 'http://shanzhi.spbeen.com/search/?word='
response = requests.get(url)
html = response.text
for k,v in result_dict.items():
    html = html.replace(k,v)
# print(html)

htmlobj = etree.HTML(html)
divcard = htmlobj.xpath('.//div[@class="content"]/div')
for dc in divcard:
    td = {}
    td['标题'] = dc.xpath('./div/h5/a/text()')
    td['薪资'] = dc.xpath('./div/h5/small/text()')
    print(td)

四、完美还原上百页的数据内容

1.字体文件的转换

2.替换网页内容

3.实践操作：爬虫实战，还原数据内容

import requests
from fontTools.ttLib import TTFont
from lxml import etree
from time import sleep

import logging

logging.basicConfig(level=logging.DEBUG,filename='debug.log',filename='a',format='%(asctime)s-%(levelname)s-[%(filename)s:%(lineno)d]-%(message)s')

font = TTFont("font.ttf")
result_dict = {}
for k,v in font['cmap'].getBestCmap().items():
    # hex()函数是将十进制转成16进制
    k = hex(k).replace('0x','&#x')+';'
    v = int(v[8:10])-1
    result_dict[k]=str(v)

def replace_html(html:str):
    for k,v in result_dict.items():
        html = html.replace(k,v)
    return html

url = 'http://shanzhi.spbeen.com/search/?word=%E5%B5%8C%E5%85%A5%E5%BC%8F&page={}&_=1631261605624'

for i in range(1,10000):
    turl = url.format(i)
    response = requests.get(turl)
    html = replace_html(reponse.text)
    htmlobj = etree.HTML(html)
    divcard = htmlobj.xpath('.//div[contains(@class, "animate__animated")]')
    total_num += len(divcard)
    print("当前页面是第{}页，总计有{}条数据,当前页数据如下：".format(i,len(divcard),total_num))
    for dc in divcard:
        td = {}
        td['标题'] = dc.xpath('./div/h5/a/text()')
        td['薪资'] = dc.xpath('./div/h5/small/text()')
        print('               ',td)
    if len(divcard) < 10:
        break
    else:
        pass
    sleep(0.1)
    

4.总结：

（1）提取出具体的原数据和对应数字，进行网页内容的替换

（2）注意原数据的完整格式，确保替换后的数据没有多余符号

（3）找数据接口和具体参数，循环请求接口拿数据